Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Podržani formati i jezici

Lekcija 7 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Podržani formati i jezici
  2. Podržani audio formati
  3. Podržani jezici
  4. Rukovanje višejezičnim sadržajem
  5. Cijene
  6. Ključne točke

Ažuriranje 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo: tts-1, tts-1-hd i gpt-4o-mini-tts bit će ugašeni 6. siječnja 2027. (navedena zamjena je gpt-realtime-2.1-mini, za koju OpenAI TTS vodič navodi da nije podržana od strane /v1/audio/speech: migracija sinteze govora prelazi na Realtime API); gpt-realtime, gpt-4o-realtime i stariji audio modeli 20. siječnja 2027. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe i /v1/audio/translations 26. veljače 2027. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Za full-duplex glas, GPT-Live 1 dostupan je u API-ju od 10. rujna 2026. Lekcija ispravljena 3. studenoga 2026.: primjeri ažurirani s whisper-1 na gpt-transcribe (koristeći parametar languages), ispravljen broj jezika za Whisper (98, a ne „preko 50“, prema vodiču File transcription), dvostupanjska višejezična metoda zamijenjena je jezičnim naznakama za gpt-transcribe, izvori cijena dodani. Izvori: File transcription · GPT-Transcribe · Create transcription.

Podržani formati i jezici

OpenAI-jevi modeli za transkripciju prihvaćaju širok raspon audio formata i podržavaju desetke jezika. Odabir ispravnog ulaznog formata i pravilna konfiguracija jezika izravno utječu na kvalitetu transkripcije i troškove. Ova lekcija detaljno opisuje dostupne opcije i najbolje prakse.

Podržani audio formati

Prema referenci API-ja, krajnja točka za transkripciju prihvaća formate flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav i webm, pod uvjetom da naziv datoteke sadrži ispravnu ekstenziju. Najčešći su:

Format Ekstenzija Kompresija Preporučena upotreba
MP3 .mp3 Gubitna, dobar omjer Podcasti, glasovne snimke
MP4 / M4A .mp4, .m4a AAC gubitna Videozapisi, mobilne snimke
WAV .wav Nekompresirano Studijske snimke
WebM .webm Opus gubitna Snimke u pregledniku
FLAC .flac Bez gubitaka Maksimalna kvaliteta bez gubitaka
OGG .ogg Vorbis/Opus Aplikacije otvorenog koda

Maksimalna veličina datoteke iznosi 25 MB. Za MP3 pri 128 kbps, to je otprilike 25 minuta zvuka. Za nekompresirani WAV, to je znatno manje.

Optimizacija veličine datoteke

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Pretvara audio datoteku u lagani MP3, dovoljan za govor."""
    audio = AudioSegment.from_file(input_path)

    # Pretvori u mono 16kHz (dovoljno za govor)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Izvezi kao 64kbps MP3 (dobar kompromis kvalitete i veličine za glas)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Podržani jezici

whisper-1 pokriva 98 jezika, pri čemu točnost varira ovisno o jeziku. gpt-transcribe automatski detektira jezik; ako znaš koje jezike očekuješ, navedi ih u languages: ISO 639-1 kodovi (fr, en, es…), neki ISO 639-3 kodovi (eng, spa, yue, cmn) te regionalne varijante kineskog (zh-cn, zh-tw, zh-hk). Nepodržani ili neispravno formatiran kod uzrokovat će neuspjeh zahtjeva.

# Automatsko otkrivanje (zadano)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # jezici prepoznati s dovoljnom pouzdanošću

# Očekivani jezici
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages je lista, specifična za gpt-transcribe; stariji modeli prihvaćaju jedan jezik u language. Nikada ne šalji oba.

Uobičajeni europski jezici

Najčešće korišteni ISO 639-1 kodovi u Europi:

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",
}

Rukovanje višejezičnim sadržajem

Međunarodni sastanak prelazi s jednog jezika na drugi. gpt-transcribe dizajniran je upravo za ovaj slučaj: njegova kartica modela navodi podršku za više jezičnih naznaka, višejezični audio i prebacivanje kodova (code-switching) unutar jedne rečenice. Navedi sve očekivane jezike u jednom prolazu:

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)

Stara dvostupanjska metoda, koja je detektirala dominantni jezik s whisper-1 u načinu verbose_json, a zatim ponovno transkribirala prisiljavajući taj jezik, više nije potrebna: ona je nametala jedan jezik cijeloj snimci, a whisper-1 se gasi 26. veljače 2027.

Cijene

Transkripcija se naplaćuje prema trajanju obrađenog zvuka: 0,0045 USD po minuti s gpt-transcribe, prema njegovoj kartici modela (studeni 2026.). Format datoteke stoga ne utječe na trošak: bitno je samo trajanje.

Za smanjenje troškova kod velikih količina:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Uklanja tišinu kako bi se smanjilo naplaćivano trajanje."""
    audio = AudioSegment.from_file(file_path)

    # Ukloni tišine dulje od 1 sekunde
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Zadrži 200ms tišine radi čitljivosti
    )

    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

Ključne točke

  • Krajnja točka za transkripciju prihvaća FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM, s ograničenjem od 25 MB po datoteci
  • S gpt-transcribe, lista languages specificira očekivane jezike; odgovor vraća prepoznate jezike
  • Mono 16 kHz MP3 pri 64 kbps nudi najbolji kompromis kvalitete i veličine za glas
  • Naplata je po minuti zvuka: uklanjanje tišine smanjuje troškove
  • Za višejezični sadržaj, jedan prolaz sa svim očekivanim jezicima u languages zamjenjuje staru dvostupanjsku metodu