Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Prijevod u stvarnom vremenu

Lekcija 8 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Dvije potrebe, dva alata
  2. Prijevod snimke
  3. Simultano prevođenje govora uživo
  4. Ključne točke

Lekcija je ponovno napisana 3. studenoga 2026. Prethodno se oslanjala na krajnju točku /v1/audio/translations i model whisper-1, koji su oba zastarjela i ukinuta 26. veljače 2027., kao i na sesiju asistenta u stvarnom vremenu prilagođenu za ulogu prevoditelja. OpenAI sada nudi dva puta: za snimke, transkripciju na izvornom jeziku pomoću gpt-transcribe, nakon čega slijedi tekstualni prijevod; za govor uživo, namjensku sesiju prijevoda s gpt-realtime-translate. Kod je verificiran s SDK-om openai verzije 3.42.1 i knjižnicom websocket-client. Izvori: Transkripcija datoteka · Prijevod u stvarnom vremenu · Zastarjele funkcije.

Dvije potrebe, dva alata

Prijevod zvuka pokriva dva vrlo različita scenarija, a OpenAI ih obrađuje različitim alatima:

PotrebaAlat od studenoga 2026.Rezultat
Snimka za prijevod (sastanak, podcast, arhivirani poziv)gpt-transcribe za transkripciju na izvornom jeziku, zatim tekstualni model za prijevodPrevedeni tekst na tvojem ciljanom jeziku
Govor uživo za simultano prevođenje (poziv, konferencija, nastava)Sesija prijevoda u stvarnom vremenu s gpt-realtime-translatePrevedeni zvuk i transkripti, generirani dok se govor odvija
Stari put: /v1/audio/translations s whisper-1Zastarjelo, ukinuto 26. veljače 2027.Samo tekst na engleskom

OpenAI-jev vodič naglašava jednu ključnu točku: sama promjena ID-a modela u zahtjevu za /v1/audio/translations ne migrira ništa. Stara krajnja točka, koja je mogla prevoditi samo na engleski, nema izravnu zamjenu.

Prijevod snimke

Ova metoda prvo vjerno transkribira govor na izvornom jeziku, a zatim prevodi tekst. Djeluje za bilo koji ciljni jezik – za razliku od stare krajnje točke koja je proizvodila samo engleski – i daje ti oba teksta, što je korisno za provjeru:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transkribira snimku na njezinom izvornom jeziku, a zatim prevodi tekst."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Prevedi tekst koji je korisnik dostavio na {target_language}. "
            "Zadrži ton i stil. Odgovori isključivo prijevodom."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "njemački")
print(result["translation"])

Dva izbora zaslužuju objašnjenje. Uputa za prijevod ide u instructions, dok transkripcija stiže kao obični podaci u input: snimka može sadržavati bilo što, uključujući rečenicu koja izgleda kao naredba, i ne smije imati mogućnost modificiranja upute. Model gpt-6-luna je ono što OpenAI preporučuje za obradu velikog opsega osjetljivu na troškove; za osjetljive pravne ili tehničke tekstove odaberi sposobniji model, poput gpt-6.1-sol.

Simultano prevođenje govora uživo

Za prijevod dok netko govori, OpenAI nudi posebnu vrstu sesije u stvarnom vremenu. Vodič je jasno razlikuje od sesije glasovnog agenta:

Sesija glasovnog agentaSesija prijevoda
Spaja se na /v1/realtimeSpaja se na /v1/realtime/translations
Model djeluje kao asistentModel djeluje kao prevoditelj
Ciklus razgovora i odgovora (response.create)Kontinuirani stream iz dolaznog zvuka, bez response.create
Može pozivati alateProizvodi prevedeni zvuk i transkripte

Transport ovisi o tome gdje zvuk stiže. U pregledniku, WebRTC šalje ulaz s mikrofona i prima prevedeni glas kao audio zapise; tvoj poslužitelj stvara kratkotrajnu tajnu klijenta za ovo putem /v1/realtime/translations/client_secrets, tako da tvoj API ključ nikada ne napušta poslužitelj. Na strani poslužitelja, kada zvuk već stiže sirov (telefonski stream, snimanje), WebSocket veza je dovoljna:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashirani identifikator tvog korisnika
    ],
)

# Izlazni jezik prevoditelja
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Dodaje dio izvornog zvuka: 16-bitni PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Dok šalješ zvuk, uključujući tišine, sesija vraća događaje za obradu u stvarnom vremenu: session.output_audio.delta nosi prevedeni zvuk u base64 formatu, session.output_transcript.delta prevedeni tekst, a session.input_transcript.delta transkripciju izvornika. Kada izvor prestane, pošalji session.close: usluga završava trenutni prijevod, a zatim odgovara s session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Pogreška prijevoda: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Nemoj zanemariti događaj error: odbijeni ključ ne uzrokuje neuspjeh same veze; on stiže neposredno nakon toga kao događaj error s kodom invalid_api_key (zabilježeno 3. studenoga 2026.). U proizvodnji, primanje se odvija paralelno sa slanjem, u zasebnoj niti ili zadatku, a prevedeni zvuk ide na player ili telefonsku liniju čim stigne: službeni vodič pruža potpunu verziju, uključujući reprodukciju zvuka.

Ključne točke

  • /v1/audio/translations i whisper-1 ukinuti su 26. veljače 2027. bez izravne zamjene: promjena modela nije dovoljna
  • Za snimku: gpt-transcribe na izvornom jeziku, zatim tekstualni prijevod tekstualnim modelom, na bilo koji jezik
  • Drži uputu za prijevod u instructions, a transkripciju kao obične podatke
  • Za govor uživo: sesija prijevoda (/v1/realtime/translations, gpt-realtime-translate), koja djeluje kao prevoditelj, bez response.create
  • WebRTC u pregledniku s tajnom klijenta koju stvara poslužitelj; WebSocket na strani poslužitelja sa 16-bitnim PCM zvukom na 24 kHz