Tras-scríobh comhad fuaime: gpt-transcribe agus Whisper
Ar an leathanach seo
An ceacht athscríofa an 3 Samhain, 2026. Chumhdaigh an treoir seo
whisper-1roimhe seo, atá curtha as feidhm agus a scorfar ar an 26 Feabhra, 2027. Molann treoir Tras-scríobh Comhad OpenAI anoisgpt-transcribe. Mar sin féin, ní sholáthraíonngpt-transcribestampaí ama, fotheidil SRT ná VTT, ná freagraverbose_json. Maidir leis na riachtanais shonracha seo, is éwhisper-1an t-aon rogha fós go dtí go scorfar é. Rinneadh rochtain ar mhíreanna mar fhoclóirí (segment["start"]) sa chód roimhe seo, rud a ardaíonnTypeErrorleis an Python SDK; is oibiachtaí iad (segment.start). Fíoraíodh gach glao le SDKopenai3.42.1. Foinse: Tras-scríobh Comhad · Cruthaigh tras-scríobh · GPT-Transcribe · Dí-úsáidí.
Tras-scríobh taifeadta
Freagraíonn tras-scríobh comhad don chás úsáide is coitianta: tá taifeadadh críochnaithe agat (cruinniú, podchraoladh, teachtaireacht gutha) agus tá an téacs uait. Seolann tú an comhad chuig an bpointe deiridh /v1/audio/transcriptions agus faigheann tú an tras-scríobh. Maidir le fuaime atá fós ag teacht, mar shampla ó mhicreafón nó ó ghlao, is é an cur chuige ceart ná tras-scríobh beo tríd an Realtime API, a chlúdaítear níos déanaí sa chúrsa seo.
Ní mór don chomhad a bheith 25 MB nó níos lú, i gceann de na formáidí seo a leanas: mp3, mp4, mpeg, mpga, m4a, wav, nó webm.
Cén tsamhail i mí na Samhna 2026
| Samhail | Stádas | Príomhphointí |
|---|---|---|
gpt-transcribe | Molta | Comhthéacs (prompt), eochairfhocail (keywords), teangacha ionchais (languages), tras-scríobh sruthaithe; $0.0045 in aghaidh an nóiméid |
whisper-1 | Curtha as feidhm, scor 26 Feabhra, 2027 | An t-aon tsamhail a sholáthraíonn stampaí ama, verbose_json, SRT agus VTT, agus aistriúchán go Béarla |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Curtha as feidhm, scor 26 Feabhra, 2027 | Curtha in ionad ag gpt-transcribe |
gpt-4o-transcribe-diarize | Curtha as feidhm, scor 26 Feabhra, 2027 | Aitheantas cainteora (diarized_json) |
An chéad tras-scríobh
from openai import OpenAI
client = OpenAI()
with open("recording.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(transcription.text)
De réir réamhshocraithe, is oibiacht JSON an freagra: tá an téacs i transcription.text, agus liostaíonn transcription.languages na teangacha a d’aithin an tsamhail le dóthain muiníne (liosta folamh mura bhféadfadh sí aon cheann a aithint).
Comhthéacs a thabhairt don tsamhail
Tá lán d’ainmneacha dílse, aicreainimh, agus téarmaí inmheánacha i dtaifeadadh cruinnithe nach bhfuil aon chúis leis an tsamhail a bheith ar an eolas fúthu. Glacann gpt-transcribe le trí leid is féidir leat a chomhcheangal:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Cruinniú bainistíochta faoin tionscadal Corsen AI agus an conradh AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["ga", "en"],
)
print(transcription.text)
- Déanann
promptcur síos ar an gcomhthéacs i ngnáthamh amháin, i dteanga an taifeadta. Ní treoir chórais é seo; is leid é a threoraíonn an t-aithint. - Liostaíonn
keywordstéarmaí le haithint. Cuir isteach eochairfhocal amháin in aghaidh an mhíre, gan<,>, ná briseadh líne: diúltaíonn an tAPI an t-iarratas iomlán má aimsíonn sé aon cheann acu. - Sonraíonn
languagesna teangacha ionchais ag baint úsáide as cóid ISO 639-1 (ga,en,es…). Tagann sé in ionad an pharaiméadairlanguageó shamhlacha níos sine: ná seol an dá cheann riamh.
