Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Formati e lingue supportati

Lezione 7 di 18 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Formati e lingue supportati
  2. Formati audio supportati
  3. Lingue supportate
  4. Gestione di contenuti multilingue
  5. Prezzi
  6. Punti chiave

Aggiornamento 2 novembre 2026 — Modelli audio. Diversi modelli in questo corso sono deprecati: tts-1, tts-1-hd e gpt-4o-mini-tts verranno disattivati il 6 gennaio 2027 (il sostituto indicato è gpt-realtime-2.1-mini, che la guida OpenAI TTS definisce non supportato da /v1/audio/speech: la migrazione della sintesi vocale passa alle API Realtime); gpt-realtime, gpt-4o-realtime e i modelli audio legacy il 20 gennaio 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe e /v1/audio/translations il 26 febbraio 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Per la voce full-duplex, GPT-Live 1 è disponibile nelle API dal 10 settembre 2026. Lezione corretta il 3 novembre 2026: esempi aggiornati da whisper-1 a gpt-transcribe (usando il parametro languages), conteggio lingue Whisper corretto (98, non “oltre 50”, secondo la guida File transcription), metodo multilingue a due passaggi sostituito dai suggerimenti linguistici di gpt-transcribe, prezzi verificati. Fonti: File transcription · GPT-Transcribe · Create transcription.

Formati e lingue supportati

I modelli di trascrizione di OpenAI accettano un’ampia varietà di formati audio e supportano decine di lingue. Scegliere il formato di input corretto e configurare adeguatamente la lingua impatta direttamente sulla qualità della trascrizione e sui costi. Questa lezione dettaglia le opzioni disponibili e le migliori pratiche.

Formati audio supportati

Secondo il riferimento API, l’endpoint di trascrizione accetta i formati flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav e webm, a condizione che il nome del file includa l’estensione corretta. I più comuni:

Formato Estensione Compressione Uso consigliato
MP3 .mp3 Lossy, buon rapporto Podcast, registrazioni vocali
MP4 / M4A .mp4, .m4a AAC lossy Video, registrazioni mobili
WAV .wav Non compresso Registrazioni in studio
WebM .webm Opus lossy Registrazioni browser
FLAC .flac Lossless Massima qualità senza perdita
OGG .ogg Vorbis/Opus Applicazioni open source

La dimensione massima del file è 25 MB. Per un MP3 a 128 kbps, questo equivale a circa 25 minuti di audio. Per un WAV non compresso, è significativamente meno.

Ottimizzazione della dimensione del file

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Converte un file audio in MP3 leggero, sufficiente per la voce."""
    audio = AudioSegment.from_file(input_path)

    # Converti in mono 16kHz (sufficiente per la voce)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Esporta come MP3 a 64kbps (buon compromesso qualità/dimensione per la voce)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Lingue supportate

whisper-1 copre 98 lingue, con accuratezza variabile a seconda della lingua. gpt-transcribe rileva automaticamente la lingua; se sai quali lingue aspettarti, specificalle in languages: codici ISO 639-1 (fr, en, es…), alcuni codici ISO 639-3 (eng, spa, yue, cmn) e varianti regionali del cinese (zh-cn, zh-tw, zh-hk). Un codice non supportato o malformato causerà il fallimento della richiesta.

# Rilevamento automatico (predefinito)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # lingue riconosciute con sufficiente confidenza

# Lingue attese
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages è una lista, specifica di gpt-transcribe; i modelli più vecchi accettano una singola lingua in language. Non inviare mai entrambi.

Lingue europee comuni

I codici ISO 639-1 più frequentemente usati in Europa:

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",
}

Gestione di contenuti multilingue

Una riunione internazionale alterna diverse lingue. gpt-transcribe è progettato proprio per questo caso: la sua scheda modello cita il supporto per più suggerimenti linguistici, audio multilingue e code-switching all’interno di una singola frase. Fornisci tutte le lingue attese in un’unica passata:

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("Lingue riconosciute:", result.languages)

Il vecchio metodo a due passaggi, che rilevava la lingua dominante con whisper-1 in modalità verbose_json per poi ritrascrivere forzando quella lingua, non è più necessario: imponeva una singola lingua sull’intera registrazione e whisper-1 verrà disattivato il 26 febbraio 2027.

Prezzi

La trascrizione viene fatturata in base alla durata dell’audio elaborato: $0.0045 al minuto con gpt-transcribe, secondo la sua scheda modello (novembre 2026). Il formato del file non influenza quindi il costo: conta solo la durata.

Per ridurre i costi su grandi volumi:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Rimuove il silenzio per ridurre la durata fatturata."""
    audio = AudioSegment.from_file(file_path)

    # Rimuovi i silenzi superiori a 1 secondo
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Mantieni 200ms di silenzio per leggibilità
    )

    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

Punti chiave

  • L’endpoint di trascrizione accetta FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM, con un limite di 25 MB per file
  • Con gpt-transcribe, la lista languages specifica le lingue attese; la risposta restituisce le lingue riconosciute
  • MP3 mono a 16 kHz e 64 kbps offre il miglior compromesso qualità/dimensione per la voce
  • La fatturazione è al minuto di audio: rimuovere il silenzio riduce i costi
  • Per contenuti multilingue, un’unica passata con tutte le lingue attese in languages sostituisce il vecchio metodo a due passaggi