Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Formáidí agus teangacha a dtacaítear leo

Ceacht 7 as 18 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Formáidí agus teangacha a dtacaítear leo
  2. Formáidí fuaime a dtacaítear leo
  3. Teangacha a dtacaítear leo
  4. Ábhar ilteangach a láimhseáil
  5. Praghsáil
  6. Príomhphointí

Nuashonrú 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo tar éis dul in éag: dúnfar tts-1, tts-1-hd, agus gpt-4o-mini-tts ar 6 Eanáir, 2027 (is é gpt-realtime-2.1-mini an t-ionadaí atá luaite, ach deir treoir TTS OpenAI nach dtacaítear leis le /v1/audio/speech: aistrítear sintéis cainte chuig an Realtime API); dúnfar gpt-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); dúnfar whisper-1, gpt-4o-transcribe, agus /v1/audio/translations ar 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 ó whisper-1 go gpt-transcribe (ag baint úsáide as an bparaiméadar languages), ceartaíodh líon teangacha Whisper (98, seachas “thar 50”, de réir threoir File transcription), cuireadh modh ilteangach dhá phas in ionad leideanna teanga gpt-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 liosta languages na 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 languages in ionad an tseanmhodha dhá phas