Támogatott formátumok és nyelvek
Ezen az oldalon
Frissítés: 2026. november 2. – Hangmodellek. A tanfolyam számos modellje elavult: a
tts-1,tts-1-hdés agpt-4o-mini-ttsleállítása 2027. január 6-án esedékes (a javasolt utód agpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint a/v1/audio/speechnem támogat: a beszédszintézis migrációja a Realtime API felé történik); agpt-realtime,gpt-4o-realtimeés a legacy hangmodellek leállítása 2027. január 20-án történik (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); awhisper-1, agpt-4o-transcribeés a/v1/audio/translationsleállítása 2027. február 26-án várható (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). A teljes duplex hangalapú kommunikációhoz a GPT-Live 1 már 2026. szeptember 10. óta elérhető az API-ban. A leckét 2026. november 3-án javítottuk: a példák frissültek awhisper-1-ről agpt-transcribe-re (alanguagesparaméter használatával), a Whisper által támogatott nyelvek száma korrigálva (98, nem „több mint 50“, a File transcription útmutató szerint), a kétlépcsős többnyelvű módszert felváltotta agpt-transcribenyelvi tippjei, az árazási adatok forrással ellátva. Források: File transcription · GPT-Transcribe · Create transcription.
Támogatott formátumok és nyelvek
Az OpenAI átírási modelljei széles körű hangformátumokat fogadnak el, és tucatnyi nyelvet támogatnak. A megfelelő bemeneti formátum kiválasztása és a nyelv helyes konfigurálása közvetlenül befolyásolja az átírás minőségét és költségeit. Ez a lecke részletezi a rendelkezésre álló lehetőségeket és a legjobb gyakorlatokat.
Támogatott hangformátumok
Az API referenciája szerint az átírási végpont elfogadja a flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav és webm formátumokat, feltéve, hogy a fájlnév tartalmazza a helyes kiterjesztést. A leggyakoribbak:
| Formátum | Kiterjesztés | Tömörítés | Ajánlott használat |
|---|---|---|---|
| MP3 | .mp3 | Veszteséges, jó arány | Podcastok, hangfelvételek |
| MP4 / M4A | .mp4, .m4a | AAC veszteséges | Videók, mobilfelvételek |
| WAV | .wav | Tömörítetlen | Stúdiófelvételek |
| WebM | .webm | Opus veszteséges | Böngészőből rögzített hangok |
| FLAC | .flac | Veszteségmentes | Maximális minőség veszteség nélkül |
| OGG | .ogg | Vorbis/Opus | Nyílt forráskódú alkalmazások |
A maximális fájlméret 25 MB. Egy 128 kbps-es MP3 esetén ez körülbelül 25 perc hanganyagnak felel meg. Tömörítetlen WAV esetén ez jelentősen kevesebb.
Fájlméret optimalizálása
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Hangfájl átalakítása könnyű súlyú MP3-ba, ami beszédhez elegendő."""
audio = AudioSegment.from_file(input_path)
# Átalakítás monó 16 kHz-re (beszédhez elegendő)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Exportálás 64 kbps-os MP3-ként (jó minőség/méret kompromisszum hanghoz)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Támogatott nyelvek
A whisper-1 98 nyelvet fed le, ahol a pontosság nyelvenként változik. A gpt-transcribe automatikusan észleli a nyelvet; ha tudod, mely nyelvekre számítsz, add meg őket a languages paraméterben: ISO 639-1 kódok (fr, en, es…), egyes ISO 639-3 kódok (eng, spa, yue, cmn), valamint regionális kínai variánsok (zh-cn, zh-tw, zh-hk). Egy nem támogatott vagy hibás kód a kérés meghiúsulását okozza.
# Automatikus észlelés (alapértelmezett)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # elegendő megbízhatósággal felismert nyelvek
# Várt nyelvek
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
A languages egy lista, amely kifejezetten a gpt-transcribe modellre jellemző; a régebbi modellek egyetlen nyelvet fogadnak el a language paraméterben. Soha ne küldj egyszerre mindkettőt.
Gyakori európai nyelvek
Európában a leggyakrabban használt ISO 639-1 kódok:
EUROPEAN_LANGUAGES = {
"fr": "French",
"en": "English",
"de": "German",
"es": "Spanish",
"it": "Italian",
"pt": "Portuguese",
"nl": "Dutch",
"pl": "Polish",
"ro": "Romanian",
"sv": "Swedish",
"da": "Danish",
"fi": "Finnish",
"el": "Greek",
"cs": "Czech",
"hu": "Hungarian",
"bg": "Bulgarian",
"hr": "Croatian",
"sk": "Slovak",
"sl": "Slovenian",
"et": "Estonian",
"lv": "Latvian",
"lt": "Lithuanian",
}
Többnyelvű tartalom kezelése
Egy nemzetközi találkozón a nyelvek váltakoznak. A gpt-transcribe erre az esetre készült: a modell leírása említi a több nyelvi tipp, a többnyelvű hanganyag és a mondaton belüli nyelvváltás (code-switching) támogatását. Add meg az összes várt nyelvet egyetlen lépésben:
with open("international-meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=["fr", "en", "de"],
)
print(result.text)
print("Recognized languages:", result.languages)
A régi kétlépcsős módszer, amely a whisper-1 segítségével verbose_json módban észlelte a domináns nyelvet, majd kényszerítette ezt a nyelvet az újbóli átírás során, már nem szükséges: ez egyetlen nyelvet kényszerített ki a teljes felvételre, és a whisper-1 leállítása 2027. február 26-án esedékes.
Árazás
Az átírás számlázása a feldolgozott hanganyag időtartama alapján történik: percenként 0,0045 USD a gpt-transcribe esetén, a modell leírása szerint (2026. november). A fájlformátum tehát nem befolyásolja a költséget: csak az időtartam számít.
A nagy mennyiségeknél jelentkező költségek csökkentése érdekében:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Csendes szakaszok eltávolítása a számlázott időtartam csökkentésére."""
audio = AudioSegment.from_file(file_path)
# 1 másodpercnél hosszabb csendek eltávolítása
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # 200 ms csend megtartása az olvashatóság érdekében
)
if not chunks:
return file_path
combined = chunks[0]
for chunk in chunks[1:]:
combined += chunk
output_path = "/tmp/optimized_audio.mp3"
combined.export(output_path, format="mp3", bitrate="64k")
return output_path
Főbb megállapítások
- Az átírási végpont elfogadja a FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV és WebM formátumokat, fájlonkénti 25 MB-os korláttal
- A
gpt-transcribeesetén alanguageslista határozza meg a várt nyelveket; a válasz tartalmazza a felismert nyelveket - A 64 kbps-es, 16 kHz-es monó MP3 kínálja a legjobb minőség/méret kompromisszumot beszédhez
- A számlázás hangpercenként történik: a csendes szakaszok eltávolítása csökkenti a költségeket
- Többnyelvű tartalom esetén a
languagesparaméterben megadott összes várt nyelvvel végzett egyetlen lépés felváltja a régi kétlépcsős módszert