Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Automatikus fordítás

8. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Két igény, két eszköz
  2. Felvétel fordítása
  3. Élő beszéd tolmácsolása
  4. Főbb megállapítások

A leckét 2026. november 3-án írtuk át. Korábban a /v1/audio/translations végpontra és a whisper-1 modellre támaszkodott; mindkettőt 2027. február 26-án elavulttá nyilvánították és megszüntették, akárcsak a tolmácsként újrafelhasznált valós idejű asszisztens munkameneteket. Az OpenAI most két utat kínál: felvételek esetén az eredeti nyelvű átírást a gpt-transcribe végzi, ezt követi a szöveg fordítása; élő beszéd esetén egy dedikált fordítási munkamenet áll rendelkezésre a gpt-realtime-translate modellel. A kódot az openai SDK 3.42.1-es verziójával és a websocket-client könyvtárral ellenőriztük. Források: Fájl átírása · Valós idejű fordítás · Elavulások.

Két igény, két eszköz

A hanganyagok fordítása két nagyon eltérő forgatókönyvet fed le, és az OpenAI ezeket különböző eszközökkel kezeli:

IgényEszköz 2026 novembere ótaEredmény
Egy felvétel lefordítása (értekezlet, podcast, archivált hívás)gpt-transcribe az eredeti nyelvű átíráshoz, majd egy szöveges modell a fordításhozLefordított szöveg a célnyelven
Élő beszéd tolmácsolása (hívás, konferencia, óra)Fordítási munkamenet a gpt-realtime-translate modellelLefordított hang és átiratok, amelyek a beszéd közben készülnek
Örökölt út: /v1/audio/translations a whisper-1 modellelElavult, megszüntetve 2027. február 26-ánCsak angol szöveg

Az OpenAI útmutatója egy pontra helyezi a hangsúlyt: pusztán a modellazonosító megváltoztatása egy /v1/audio/translations kérésben nem jelent migrációt. A régi végpont, amely csak angolra tudott fordítani, nem rendelkezik közvetlen utóddal.

Felvétel fordítása

Ez a módszer először hűen átírja a hanganyagot a beszélt nyelven, majd lefordítja a szöveget. Bármely célnyelven működik – ellentétben a régi végponttal, amely csak angolt állított elő –, és mindkét szöveget a rendelkezésedre bocsátja, ami hasznos az ellenőrzéshez:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Átír egy felvételt az eredeti nyelvén, majd lefordítja a szöveget."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Fordítsd le a felhasználó által megadott szöveget {target_language} nyelvre. "
            "Tartsd meg a hangnemet és a stílust. Csak a fordítással válaszolj."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Két választás magyarázatra szorul. A fordítási utasítás az instructions mezőbe kerül, míg az átírás nyers adatként érkezik az input mezőbe: egy felvétel bármit tartalmazhat, még egy parancsnak tűnő mondatot is, és nem szabad, hogy módosíthassa az utasítást. A gpt-6-luna modellt az OpenAI nagy léptékű, költséghatékony feldolgozáshoz ajánlja; érzékeny jogi vagy műszaki szövegek esetén válassz fejlettebb modellt, például a gpt-6.1-sol modellt.

Élő beszéd tolmácsolása

Ha beszéd közben szeretnél fordítani, az OpenAI egy speciális típusú valós idejű munkamenetet kínál. Az útmutató egyértelműen megkülönbözteti ezt a hangalapú ügynök munkamenettől:

Hangalapú ügynök munkamenetFordítási munkamenet
Kapcsolódás a /v1/realtime végponthozKapcsolódás a /v1/realtime/translations végponthoz
A modell asszisztensként viselkedikA modell tolmácsként viselkedik
Beszélgetés és válasz ciklus (response.create)Folyamatos adatfolyam a bejövő hangból, nincs response.create
Eszközöket hívhat megLefordított hangot és átiratokat állít elő

A szállítási mód attól függ, hol érkezik a hang. Böngészőben a WebRTC küldi a mikrofonbemenetet, és hangsávokként fogadja a lefordított hangot; a szervered egy rövid életű kliens titkot hoz létre ehhez a /v1/realtime/translations/client_secrets végponton keresztül, így az API-kulcsod soha nem hagyja el a szervert. Szerveroldalon, amikor a hang már nyersen érkezik (telefonhívás, rögzítés), egy WebSocket-kapcsolat elegendő:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # a felhasználód hashelt azonosítója
    ],
)

# A tolmács kimeneti nyelve
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Hozzáad egy forráshang-csomagot: 16 bites PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Miközben elküldöd a hangot (a csendeket is beleértve), a munkamenet eseményeket küld vissza, amelyeket menet közben kell feldolgoznod: a session.output_audio.delta base64 kódolású lefordított hangot tartalmaz, a session.output_transcript.delta a lefordított szöveget, a session.input_transcript.delta pedig az eredeti átiratát. Amikor a forrás leáll, küldd el a session.close üzenetet: a szolgáltatás befejezi az aktuális fordítást, majd a session.closed választ küldi.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Fordítási hiba: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Ne hanyagold el az error eseményt: egy elutasított kulcs nem szakítja meg magát a kapcsolatot; ez közvetlenül utána érkezik meg egy error eseményként, invalid_api_key kóddal (megfigyelve 2026. november 3-án). Éles környezetben a fogadás párhuzamosan fut a küldéssel, egy külön szálban vagy feladatban, és a lefordított hang a lejátszóhoz vagy a telefonvonalhoz kerül, ahogy megérkezik: a hivatalos útmutató egy teljes verziót tartalmaz, beleértve a hanglejátszást is.

Főbb megállapítások

  • A /v1/audio/translations és a whisper-1 2027. február 26-án leáll, közvetlen utód nélkül: a modell cseréje nem elegendő
  • Felvétel esetén: gpt-transcribe az eredeti nyelven, majd szöveges modelllel végzett fordítás bármely nyelvre
  • Tartsd a fordítási utasítást az instructions mezőben, az átírást pedig nyers adatként
  • Élő beszéd esetén: fordítási munkamenet (/v1/realtime/translations, gpt-realtime-translate), amely tolmácsként működik, response.create nélkül
  • WebRTC a böngészőben, a szerver által létrehozott kliens titokkal; WebSocket szerveroldalon, 24 kHz-es, 16 bites PCM hanggal