Formáidí agus teangacha a dtacaítear leo
Ar an leathanach seo
Nuashonrú 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo tar éis dul in éag: dúnfar
tts-1,tts-1-hd, agusgpt-4o-mini-ttsar 6 Eanáir, 2027 (is égpt-realtime-2.1-minian t-ionadaí atá luaite, ach deir treoir TTS OpenAI nach dtacaítear leis le/v1/audio/speech: aistrítear sintéis cainte chuig an Realtime API); dúnfargpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar 20 Eanáir, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); dúnfarwhisper-1,gpt-4o-transcribe, agus/v1/audio/translationsar 26 Feabhra, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Maidir le guth lán-dúbailte, tá GPT-Live 1 ar fáil san API ón 10 Meán Fómhair, 2026. Ceartaithe an cheacht seo ar 3 Samhain, 2026: nuashonraíodh samplaí ówhisper-1gogpt-transcribe(ag baint úsáide as an bparaiméadarlanguages), ceartaíodh líon teangacha Whisper (98, seachas “thar 50”, de réir threoir File transcription), cuireadh modh ilteangach dhá phas in ionad leideanna teangagpt-transcribe, fuarthas praghsáil. Foinse: File transcription · GPT-Transcribe · Create transcription.
Formáidí agus teangacha a dtacaítear leo
Glacann múnlaí tras-scríofa OpenAI le raon leathan formáidí fuaime agus tacaíonn siad le dosaen teanga. Braitheann cáilíocht agus costas an tras-scríofa go díreach ar an bhformáid ionchuir a roghnaíonn tú agus ar chumraíocht na teanga. Mionsonraíonn an cheacht seo na roghanna atá ar fáil agus na cleachtais is fearr.
Formáidí fuaime a dtacaítear leo
De réir na tagartha API, glacann an críochphointe tras-scríofa leis na formáidí flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, agus webm, ar choinníoll go bhfuil an leathnú ceart san ainm comhaid. Seo iad na cinn is coitianta:
| Formáid | Leathnú | Comhbhrú | Úsáid mholta |
|---|---|---|---|
| MP3 | .mp3 | Cailleadh, cóimheas maith | Podchraoltaí, taifeadtaí gutha |
| MP4 / M4A | .mp4, .m4a | AAC cailleadh | Físeáin, taifeadtaí soghluaiste |
| WAV | .wav | Neamh-chomhbhrúite | Taifeadtaí stiúideo |
| WebM | .webm | Opus cailleadh | Taifeadtaí brabhsálaí |
| FLAC | .flac | Gan chaillteanas | Cáilíocht uasta gan chaillteanas |
| OGG | .ogg | Vorbis/Opus | Feidhmchláir foinse oscailte |
Is é 25 MB an t-uasmhéid comhaid. I gcás MP3 ag 128 kbps, is ionann é sin agus thart ar 25 nóiméad fuaime. I gcás WAV neamh-chomhbhrúite, tá sé i bhfad níos lú.
Méid comhaid a bharrfheabhsú
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Tiontaíonn comhad fuaime go MP3 éadrom, atá leordhóthanach do chaint."""
audio = AudioSegment.from_file(input_path)
# Tiontaigh go monó 16kHz (leordhóthanach do chaint)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Easpórtáil mar MP3 64kbps (comhréir cáilíochta/méide maith do ghuth)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Teangacha a dtacaítear leo
Clúdaíonn whisper-1 98 teanga, agus athraíonn an chruinneas de réir teanga. Brathann gpt-transcribe an teanga go huathoibríoch; má tá a fhios agat cé na teangacha a bheidh ann, sonnaigh iad in languages: cóid ISO 639-1 (fr, en, es…), roinnt cóid ISO 639-3 (eng, spa, yue, cmn), agus leaganacha réigiúnacha Síneacha (zh-cn, zh-tw, zh-hk). Cuirfidh cód nach dtacaítear leis nó atá míchumtha faoi deara teip ar an iarratas.
# Brath uathoibríoch (réamhshocrú)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # teangacha a aithníodh le muinín leordhóthanach
# Teangacha a bhfuiltear ag súil leo
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
Is liosta é languages, sonrach do gpt-transcribe; glacann sean-mhúnlaí le teanga amháin in language. Ná seol an dá cheann riamh.
Teangacha coitianta Eorpacha
Na cóid ISO 639-1 is minice a úsáidtear san Eoraip:
EUROPEAN_LANGUAGES = {
"fr": "French",
"en": "English",
"de": "German",
"es": "Spanish",
"it": "Italian",
"pt": "Portuguese",
"nl": "Dutch",
"pl": "Polish",
"ro": "Romanian",
"sv": "Swedish",
"da": "Danish",
"fi": "Finnish",
"el": "Greek",
"cs": "Czech",
"hu": "Hungarian",
"bg": "Bulgarian",
"hr": "Croatian",
"sk": "Slovak",
"sl": "Slovenian",
"et": "Estonian",
"lv": "Latvian",
"lt": "Lithuanian",
}
Ábhar ilteangach a láimhseáil
Aistríonn cruinniú idirnáisiúnta idir teangacha. Tá gpt-transcribe deartha don chás seo: luaitear sa chárta múnla go dtacaíonn sé le leideanna teanga iolracha, fuaime ilteangacha, agus aistriú cód laistigh d’abairt amháin. Soláthair gach teanga a bhfuiltear ag súil léi in aon pas amháin:
with open("international-meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=["fr", "en", "de"],
)
print(result.text)
print("Recognized languages:", result.languages)
Níl gá a thuilleadh leis an seanmhodh dhá phas, a d’aimsigh an teanga cheannasach le whisper-1 sa mhód verbose_json agus a ath-thras-scríobh ansin trí fhórsa a chur ar an teanga sin: chuir sé teanga amháin i bhfeidhm ar an taifeadadh iomlán, agus dúnfar whisper-1 ar 26 Feabhra, 2027.
Praghsáil
Billeáiltear tras-scríobh de réir fhad na fuaime a próiseáladh: $0.0045 in aghaidh an nóiméid le gpt-transcribe, de réir a chárta múnla (Samhain 2026). Mar sin, ní dhéanann formáid an chomhaid difear don chostas: ní bhraitheann sé ach ar an bhfad.
Chun costais a laghdú ar mhéideanna móra:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Baineann tost chun fad billeáilte a laghdú."""
audio = AudioSegment.from_file(file_path)
# Bain tosta níos faide ná 1 soicind
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Coinnigh 200ms tost le haghaidh inléiteachta
)
if not chunks:
return file_path
combined = chunks[0]
for chunk in chunks[1:]:
combined += chunk
output_path = "/tmp/optimized_audio.mp3"
combined.export(output_path, format="mp3", bitrate="64k")
return output_path
Príomhphointí
- Glacann an críochphointe tras-scríofa le FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV, agus WebM, le teorainn 25 MB in aghaidh an chomhaid
- Le
gpt-transcribe, sonnaíonn an liostalanguagesna teangacha a bhfuiltear ag súil leo; filleann an freagairt na teangacha a aithníodh - Tairgeann MP3 monó 16 kHz ag 64 kbps an comhréir cáilíochta/méide is fearr do ghuth
- Billeáiltear in aghaidh nóiméid fuaime: laghdaíonn tost a bhaint costais
- I gcás ábhair ilteangaigh, téann pas amháin leis na teangacha go léir a bhfuiltear ag súil leo in
languagesin ionad an tseanmhodha dhá phas