Optimiziraj kvalitetu transkripcije
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Zvučni modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsprestat će raditi 6. siječnja 2027. (navedena zamjena jegpt-realtime-2.1-mini, za koju OpenAI vodič za TTS navodi da nije podržana od strane/v1/audio/speech: migracija sinteze glasa prelazi na Realtime API);gpt-realtime,gpt-4o-realtimei stariji zvučni 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 ažurirana 3. studenoga 2026.: primjeri prebačeni nagpt-transcribe(prompt,keywords,languages), model koji preporučuje OpenAI; temperatura 0 nije izbor „uvijek najvjerojatnije“: prema referenci API-ja, model tada sam prilagođava temperaturu u koracima. Izvori: Transkripcija datoteke · Stvori transkripciju.
Optimiziraj kvalitetu transkripcije
Whisper prema zadanim postavkama proizvodi izvrsne transkripcije, no nekoliko tehnika može značajno poboljšati kvalitetu, posebno u teškim slučajevima: buka u pozadini, regionalni naglasci, tehnički rječnik i vlastita imena. Ova lekcija pokriva napredne parametre i strategije postobrade.
Parametar prompt
Kontekst je tvoja glavna poluga za poboljšanje kvalitete. S gpt-transcribe, modelom koji preporučuje OpenAI, kontekst se prosljeđuje kroz tri parametra: prompt (rečenica konteksta na jeziku zvuka), keywords (pojmovi koje treba prepoznati) i languages (očekivani jezici).
# Bez konteksta, nazivi proizvoda riskiraju pogrešnu transkripciju
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# S kontekstom i ključnim riječima
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Tehnički sastanak Corsen AI-ja o glasovnim agentima.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Najbolje prakse za prompt
- Navedi vlastita imena: ljudi, tvrtke, proizvodi
- Uključi tehnički žargon: akronime, termine specifične za domenu
- Odredi očekivani stil: interpunkciju, velika i mala slova
- S
whisper-1, sve prolazi kroz jedanprompt, ograničen na 224 tokena: vodič navodi da Whisper ne slijedi upute kao tekstualni model, stoga je korist jednostavnog nabrajanja ispravnih pravopisa - S
gpt-transcribe, stavi termine ukeywords, po jedan po unosu, bez<,>ili prijeloma retka, inače API odbija zahtjev
def build_transcription_prompt(context: dict) -> str:
"""Gradi kontekstni prompt za transkripciju."""
parts = []
if context.get("speakers"):
parts.append(", ".join(context["speakers"]))
if context.get("technical_terms"):
parts.append(", ".join(context["technical_terms"]))
if context.get("topic"):
parts.append(context["topic"])
return ". ".join(parts)
prompt = build_transcription_prompt({
"speakers": ["Mordehai Attia", "Yoram Halberstam"],
"technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
"topic": "Tehnički sastanak o glasovnim agentima"
})
Parametar temperature
Krajnja točka prihvaća temperature između 0 i 1, s zadanim vrijednostima 0. Suprotno čestoj zabludi, vrijednost 0 ne znači „uvijek najvjerojatnija riječ“: prema referenci API-ja, model se tada oslanja na svoje vjerojatnosti tokena kako bi sam podigao temperaturu u koracima, do određenih pragova.
U praksi, ostavi zadanu vrijednost. Dokumentacija za gpt-transcribe naglašava kontekst (prompt, keywords, languages), a ne temperaturu; na whisper-1, nešto viša temperatura (npr. 0,2) može se testirati na degradiranom zvuku od slučaja do slučaja.
Predobrada zvuka
Kvaliteta ulaznog zvuka najodlučniji je faktor. Uloži u predobradu:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Predobrađuje zvuk za optimalnu transkripciju."""
audio = AudioSegment.from_file(input_path)
# 1. Pretvori u mono (stereo ne dodaje ništa za glas)
audio = audio.set_channels(1)
# 2. Ponovno uzorkuj na 16 kHz (dovoljno za Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normaliziraj glasnoću
audio = normalize(audio)
# 4. Kompresiraj dinamički raspon (smanjuje razliku između glasnog i tihog)
audio = compress_dynamic_range(audio)
# 5. Izvezi kao MP3 od 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Smanjenje buke
Za snimke s puno buke, predobrada s noisereduce značajno poboljšava rezultate:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Smanjuje buku u pozadini prije transkripcije."""
data, rate = sf.read(input_path)
# Adaptivno smanjenje buke
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% smanjenja buke
stationary=False # Nestacionarna buka (npr. kafić)
)
sf.write(output_path, reduced, rate)
return output_path
Postobrada transkripcije
Čak i uz dobru predobradu, sirova transkripcija može zahtijevati ispravke. Koristi GPT za postobradu:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Ispravlja i formatira Whisper transkripciju."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Ti si ispravljač transkripcija. "
"Ispravi očite Whisperove pogreške bez mijenjanja značenja. "
"Dodaj nedostajuću interpunkciju. "
"Popravi velika i mala slova za vlastita imena i akronime. "
"Ne sažimaj niti preformuliraj."
)},
{"role": "user", "content": (
f"Kontekst: {context}\n\n"
f"Sirova transkripcija:\n{raw_text}"
)}
]
)
return response.output_text
Potpuni pipeline transkripcije
Spoji sve korake u robustan pipeline:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Potpuni pipeline visokokvalitetne transkripcije."""
# 1. Predobrada
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Izgradi kontekst: samo popunjeni parametri
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transkripcija
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Postobrada
context = f"Jezik: {language}, Govornici: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Ključne točke
- Kontekst je najučinkovitija poluga:
prompt,keywordsilanguagessgpt-transcribe; jedanprompt, ograničen na 224 tokena, swhisper-1 temperatureima zadanu vrijednost 0, a na 0 model sam prilagođava temperaturu ako je potrebno: ostavi zadanu vrijednost- Predobrada zvuka (mono, 16 kHz, normalizacija, uklanjanje buke) poboljšava kvalitetu više od bilo kojeg API parametra
- GPT postobrada ispravlja interpunkciju, velika i mala slova te preostale pogreške
- Potpuni pipeline kombinira predobradu, kontekstno promptanje i postobradu za maksimalnu kvalitetu