Automatikus fordítás
A leckét 2026. november 3-án írtuk át. Korábban a
/v1/audio/translationsvégpontra és awhisper-1modellre 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 agpt-transcribevégzi, ezt követi a szöveg fordítása; élő beszéd esetén egy dedikált fordítási munkamenet áll rendelkezésre agpt-realtime-translatemodellel. A kódot azopenaiSDK 3.42.1-es verziójával és awebsocket-clientkönyvtárral 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:
| Igény | Eszköz 2026 novembere óta | Eredmény |
|---|---|---|
| Egy felvétel lefordítása (értekezlet, podcast, archivált hívás) | gpt-transcribe az eredeti nyelvű átíráshoz, majd egy szöveges modell a fordításhoz | Lefordított szöveg a célnyelven |
| Élő beszéd tolmácsolása (hívás, konferencia, óra) | Fordítási munkamenet a gpt-realtime-translate modellel | Lefordított hang és átiratok, amelyek a beszéd közben készülnek |
Örökölt út: /v1/audio/translations a whisper-1 modellel | Elavult, megszüntetve 2027. február 26-án | Csak 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 munkamenet | Fordítási munkamenet |
|---|---|
Kapcsolódás a /v1/realtime végponthoz | Kapcsolódás a /v1/realtime/translations végponthoz |
| A modell asszisztensként viselkedik | A modell tolmácsként viselkedik |
Beszélgetés és válasz ciklus (response.create) | Folyamatos adatfolyam a bejövő hangból, nincs response.create |
| Eszközöket hívhat meg | Lefordított 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/translationsés awhisper-12027. február 26-án leáll, közvetlen utód nélkül: a modell cseréje nem elegendő - Felvétel esetén:
gpt-transcribeaz eredeti nyelven, majd szöveges modelllel végzett fordítás bármely nyelvre - Tartsd a fordítási utasítást az
instructionsmezőben, az átírást pedig nyers adatként - Élő beszéd esetén: fordítási munkamenet (
/v1/realtime/translations,gpt-realtime-translate), amely tolmácsként működik,response.createnélkül - WebRTC a böngészőben, a szerver által létrehozott kliens titokkal; WebSocket szerveroldalon, 24 kHz-es, 16 bites PCM hanggal