Transkripcija zvučne datoteke: gpt-transcribe i Whisper
Na ovoj stranici
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 preporučujegpt-transcribe. Međutim,gpt-transcribene pruža vremenske oznake, titlove u formatu SRT ili VTT, niti odgovorverbose_json. Za te specifične potrebe,whisper-1ostaje jedina opcija do njegovog ukidanja. Kod je prethodno pristupao segmentima kao rječnicima (segment["start"]), što s Python SDK-om izazivaTypeError; oni su objekti (segment.start). Svaki poziv verificiran je sopenaiSDK 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.
| Model | Status | Ključne točke |
|---|---|---|
gpt-transcribe | Preporučeno | Kontekst (prompt), ključne riječi (keywords), očekivani jezici (languages), strujna transkripcija; 0,0045 USD po minuti |
whisper-1 | Zastario, 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-transcribe | Zastario, ukidanje 26. veljače 2027. | Zamijenjeno s gpt-transcribe |
gpt-4o-transcribe-diarize | Zastario, 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)
promptopisuje kontekst u jednoj rečenici, na jeziku snimke. To nije sistemska instrukcija; to je naznaka koja usmjerava prepoznavanje.keywordsnavodi pojmove koje treba prepoznati. Unesi jednu ključnu riječ po stavci, bez<,>ili prijeloma retka: API odbija cijeli zahtjev ako pronađe bilo što od toga.languagesspecificira očekivane jezike koristeći ISO 639-1 kodove (fr,en,es…). Zamjenjuje parametarlanguageiz 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-transcribeje preporučeni model za transkripciju datoteka;whisper-1igpt-4o-*-transcribeukidaju se 26. veljače 2027.prompt,keywordsilanguages(više nelanguage) usmjeravaju prepoznavanje pojmova i jezikastream=Truevraća transkripciju u hodu (transcript.text.delta), bez Realtime sesije- Vremenske oznake,
verbose_json, SRT i VTT postoje samo uzwhisper-1do njegovog ukidanja; čitaj segmente kao objekte (segment.start) - Maksimalno 25 MB po datoteci: komprimiraj ili podijeli, po mogućnosti na tišini