Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Transkripcija zvučne datoteke: gpt-transcribe i Whisper

Lekcija 6 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Transkripcija snimke
  2. Koji model u studenom 2026.
  3. Prva transkripcija
  4. Daj modelu kontekst
  5. Praćenje transkripcije u stvarnom vremenu
  6. Vremenske oznake i titlovi: whisper-1, do 26. veljače 2027.
  7. Duge datoteke
  8. Ključne točke

Lekcija je ponovno napisana 3. studenoga 2026. Ovaj vodič prethodno je obrađivao whisper-1, koji je zastario i bit će ukinut 26. veljače 2027. OpenAI-jev vodič File transcription sada preporučuje gpt-transcribe. Međutim, gpt-transcribe ne pruža vremenske oznake, titlove u formatu SRT ili VTT, niti odgovor verbose_json. Za te specifične potrebe, whisper-1 ostaje jedina opcija do njegovog ukidanja. Kod je prethodno pristupao segmentima kao rječnicima (segment["start"]), što s Python SDK-om izaziva TypeError; oni su objekti (segment.start). Svaki poziv verificiran je s openai SDK 3.42.1. Izvori: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Transkripcija snimke

Transkripcija datoteka rješava najčešći slučaj upotrebe: imaš gotovu snimku (sastanak, podcast, glasovnu poruku) i trebaš tekst. Datoteku šalješ na krajnju točku /v1/audio/transcriptions i primaš transkript. Za zvuk koji još uvijek pristiže, primjerice s mikrofona ili tijekom poziva, ispravan pristup je transkripcija uživo putem Realtime API-ja, što ćemo obraditi kasnije u ovom tečaju.

Datoteka mora biti veličine najviše 25 MB i u jednom od sljedećih formata: mp3, mp4, mpeg, mpga, m4a, wav ili webm.

Koji model u studenom 2026.

ModelStatusKljučne točke
gpt-transcribePreporučenoKontekst (prompt), ključne riječi (keywords), očekivani jezici (languages), strujna transkripcija; 0,0045 USD po minuti
whisper-1Zastario, ukidanje 26. veljače 2027.Jedini model koji pruža vremenske oznake, verbose_json, SRT i VTT te prijevod na engleski jezik
gpt-4o-transcribe, gpt-4o-mini-transcribeZastario, ukidanje 26. veljače 2027.Zamijenjeno s gpt-transcribe
gpt-4o-transcribe-diarizeZastario, ukidanje 26. veljače 2027.Identifikacija govornika (diarized_json)

Prva transkripcija

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)

Zadani odgovor je JSON objekt: transcription.text sadrži tekst, a transcription.languages navodi jezike koje je model prepoznao s dovoljnom pouzdanošću (prazan popis ako nije uspio identificirati nijedan).

Daj modelu kontekst

Snimka sastanka puna je vlastitih imena, akronima i internih pojmova koje model nema razloga poznavati. gpt-transcribe prihvaća tri naznake koje možeš kombinirati:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Upravljački sastanak o projektu Corsen AI i ugovoru AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • prompt opisuje kontekst u jednoj rečenici, na jeziku snimke. To nije sistemska instrukcija; to je naznaka koja usmjerava prepoznavanje.
  • keywords navodi pojmove koje treba prepoznati. Unesi jednu ključnu riječ po stavci, bez <, > ili prijeloma retka: API odbija cijeli zahtjev ako pronađe bilo što od toga.
  • languages specificira očekivane jezike koristeći ISO 639-1 kodove (fr, en, es…). Zamjenjuje parametar language iz starijih modela: nikada ne šalji oba istovremeno.

Praćenje transkripcije u stvarnom vremenu

Za duge datoteke nema potrebe čekati kraj da bi se prikazao početak. S stream=True, API vraća događaje kako se obrada odvija, bez potrebe za Realtime sesijom:

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()  # puna transkripcija u event.text

Vremenske oznake i titlovi: whisper-1, do 26. veljače 2027.

OpenAI-jev vodič izričito navodi: njegovi primjeri za vremenske oznake na razini riječi, titlove i identifikaciju govornika oslanjaju se na zastarjele modele. Ako ti trebaju te značajke, whisper-1 je dostupan do 26. veljače 2027. i to je jedini model koji prihvaća verbose_json i 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()}")

Segmenti su objekti SDK-a: čitaj segment.start, a ne segment["start"]. S timestamp_granularities=["word"], vremenske oznake na razini riječi pojavljuju se u transcription.words, uz cijenu nešto veće latencije. Isti model također proizvodi titlove spremne za upotrebu: s response_format="srt" ili "vtt", SDK izravno vraća tekst datoteke s titlovima.

Vodič još nije odredio zamjenu za ove funkcije. Ako tvoj proizvod ovisi o vremenskim oznakama ili titlovima, isplaniraj rješenje prije 26. veljače 2027.

Duge datoteke

Za datoteke veće od 25 MB, komprimiraj zvuk ili ga podijeli. Dokumentacija preporučuje izbjegavanje rezanja usred rečenice, jer se time gubi kontekst, i sugerira knjižnicu pydub za dijeljenje (OpenAI ne jamči ovaj softver treće strane). Proslijeđivanje kraja prethodnog dijela u prompt pomaže modelu održati kontinuitet, što je upotreba parametra navedena u vodiču:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transkribira dugu snimku u dijelovima od 10 minuta."""
    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 {}  # kontinuitet
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Dijeljenje fiksnog trajanja ponekad prereže rečenicu napola: za uglađen rezultat, dijeli na tišini umjesto toga.

Ključne točke

  • gpt-transcribe je preporučeni model za transkripciju datoteka; whisper-1 i gpt-4o-*-transcribe ukidaju se 26. veljače 2027.
  • prompt, keywords i languages (više ne language) usmjeravaju prepoznavanje pojmova i jezika
  • stream=True vraća transkripciju u hodu (transcript.text.delta), bez Realtime sesije
  • Vremenske oznake, verbose_json, SRT i VTT postoje samo uz whisper-1 do njegovog ukidanja; čitaj segmente kao objekte (segment.start)
  • Maksimalno 25 MB po datoteci: komprimiraj ili podijeli, po mogućnosti na tišini