Optimoi litteroinnin laatua
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Äänimallit. Useita tämän kurssin malleja on vanhentumassa:
tts-1,tts-1-hdjagpt-4o-mini-ttslakkaavat toimimasta 6. tammikuuta 2027 (suositeltu korvaaja ongpt-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-realtimeja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translations26. 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 malliagpt-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 yhdenprompt-parametrin kautta, joka on rajoitettu 224 tokeniin: opas täsmentää, ettei Whisper noudata ohjeita kuten tekstimalleja, joten hyöty saadaan yksinkertaisesti listaamalla oikeat kirjoitusasutgpt-transcribe:lla sijoita termitkeywords-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,keywordsjalanguageskäytettäessägpt-transcribe-mallia; yksittäinenprompt, rajoitettuna 224 tokeniin, käytettäessäwhisper-1:tä temperatureon 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