Feabhsaigh Cáilíocht na Tras-scríbhneoireachta
Ar an leathanach seo
Nuashonrú 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo as feidhm anois: stopfaidh
tts-1,tts-1-hd, agusgpt-4o-mini-ttsag obair ar 6 Eanáir, 2027 (is égpt-realtime-2.1-minian t-ionadaí a luaitear, ach deir treoir TTS OpenAI nach dtacaítear leis le/v1/audio/speech: aistrítear sintéis gutha chuig an Realtime API); stopfaidhgpt-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); stopfaidhwhisper-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. An ceacht nuashonraithe 3 Samhain, 2026: athraíodh na samplaí gogpt-transcribe(prompt,keywords,languages), an múnla a mholann OpenAI; ní rogha “an focal is dóichí i gcónaí” é teocht 0: de réir thagairt an API, coigeartaíonn an múnla an teocht féin ina chéimeanna ansin. Foinse: Tras-scríbhneoireacht comhaid · Cruthaigh tras-scríbhneoireacht.
Feabhsaigh Cáilíocht na Tras-scríbhneoireachta
Gineann Whisper tras-scríbhinní den scoth go huathoibríoch, ach is féidir le roinnt teicnící feabhas suntasach a chur ar cháilíocht, go háirithe i gcásanna deacra: torann cúlra, canúintí réigiúnacha, stór focal teicniúil, agus ainmneacha dílse. Pléifidh an ceacht seo paraiméadair chasta agus straitéisí iar-phróiseála.
An paraiméadar prompt
Is é an comhthéacs do phríomhghiuirléid chun cáilíocht a fheabhsú. Le gpt-transcribe, an múnla a mholann OpenAI, téann an comhthéacs trí pharaiméadar: prompt (míreán comhthéacs i dteanga an fhuaime), keywords (téarmaí le haithint), agus languages (na teangacha a bhfuiltear ag súil leo).
# Gan chomhthéacs, rioscaítear ainmneacha táirgí a mhí-thras-scríobh
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Le comhthéacs agus eochairfhocail
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Cruinniú teicniúil Corsen AI ar ghníomhairí gutha.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Dea-chleachtais don prompt
- Liostaigh ainmneacha dílse: daoine, cuideachtaí, táirgí
- Cuir isteach argóit theicniúil: aicreainimh, téarmaí saincheantair
- Sonraigh an stíl a bhfuiltear ag súil léi: poncaíocht, cású
- Le
whisper-1, téann gach rud tríd anpromptamháin, teoranta do 224 token: sonraíonn an treoir nach leanann Whisper treoracha cosúil le múnla téacs, mar sin is fearr liosta de litrithe cearta a chur ann - Le
gpt-transcribe, cuir téarmaí ikeywords, ceann amháin in aghaidh na hiontrála, gan<,>, ná bristeacha líne, nó diúltóidh an API an t-iarratas
def build_transcription_prompt(context: dict) -> str:
"""Tógann sé leid comhthéacs don tras-scríbhneoireacht."""
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": "Cruinniú teicniúil ar ghníomhairí gutha"
})
An paraiméadar teochta
Glacann an críochphointe le temperature idir 0 agus 1, agus 0 mar réamhshocrú. Murab ionann agus míthuiscint choitianta, ní chiallaíonn an luach 0 “an focal is dóichí i gcónaí”: de réir thagairt an API, braitheann an múnla ar dhóchúlachtaí a thócan ansin chun an teocht a ardú féin ina chéimeanna, go dtí tairseacha áirithe.
Go praiticiúil, fág an luach réamhshocraithe. Cuireann doiciméadú gpt-transcribe béim ar an gcomhthéacs (prompt, keywords, languages), seachas ar an teocht; ar whisper-1, is féidir teocht beagán níos airde (0.2, mar shampla) a thástáil ar fhuaime truaillithe ar bhonn cás ar chás.
Réamhphróiseáil fuaime
Is é cáilíocht an fhuaime ionchuir an fachtóir is cinntithí. Infheistigh i réamhphróiseáil:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Déanann sé réamhphróiseáil ar fhuaime le haghaidh tras-scríbhneoireachta optamach."""
audio = AudioSegment.from_file(input_path)
# 1. Tiontaigh go mona (ní chuireann steiréó aon rud le guth)
audio = audio.set_channels(1)
# 2. Athshamplaigh go 16 kHz (leordhóthanach do Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normalaigh an toirt
audio = normalize(audio)
# 4. Comhbhrúigh an raon dinimiciúil (laghdaíonn sé an bhearna idir ard/íseal)
audio = compress_dynamic_range(audio)
# 5. Easpórtáil mar MP3 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Laghdú torainn
Do thaifeadtaí torannacha, feabhsaíonn réamhphróiseáil le noisereduce na torthaí go mór:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Laghdaíonn sé torann cúlra roimh thras-scríbhneoireacht."""
data, rate = sf.read(input_path)
# Laghdú torainn oiriúnaitheach
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # Laghdú torainn 80%
stationary=False # Torann neamh-stáiseanach (m.sh. caifé)
)
sf.write(output_path, reduced, rate)
return output_path
Iar-phróiseáil tras-scríbhneoireachta
Fiú le réamhphróiseáil mhaith, d’fhéadfadh gá a bheith le ceartúcháin ar an tras-scríbhneoireacht amh. Úsáid GPT le haghaidh iar-phróiseála:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Ceartaíonn agus formádaíonn sé tras-scríbhneoireacht Whisper."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Is ceartaitheoir tras-scríbhneoireachta tú. "
"Ceartaigh earráidí follasacha Whisper gan an brí a athrú. "
"Cuir poncaíocht in easnamh leis. "
"Deasaigh cású d'ainmneacha dílse agus d'aicreainimh. "
"Ná déan achoimre ná athfhrású."
)},
{"role": "user", "content": (
f"Comhthéacs: {context}\n\n"
f"Tras-scríbhneoireacht amh:\n{raw_text}"
)}
]
)
return response.output_text
Píblíne iomlán tras-scríbhneoireachta
Cuir gach céim le chéile i bpíblíne láidir:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Píblíne iomlán tras-scríbhneoireachta ar ardcháilíocht."""
# 1. Réamhphróiseáil
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Tóg comhthéacs: ní líontar ach na paraiméadair atá ann
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Tras-scríobh
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Iar-phróiseáil
context = f"Teanga: {language}, Cainteoirí: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Príomhphointí
- Is é an comhthéacs an ghiuirléid is éifeachtaí:
prompt,keywords, aguslanguageslegpt-transcribe; anpromptamháin, teoranta do 224 token, lewhisper-1 - Tá
temperaturesocraithe go huathoibríoch ar 0, agus ag 0 coigeartaíonn an múnla an teocht féin más gá: fág an luach réamhshocraithe - Feabhsaíonn réamhphróiseáil fuaime (mona, 16 kHz, normalú, dí-thorannú) cáilíocht níos mó ná aon pharaiméadar API
- Ceartaíonn iar-phróiseáil GPT poncaíocht, cású, agus earráidí iarmharacha
- Comhcheanglaíonn píblíne iomlán réamhphróiseáil, leid chomhthéacsúil, agus iar-phróiseáil le haghaidh uasmhéid cáilíochta