Podržani formati i jezici
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsbit će ugašeni 6. siječnja 2027. (navedena zamjena jegpt-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-realtimei stariji audio modeli 20. siječnja 2027. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribei/v1/audio/translations26. 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 swhisper-1nagpt-transcribe(koristeći parametarlanguages), ispravljen broj jezika za Whisper (98, a ne „preko 50“, prema vodiču File transcription), dvostupanjska višejezična metoda zamijenjena je jezičnim naznakama zagpt-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, listalanguagesspecificira 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
languageszamjenjuje staru dvostupanjsku metodu