Formati e lingue supportati
In questa pagina
Aggiornamento 2 novembre 2026 — Modelli audio. Diversi modelli in questo corso sono deprecati:
tts-1,tts-1-hdegpt-4o-mini-ttsverranno disattivati il 6 gennaio 2027 (il sostituto indicato ègpt-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-realtimee 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-transcribee/v1/audio/translationsil 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 dawhisper-1agpt-transcribe(usando il parametrolanguages), conteggio lingue Whisper corretto (98, non “oltre 50”, secondo la guida File transcription), metodo multilingue a due passaggi sostituito dai suggerimenti linguistici digpt-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 listalanguagesspecifica 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
languagessostituisce il vecchio metodo a due passaggi