Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hangfájl átírása: gpt-transcribe és Whisper

6. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Felvétel átírása
  2. Melyik modellt válaszd 2026 novemberében?
  3. Az első átírás
  4. Kontextus biztosítása a modell számára
  5. Az átírás követése valós időben
  6. Időbélyegek és feliratok: whisper-1, 2027. február 26-ig
  7. Hosszú fájlok
  8. Főbb megállapítások

A leckét 2026. november 3-án írtuk át. Ez az útmutató korábban a whisper-1 modellt tárgyalta, amely elavult, és 2027. február 26-án megszűnik. Az OpenAI Fájlátírás (File transcription) útmutatója jelenleg a gpt-transcribe használatát javasolja. Ugyanakkor a gpt-transcribe nem szolgáltat időbélyegeket, SRT vagy VTT feliratokat, illetve verbose_json választ. Ezekre az egyedi igényekre a whisper-1 marad az egyetlen lehetőség a kivezetéséig. A korábbi kód szótárakként kezelte a szegmenseket (segment["start"]), ami TypeError hibát okoz a Python SDK-ban; ezek objektumok (segment.start). Minden hívást ellenőriztünk az openai SDK 3.42.1 verziójával. Források: Fájlátírás · Átírás létrehozása · GPT-Transcribe · Elavult funkciók.

Felvétel átírása

A fájlátírás a leggyakoribb esetet fedi le: van egy kész felvételed (értekezlet, podcast, hangüzenet), és szükséged van a szövegre. Elküldöd a fájlt a /v1/audio/transcriptions végpontra, és megkapod az átírást. A még beérkező hanganyagok esetén, mint például egy mikrofonból vagy hívásból származó adatfolyam, a helyes megközelítés az élő átírás a Realtime API-n keresztül, amiről később ejtünk szót ebben a tanfolyamban.

A fájlnak legfeljebb 25 MB-osnak kell lennie, és az alábbi formátumok egyikében: mp3, mp4, mpeg, mpga, m4a, wav vagy webm.

Melyik modellt válaszd 2026 novemberében?

ModellÁllapotFőbb jellemzők
gpt-transcribeAjánlottKontextus (prompt), kulcsszavak (keywords), várt nyelvek (languages), streaming átírás; 0,0045 USD/perc
whisper-1Elavult, kivezetés: 2027. február 26.Az egyetlen modell, amely időbélyegeket, verbose_json-t, SRT és VTT feliratokat, valamint angolra fordítást biztosít
gpt-4o-transcribe, gpt-4o-mini-transcribeElavult, kivezetés: 2027. február 26.A gpt-transcribe váltotta fel
gpt-4o-transcribe-diarizeElavult, kivezetés: 2027. február 26.Hangszóró-azonosítás (diarized_json)

Az első átírás

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Alapértelmezés szerint a válasz egy JSON objektum: a transcription.text tartalmazza a szöveget, a transcription.languages pedig felsorolja azokat a nyelveket, amelyeket a modell megfelelő megbízhatósággal felismert (üres lista, ha nem tudott azonosítani egyet sem).

Kontextus biztosítása a modell számára

Egy értekezletről készült felvétel tele van tulajdonnevekkel, mozaikszavakkal és belső kifejezésekkel, amelyeket a modellnek nincs oka ismernie. A gpt-transcribe három olyan tippet fogad el, amelyeket kombinálhatsz:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Vezetőségi értekezlet a Corsen AI projektről és az AC-42 szerződésről.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • A prompt egyetlen mondatban írja le a kontextust, a felvétel nyelvén. Ez nem rendszerutasítás; csupán egy tipp, amely irányítja a felismerést.
  • A keywords a felismerendő kifejezések listája. Minden elemhez írj be egy kulcsszót, <, > jelek vagy sortörések nélkül: az API elutasítja a teljes kérést, ha ilyet talál.
  • A languages az ISO 639-1 kódok (fr, en, es…) segítségével adja meg a várt nyelveket. Kiváltja a régebbi modellek language paraméterét: soha ne küldd el mindkettőt egyszerre.

Az átírás követése valós időben

Hosszú fájlok esetén nem kell megvárnod a végét ahhoz, hogy megjelenítsd az elejét. A stream=True beállítással az API eseményeket küld vissza a feldolgozás során, anélkül, hogy Realtime munkamenetre lenne szükség:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # teljes átírás az event.text mezőben

Időbélyegek és feliratok: whisper-1, 2027. február 26-ig

Az OpenAI útmutatója kifejezetten leszögezi: a szavankénti időbélyegekre, feliratokra és hangszóró-azonosításra vonatkozó példái elavult modelleken alapulnak. Ha szükséged van ezekre a funkciókra, a whisper-1 még elérhető 2027. február 26-ig, és ez az egyetlen modell, amely elfogadja a verbose_json és timestamp_granularities paramétereket:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

A szegmensek SDK objektumok: a segment.start attribútumot olvasd, ne a segment["start"] kulcsot. A timestamp_granularities=["word"] beállítással szavankénti időbélyegek jelennek meg a transcription.words mezőben, ami kissé nagyobb késleltetéssel jár. Ugyanez a modell közvetlenül használható feliratfájlokat is előállít: ha a response_format értéke "srt" vagy "vtt", az SDK közvetlenül visszaadja a feliratfájl szövegét.

Az útmutató még nem jelölt ki helyettesítőt ezekhez a funkciókhoz. Ha a terméked függ az időbélyegektől vagy a feliratoktól, tervezz meg egy megoldást 2027. február 26. előtt.

Hosszú fájlok

A 25 MB-nál nagyobb fájlok esetén tömörítsd a hangot, vagy vágd darabokra. A dokumentáció javasolja, hogy kerüld a vágást mondatok közepén, mivel ez kontextusvesztéssel jár, és a pydub könyvtárat ajánlja a daraboláshoz (az OpenAI nem garantálja ezt a harmadik féltől származó szoftvert). Ha az előző darab végét átadod a prompt paraméterben, az segít a modellnek a folyamatosság fenntartásában; ez a paraméterhasználat az útmutatóban is szerepel:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Hosszú felvétel átírása 10 perces darabokban."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # folyamatosság
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

A fix időtartamú darabolás néha félbevág egy mondatot: a csiszolt eredmény érdekében inkább csend alapján végezd a vágást.

Főbb megállapítások

  • A gpt-transcribe az ajánlott modell fájlátírásra; a whisper-1 és a gpt-4o-*-transcribe modellek kivezetése 2027. február 26-án esedékes
  • A prompt, keywords és languages (már nem language) paraméterek irányítják a kifejezések és nyelvek felismerését
  • A stream=True beállítás valós időben adja vissza az átírást (transcript.text.delta), Realtime munkamenet nélkül
  • Időbélyegek, verbose_json, SRT és VTT formátumok csak a whisper-1 modellel érhetők el annak kivezetéséig; a szegmenseket objektumként kezeld (segment.start)
  • Fájlonként maximum 25 MB: tömöríts vagy darabolj, lehetőleg csend alapján