Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A leirat minőségének optimalizálása

9. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A leirat minőségének optimalizálása
  2. A prompt paraméter
  3. A temperature paraméter
  4. Hang előfeldolgozás
  5. A leirat utófeldolgozása
  6. Teljes leiratolási folyamat
  7. Főbb megállapítások

Frissítés: 2026. november 2. — Hangmodellek. A tanfolyam több modellje elavult: a tts-1, tts-1-hd és a gpt-4o-mini-tts modellek 2027. január 6-án megszűnnek működni (a javasolt utód a gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint nem támogat a /v1/audio/speech: a hangszintézis migrációja a Realtime API felé történik); a gpt-realtime, gpt-4o-realtime és a régi hangmodellek 2027. január 20-án válnak elavulttá (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 végpontok pedig 2027. február 26-án (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). A teljes duplex hangkommunikációhoz a GPT-Live 1 már 2026. szeptember 10. óta elérhető az API-ban. A lecke frissítve: 2026. november 3.: a példák áttértek az OpenAI által ajánlott gpt-transcribe modellre (prompt, keywords, languages paraméterekkel); a 0 hőmérséklet nem jelent „mindig a legvalószínűbb“ választást: az API referenciadokumentációja szerint a modell ilyenkor lépésenként maga igazítja a hőmérsékletet. Források: Fájl leiratolása · Leirat létrehozása.

A leirat minőségének optimalizálása

A Whisper alapértelmezés szerint kiváló leiratokat készít, de számos technikával jelentősen javíthatsz a minőségen, különösen nehéz esetekben: háttérzaj, regionális akcentusok, szakszókincs és tulajdonnevek. Ez a lecke a haladó paramétereket és az utófeldolgozási stratégiákat tárgyalja.

A prompt paraméter

A szövegkörnyezet a legfőbb eszközöd a minőség javítására. A gpt-transcribe modellel, amelyet az OpenAI ajánl, a kontextus három paraméteren keresztül jut el a modellhez: prompt (egy mondat kontextusként a hanganyag nyelvén), keywords (felismerendő kifejezések) és languages (várt nyelvek).

# Kontextus nélkül a terméknevek hibásan írhatók át
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# Kontextussal és kulcsszavakkal
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Corsen AI technikai megbeszélés a hangalapú ügynökökről.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Legjobb gyakorlatok a prompt elkészítéséhez

  • Sorold fel a tulajdonneveket: személyek, cégek, termékek
  • Foglald bele a szakszókincset: mozaikszavak, domain-specifikus kifejezések
  • Határozd meg a várt stílust: írásjelek, nagybetűk használata
  • whisper-1 esetén minden egyetlen prompt paraméterbe kerül, amely maximum 224 token hosszú lehet: az útmutató leszögezi, hogy a Whisper nem követi az utasításokat úgy, mint egy szöveges modell, ezért itt egyszerűen a helyes írásmódok felsorolása a leghatékonyabb
  • gpt-transcribe esetén a kifejezéseket a keywords listába tedd, egyesével, <, > jelek vagy sortörések nélkül, különben az API elutasítja a kérést
def build_transcription_prompt(context: dict) -> str:
    """Kontextus promptot épít a leirathoz."""
    parts = []

    if context.get("speakers"):
        parts.append(", ".join(context["speakers"]))

    if context.get("technical_terms"):
        parts.append(", ".join(context["technical_terms"]))

    if context.get("topic"):
        parts.append(context["topic"])

    return ". ".join(parts)

prompt = build_transcription_prompt({
    "speakers": ["Mordehai Attia", "Yoram Halberstam"],
    "technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
    "topic": "Technikai megbeszélés a hangalapú ügynökökről"
})

A temperature paraméter

A végpont 0 és 1 közötti temperature értéket fogad el, alapértelmezésben 0-t. Egy gyakori tévhit szerint a 0 érték azt jelentené, hogy „mindig a legvalószínűbb szót“ választja: az API referenciadokumentációja szerint azonban ilyenkor a modell a token-valószínűségekre támaszkodva maga emeli a hőmérsékletet lépésenként, bizonyos küszöbértékekig.

A gyakorlatban hagyd az alapértelmezett értéket. A gpt-transcribe dokumentációja a kontextusra (prompt, keywords, languages) helyezi a hangsúlyt, nem a hőmérsékletre; a whisper-1 esetén eseti alapon tesztelhetsz egy kicsit magasabb hőmérsékletet (pl. 0,2) rosszabb minőségű hanganyagoknál.

Hang előfeldolgozás

A bemeneti hang minősége a legdöntőbb tényező. Fektess energiát az előfeldolgozásba:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Előkészíti a hangot az optimális leirathoz."""
    audio = AudioSegment.from_file(input_path)

    # 1. Átalakítás monóra (a sztereó nem ad hozzá értéket beszédnél)
    audio = audio.set_channels(1)

    # 2. Újramintavételezés 16 kHz-re (a Whisper számára ez elegendő)
    audio = audio.set_frame_rate(16000)

    # 3. Hangerő normalizálása
    audio = normalize(audio)

    # 4. Dinamikatartomány tömörítése (csökkenti a hangerő-ingadozást)
    audio = compress_dynamic_range(audio)

    # 5. Exportálás 64 kbps MP3-ként
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Zajszűrés

Zajos felvételeknél a noisereduce könyvtárral végzett előfeldolgozás jelentősen javítja az eredményeket:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Csökkenti a háttérzajt a leiratolás előtt."""
    data, rate = sf.read(input_path)

    # Adaptív zajszűrés
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80%-os zajcsökkentés
        stationary=False     # Nem stacionárius zaj (pl. kávézó)
    )

    sf.write(output_path, reduced, rate)
    return output_path

A leirat utófeldolgozása

Még jó előfeldolgozás mellett is szükség lehet korrekciókra a nyers leiraton. Használj GPT-t az utófeldolgozáshoz:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Kijavítja és formázza a Whisper leiratot."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Te egy leirat-korrektor vagy. "
                "Javítsd ki a nyilvánvaló Whisper hibákat a jelentés megváltoztatása nélkül. "
                "Pótold a hiányzó írásjeleket. "
                "Javítsd a nagybetűk használatát a tulajdonneveknél és mozaikszavaknál. "
                "Ne foglalj össze és ne fogalmazz át."
            )},
            {"role": "user", "content": (
                f"Kontextus: {context}\n\n"
                f"Nyers leirat:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Teljes leiratolási folyamat

Állítsd össze az összes lépést egy robust folyamattá:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Teljes, magas minőségű leiratolási folyamat."""
    # 1. Előfeldolgozás
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Kontextus építése: csak a kitöltött paraméterek
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Leiratolás
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Utófeldolgozás
    context = f"Nyelv: {language}, Beszélők: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Főbb megállapítások

  • A kontextus a leghatékonyabb eszköz: prompt, keywords és languages a gpt-transcribe esetén; egyetlen, 224 tokenre korlátozott prompt a whisper-1 esetén
  • A temperature alapértelmezése 0, és 0 értéknél a modell szükség esetén maga igazítja a hőmérsékletet: hagyd az alapértelmezett beállítást
  • A hang előfeldolgozása (monó, 16 kHz, normalizálás, zajszűrés) jobban javítja a minőséget, mint bármelyik API paraméter
  • A GPT alapú utófeldolgozás kijavítja az írásjeleket, a nagybetűket és a maradék hibákat
  • A teljes folyamat az előfeldolgozást, a kontextus alapú promptolást és az utófeldolgozást ötvözi a maximális minőség érdekében