Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Támogatott formátumok és nyelvek

7. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Támogatott formátumok és nyelvek
  2. Támogatott hangformátumok
  3. Támogatott nyelvek
  4. Többnyelvű tartalom kezelése
  5. Árazás
  6. Főbb megállapítások

Frissítés: 2026. november 2. – Hangmodellek. A tanfolyam számos modellje elavult: a tts-1, tts-1-hd és a gpt-4o-mini-tts leállítása 2027. január 6-án esedékes (a javasolt utód a gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint a /v1/audio/speech nem támogat: a beszédszintézis migrációja a Realtime API felé történik); a gpt-realtime, gpt-4o-realtime és a legacy hangmodellek leállítása 2027. január 20-án történik (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); a whisper-1, a gpt-4o-transcribe és a /v1/audio/translations leállítása 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 a whisper-1-ről a gpt-transcribe-re (a languages paraméter használatával), a Whisper által támogatott nyelvek száma korrigálva (98, nem „több mint 50“, a File transcription útmutató szerint), a kétlépcsős többnyelvű módszert felváltotta a gpt-transcribe nyelvi 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-transcribe esetén a languages lista 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 languages paraméterben megadott összes várt nyelvvel végzett egyetlen lépés felváltja a régi kétlépcsős módszert