Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Optimiziraj kvalitetu transkripcije

Lekcija 9 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Optimiziraj kvalitetu transkripcije
  2. Parametar prompt
  3. Parametar temperature
  4. Predobrada zvuka
  5. Postobrada transkripcije
  6. Potpuni pipeline transkripcije
  7. Ključne točke

Ažuriranje 2. studenoga 2026. — Zvučni modeli. Nekoliko modela u ovom tečaju je zastarjelo: tts-1, tts-1-hd i gpt-4o-mini-tts prestat će raditi 6. siječnja 2027. (navedena zamjena je gpt-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-realtime i stariji zvučni 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 ažurirana 3. studenoga 2026.: primjeri prebačeni na gpt-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 jedan prompt, 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 u keywords, 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, keywords i languages s gpt-transcribe; jedan prompt, ograničen na 224 tokena, s whisper-1
  • temperature ima 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