Prijevod u stvarnom vremenu
Na ovoj stranici
Lekcija je ponovno napisana 3. studenoga 2026. Prethodno se oslanjala na krajnju točku
/v1/audio/translationsi modelwhisper-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 pomoćugpt-transcribe, nakon čega slijedi tekstualni prijevod; za govor uživo, namjensku sesiju prijevoda sgpt-realtime-translate. Kod je verificiran s SDK-omopenaiverzije 3.42.1 i knjižnicomwebsocket-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:
| Potreba | Alat od studenoga 2026. | Rezultat |
|---|---|---|
| Snimka za prijevod (sastanak, podcast, arhivirani poziv) | gpt-transcribe za transkripciju na izvornom jeziku, zatim tekstualni model za prijevod | Prevedeni tekst na tvojem ciljanom jeziku |
| Govor uživo za simultano prevođenje (poziv, konferencija, nastava) | Sesija prijevoda u stvarnom vremenu s gpt-realtime-translate | Prevedeni zvuk i transkripti, generirani dok se govor odvija |
Stari put: /v1/audio/translations s whisper-1 | Zastarjelo, 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 agenta | Sesija prijevoda |
|---|---|
Spaja se na /v1/realtime | Spaja se na /v1/realtime/translations |
| Model djeluje kao asistent | Model djeluje kao prevoditelj |
Ciklus razgovora i odgovora (response.create) | Kontinuirani stream iz dolaznog zvuka, bez response.create |
| Može pozivati alate | Proizvodi 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/translationsiwhisper-1ukinuti su 26. veljače 2027. bez izravne zamjene: promjena modela nije dovoljna- Za snimku:
gpt-transcribena 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, bezresponse.create - WebRTC u pregledniku s tajnom klijenta koju stvara poslužitelj; WebSocket na strani poslužitelja sa 16-bitnim PCM zvukom na 24 kHz