Leanúint ar an tras-scríobh i bhfíor-am
Maidir le comhaid fhada, níl gá le fanacht go dtí an deireadh chun an tús a thaispeáint. Le stream=True, filleann an API imeachtaí de réir mar a dhéantar próiseáil, gan seisiún Realtime a éileamh:
with open("meeting.mp3", "rb") as audio_file:
stream = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
stream=True,
)
for event in stream:
if event.type == "transcript.text.delta":
print(event.delta, end="", flush=True)
elif event.type == "transcript.text.done":
print() # tras-scríobh iomlán in event.text
Stampaí ama agus fotheidil: whisper-1, go dtí an 26 Feabhra, 2027
Deir treoir OpenAI go soiléir: braitheann a samplaí do stampaí ama ar leibhéal focal, fotheidil, agus aitheantas cainteora ar shamhlacha atá curtha as feidhm. Má tá na gnéithe seo uait, tá whisper-1 ar fáil fós go dtí an 26 Feabhra, 2027, agus is é an t-aon tsamhail a ghlacann le verbose_json agus timestamp_granularities:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
response_format="verbose_json",
timestamp_granularities=["segment"],
)
for segment in transcription.segments or []:
print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")
Is oibiachtaí SDK iad na míreanna: léigh segment.start, seachas segment["start"]. Le timestamp_granularities=["word"], feictear stampaí ama ar leibhéal focal i transcription.words, ar chostas moille beagán níos airde. Táirgeann an tsamhail chéanna fotheidil atá réidh le húsáid freisin: le response_format="srt" nó "vtt", filleann an SDK téacs an chomhaid fhotheidil go díreach.
Níl aon ionadaí ainmnithe fós ag an treoir do na feidhmeanna seo. Má bhraitheann do tháirge ar stampaí ama nó ar fhotheidil, pleanáil réiteach roimh an 26 Feabhra, 2027.
Comhaid fhada
Maidir le comhaid atá níos mó ná 25 MB, déan comhbhrú ar an bhfuaim nó roinn í. Molann an doiciméadúacht gan gearrtha a dhéanamh i lár abairte, rud a chailleann comhthéacs, agus molann sé an leabharlann pydub chun roinnt a dhéanamh (ní thugann OpenAI ráthaíocht ar an mbogearra tríú páirtí seo). Cabhraíonn deireadh an chnap roimhe sin a chur ar fáil i prompt leis an tsamhail leanúnachas a choinneáil, úsáid den pharaiméadar a luaitear sa treoir:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Tras-scríobhann sé taifeadadh fada i gcnapan 10 nóiméad."""
audio = AudioSegment.from_file(path)
texts: list[str] = []
for i, start in enumerate(range(0, len(audio), duration_ms)):
chunk = f"chunk_{i}.mp3"
audio[start:start + duration_ms].export(chunk, format="mp3")
options = {"prompt": texts[-1][-500:]} if texts else {} # leanúnachas
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Uaireanta gearrann roinnt ar fhad seasta abairt ina leath: chun toradh snasta a fháil, roinn ar thost ina ionad sin.
Príomhphointí
- Is é
gpt-transcribean tsamhail mholta do thras-scríobh comhad; scorfarwhisper-1agusgpt-4o-*-transcribear an 26 Feabhra, 2027 - Treoraíonn
prompt,keywords, aguslanguages(nílanguagea thuilleadh) aithint téarmaí agus teangacha - Filleann
stream=Truean tras-scríobh ar an toirt (transcript.text.delta), gan seisiún Realtime - Níl stampaí ama,
verbose_json, SRT, agus VTT ann ach lewhisper-1go dtí go scorfar é; léigh míreanna mar oibiachtaí (segment.start) - 25 MB in aghaidh an chomhaid ar a mhéad: déan comhbhrú nó roinnt, go preferably ar thost