Automaattinen kääntäminen
Tällä sivulla
Oppitunti kirjoitettu uudelleen 3. marraskuuta 2026. Aiemmin se perustui
/v1/audio/translations-päätepisteeseen jawhisper-1-malliin, jotka molemmat on merkitty vanhentuneiksi ja poistettu käytöstä 26. helmikuuta 2027, sekä uudelleenkäytettyyn Realtime-avustajaseanssiin tulkkina. OpenAI tarjoaa nyt kaksi polkua: nauhoituksille alkuperäisen kielen litterointi mallillagpt-transcribe, jota seuraa tekstin kääntäminen; elävälle puheelle omistettu käännösseanssi mallillagpt-realtime-translate. Koodi on testattu SDK:nopenaiversiolla 3.42.1 jawebsocket-client-kirjastolla. Lähteet: Tiedostolitterointi · Realtime-kääntäminen · Vanhentumiset.
Kaksi tarvetta, kaksi työkalua
Äänen kääntäminen kattaa kaksi hyvin erilaista skenaariota, ja OpenAI hoitaa ne eri työkaluilla:
| Tarve | Työkalu marraskuusta 2026 alkaen | Tulos |
|---|---|---|
| Nauhoitus käännettäväksi (kokous, podcasti, arkistoitu puhelu) | gpt-transcribe litteroimaan alkuperäisellä kielellä, sitten tekstimalleilla kääntäminen | Käännetty teksti kohdekielelläsi |
| Elävä puhe tulkattavaksi (puhelu, konferenssi, oppitunti) | Käännösseanssi mallilla gpt-realtime-translate | Käännetty ääni ja litteroinnit, tuotettu puheen edetessä |
Vanha polku: /v1/audio/translations mallilla whisper-1 | Vanhentunut, poistettu käytöstä 26. helmikuuta 2027 | Vain englanninkielinen teksti |
OpenAI:n ohje korostaa yhtä seikkaa: pelkkä mallitunnuksen vaihtaminen /v1/audio/translations-pyynnössä ei siirrä mitään. Vanhalla päätepisteellä, joka pystyi kääntämään vain englanniksi, ei ole suoraa korvaajaa.
Nauhoituksen kääntäminen
Tämä menetelmä litteroi ensin uskollisesti puhutulla kielellä ja kääntää sitten tekstin. Se toimii mille tahansa kohdekielelle – toisin kuin vanha päätepiste, joka tuotti vain englantia – ja antaa sinulle molemmat tekstit, mikä on hyödyllistä tarkistusta varten:
from openai import OpenAI
client = OpenAI()
def translate_recording(path: str, target_language: str) -> dict[str, str]:
"""Litteroi nauhoituksen alkuperäisellä kielellä ja kääntää sitten tekstin."""
with open(path, "rb") as f:
transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)
response = client.responses.create(
model="gpt-6-luna",
instructions=(
f"Käännä käyttäjän toimittama teksti kielelle {target_language}. "
"Säilytä sävy ja tyyli. Vastaa vain käännöksellä."
),
input=transcription.text,
)
return {"original": transcription.text, "translation": response.output_text}
result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])
Kaksi valintaa ansaitsee selityksen. Käännösohje menee kenttään instructions, kun taas litterointi saapuu raakadatana kentässä input: nauhoitus voi sisältää mitä tahansa, myös lauseen, joka näyttää komennolta, eikä sen saa pystyä muuttamaan ohjetta. Malli gpt-6-luna on OpenAI:n suositus laajamittaiseen, kustannusherkkään käsittelyyn; arkaluonteiselle juridiseen tai tekniseen tekstiin valitse kyvykkäämpi malli, kuten gpt-6.1-sol.
Elävän puheen tulkitseminen
Kääntääksesi samalla kun joku puhuu, OpenAI tarjoaa erityisen tyyppisen Realtime-seanssin. Ohje erottaa sen selvästi puheagenttiseanssista:
| Puheagenttiseanssi | Käännösseanssi |
|---|---|
Yhdistää osoitteeseen /v1/realtime | Yhdistää osoitteeseen /v1/realtime/translations |
| Malli toimii avustajana | Malli toimii tulkkina |
Keskustelu- ja vastussykli (response.create) | Jatkuva virta saapuvasta äänestä, ei response.create-komentoa |
| Voi kutsua työkaluja | Tuottaa käännettyä ääntä ja litterointeja |
Kuljetus riippuu siitä, mihin ääni saapuu. Selaimessa WebRTC lähettää mikrofonisyötteen ja vastaanottaa käännetyn äänen ääniraitoina; palvelimesi luo tätä varten lyhytikäisen asiakassalaisuuden osoitteessa /v1/realtime/translations/client_secrets, jotta API-avaimesi ei koskaan poistu palvelimelta. Palvelinpuolella, kun ääni saapuu jo raakana (puheluvirta, kaappaus), WebSocket-yhteys riittää:
import base64
import json
import os
import websocket # pip install websocket-client
ws = websocket.WebSocket()
ws.connect(
"wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
header=[
f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
"OpenAI-Safety-Identifier: hashed-user-id", # käyttäjäsi hashattu tunniste
],
)
# Tulkin tulostuskieli
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))
def send_audio(pcm16: bytes) -> None:
"""Lisää palan lähdeääntä: 16-bittinen PCM, mono, 24 kHz."""
ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))
Kun lähetät ääntä, hiljaisuudet mukaan lukien, seanssi palauttaa tapahtumia käsiteltäväksi reaaliajassa: session.output_audio.delta sisältää käännetyn äänen base64-muodossa, session.output_transcript.delta käännetyn tekstin ja session.input_transcript.delta alkuperäisen litteroinnin. Kun lähde pysähtyy, lähetä session.close: palvelu viimeistelee nykyisen käännöksen ja vastaa sitten tapahtumalla session.closed.
translation: list[str] = []
while True:
event = json.loads(ws.recv())
if event["type"] == "session.output_transcript.delta":
translation.append(event["delta"])
elif event["type"] == "error":
raise RuntimeError(f"Käännösvirhe: {event['error']['code']}")
elif event["type"] == "session.closed":
break
ws.close()
print("".join(translation))
Älä laiminlyö error-tapahtumaa: hylätty avain ei kaada itse yhteyttä; se saapuu heti sen jälkeen error-tapahtumana, jonka koodi on invalid_api_key (havaittu 3. marraskuuta 2026). Tuotannossa vastaanotto ajetaan rinnakkain lähetyksen kanssa erillisessä säikeessä tai tehtävässä, ja käännetty ääni ohjataan soittimeen tai puhelulinjaan sitä mukaa kun se saapuu: virallinen ohje tarjoaa täydellisen version, mukaan lukien äänen toisto.
Keskeiset asiat
/v1/audio/translationsjawhisper-1suljetaan 26. helmikuuta 2027 ilman suoraa korvaajaa: pelkkä mallin vaihtaminen ei riitä- Nauhoitukselle:
gpt-transcribealkuperäisellä kielellä, sitten tekstin kääntäminen tekstimalleilla mihin tahansa kieleen - Pidä käännösohje kentässä
instructionsja litterointi raakadatana - Elävälle puheelle: käännösseanssi (
/v1/realtime/translations,gpt-realtime-translate), joka toimii tulkkina ilmanresponse.create-komentoa - WebRTC selaimessa palvelimen luomalla asiakassalaisuudella; WebSocket palvelinpuolella 16-bittisellä PCM-äänellä taajuudella 24 kHz