Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Optimoi litteroinnin laatua

Oppitunti 9 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Optimoi litteroinnin laatua
  2. Prompt-parametri
  3. Lämpötilaparametri (temperature)
  4. Äänen esikäsittely
  5. Litteroinnin jälkikäsittely
  6. Täydellinen litterointiputki
  7. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Äänimallit. Useita tämän kurssin malleja on vanhentumassa: tts-1, tts-1-hd ja gpt-4o-mini-tts lakkaavat toimimasta 6. tammikuuta 2027 (suositeltu korvaaja on gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tuetun /v1/audio/speech-päätepistettä: äänisynteesin siirtyminen tapahtuu Realtime API:n kautta); gpt-realtime, gpt-4o-realtime ja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations 26. helmikuuta 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täysdupleksista ääntä varten GPT-Live 1 on ollut saatavilla API:ssa 10. syyskuuta 2026 lähtien. Tuntia päivitetty 3. marraskuuta 2026: esimerkit vaihdettu käyttämään OpenAI:n suosittelemaa mallia gpt-transcribe (prompt, keywords, languages); lämpötila 0 ei ole “aina todennäköisin” valinta: API-viitteen mukaan malli säätää tällöin lämpötilaa itse askelittain. Lähteet: Tiedostolitterointi · Luo litterointi.

Optimoi litteroinnin laatua

Whisper tuottaa oletusarvoisesti erinomaisia litterointeja, mutta useilla tekniikoilla voit parantaa laatua merkittävästi, erityisesti haastavissa tilanteissa: taustamelu, alueelliset aksentit, tekninen sanasto ja erisnimet. Tämä tunti käsittelee edistyneitä parametreja ja jälkikäsittelystrategioita.

Prompt-parametri

Konteksti on tehokkain vipu laadun parantamiseen. Suositellulla gpt-transcribe-mallilla konteksti välitetään kolmen parametrin kautta: prompt (kontekstilause äänen kielellä), keywords (tunnistettavat termit) ja languages (odotetut kielet).

# Ilman kontekstia tuotenimet voivat litteroitua väärin
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# Kontekstin ja avainsanojen kanssa
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Corsen AI:n tekninen tapaaminen voice agenteista.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Parhaat käytännöt promptille

  • Listaa erisnimet: henkilöt, yritykset, tuotteet
  • Sisällytä tekninen slangii: lyhenteet, alakohtaiset termit
  • Määritä odotettu tyyli: välimerkit, kirjainkoko
  • whisper-1:lla kaikki kulkee yhden prompt-parametrin kautta, joka on rajoitettu 224 tokeniin: opas täsmentää, ettei Whisper noudata ohjeita kuten tekstimalleja, joten hyöty saadaan yksinkertaisesti listaamalla oikeat kirjoitusasut
  • gpt-transcribe:lla sijoita termit keywords-listaan, yksi per merkintä, ilman merkkejä <, > tai rivinvaihtoja, muuten API hylkää pyynnön
def build_transcription_prompt(context: dict) -> str:
    """Rakentaa kontekstipromptin litterointia varten."""
    parts = []

    if context.get("speakers"):
        parts.append(", ".join(context["speakers"]))

    if context.get("technical_terms"):
        parts.append(", ".join(context["technical_terms"]))

    if context.get("topic"):
        parts.append(context["topic"])

    return ". ".join(parts)

prompt = build_transcription_prompt({
    "speakers": ["Mordehai Attia", "Yoram Halberstam"],
    "technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
    "topic": "Tekninen tapaaminen voice agenteista"
})

Lämpötilaparametri (temperature)

Päätepiste hyväksyy temperature-arvon välillä 0–1, oletusarvon ollessa 0. Yleisen väärinkäsityksen vastaisesti arvo 0 ei tarkoita “aina todennäköisintä sanaa”: API-viitteen mukaan malli luottaa tällöin tokenien todennäköisyyksiinsä nostaaakseen lämpötilaa itse askelittain tiettyihin kynnysarvoihin saakka.

Käytännössä jätä oletusarvo voimaan. gpt-transcribe:n dokumentaatio korostaa kontekstia (prompt, keywords, languages), ei lämpötilaa; whisper-1:llä hieman korkeampaa lämpötilaa (esim. 0,2) voidaan testata tapauskohtaisesti heikkolaatuisella äänellä.

Äänen esikäsittely

Syöteäänlaatu on ratkaisevin tekijä. Panosta esikäsittelyyn:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Esikäsittelee äänen optimaalista litterointia varten."""
    audio = AudioSegment.from_file(input_path)

    # 1. Muunna monoksi (stereo ei lisää arvoa puheelle)
    audio = audio.set_channels(1)

    # 2. Näytteenota 16 kHz:iin (riittää Whisperille)
    audio = audio.set_frame_rate(16000)

    # 3. Normalisoi äänenvoimakkuus
    audio = normalize(audio)

    # 4. Pakkaa dynaaminen alue (pienentää kovaa/hiljaista-kuilua)
    audio = compress_dynamic_range(audio)

    # 5. Vie 64 kbps MP3-muodossa
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Melunvaimennus

Meluisille äänitteille esikäsittely noisereduce-kirjastolla parantaa tuloksia merkittävästi:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Vähentää taustamelua ennen litterointia."""
    data, rate = sf.read(input_path)

    # Adaptiivinen melunvaimennus
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80 % melunvaimennus
        stationary=False     # Ei-stationäärinen melu (esim. kahvila)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Litteroinnin jälkikäsittely

Vaikka esikäsittely olisi hyvä, raaka litterointi voi vaatia korjauksia. Käytä GPT:tä jälkikäsittelyyn:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Korjaa ja muotoilee Whisper-litteroinnin."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Olet litteroinnin oikolukija. "
                "Korjaa ilmeiset Whisper-virheet muuttamatta merkitystä. "
                "Lisää puuttuvat välimerkit. "
                "Korjaa erisnimien ja lyhenteiden kirjainkoko. "
                "Älä tiivistä tai muotoile uudelleen."
            )},
            {"role": "user", "content": (
                f"Konteksti: {context}\n\n"
                f"Raaka litterointi:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Täydellinen litterointiputki

Kokoa kaikki vaiheet robustiksi putkeksi:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Täydellinen korkealaatuinen litterointiputki."""
    # 1. Esikäsittely
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Rakenna konteksti: vain täytetyt parametrit
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Litteroi
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Jälkikäsittely
    context = f"Kieli: {language}, Puhujat: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Keskeiset asiat

  • Konteksti on tehokkain vipu: prompt, keywords ja languages käytettäessä gpt-transcribe-mallia; yksittäinen prompt, rajoitettuna 224 tokeniin, käytettäessä whisper-1:tä
  • temperature on oletusarvoisesti 0, ja arvolla 0 malli säätää lämpötilaa itse tarvittaessa: jätä oletusarvo voimaan
  • Äänen esikäsittely (mono, 16 kHz, normalisointi, melunvaimennus) parantaa laatua enemmän kuin mikään API-parametri
  • GPT-jälkikäsittely korjaa välimerkit, kirjainkoon ja jäljellä olevat virheet
  • Täydellinen putki yhdistää esikäsittelyn, kontekstuaalisen promptauksen ja jälkikäsittelyn maksimaalisen laadun saavuttamiseksi