A leirat minőségének optimalizálása
Ezen az oldalon
Frissítés: 2026. november 2. — Hangmodellek. A tanfolyam több modellje elavult: a
tts-1,tts-1-hdés agpt-4o-mini-ttsmodellek 2027. január 6-án megszűnnek működni (a javasolt utód agpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint nem támogat a/v1/audio/speech: a hangszintézis migrációja a Realtime API felé történik); agpt-realtime,gpt-4o-realtimeés a régi hangmodellek 2027. január 20-án válnak elavulttá (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); awhisper-1, agpt-4o-transcribeés a/v1/audio/translationsvégpontok 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 ajánlottgpt-transcribemodellre (prompt,keywords,languagesparaméterekkel); 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-1esetén minden egyetlenpromptparaméterbe 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 leghatékonyabbgpt-transcribeesetén a kifejezéseket akeywordslistába 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,keywordséslanguagesagpt-transcribeesetén; egyetlen, 224 tokenre korlátozottpromptawhisper-1esetén - A
temperaturealapértelmezése 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