Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Transkribuoti garso failą: gpt-transcribe ir Whisper

Paskaita 6 iš 18 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Įrašo transkripcija
  2. Kurį modelį rinktis 2026 m. lapkritį
  3. Pirmoji transkripcija
  4. Suteik modeliui kontekstą
  5. Stebėk transkripciją realiuoju laiku
  6. Laiko žymos ir subtitrai: whisper-1 iki 2027 m. vasario 26 d.
  7. Ilgi failai
  8. Svarbiausi punktai

Pamoka perrašyta 2026 m. lapkričio 3 d. Anksčiau šiame vadove buvo nagrinėjamas whisper-1, kuris yra pasenęs ir bus nutrauktas 2027 m. vasario 26 d. Dabar OpenAI Failų transkripcijos vadove rekomenduojama naudoti gpt-transcribe. Tačiau gpt-transcribe nepateikia laiko žymų, SRT ar VTT subtitrų, nei verbose_json atsakymo. Šiems specifiniams poreikiams whisper-1 lieka vienintelis pasirinkimas iki jo nutraukimo. Anksčiau kodas segmentus pasiekdavo kaip žodynus (segment["start"]), kas naudojant Python SDK sukelia TypeError; dabar tai yra objektai (segment.start). Kiekvienas kvietimas patikrintas su openai SDK 3.42.1 versija. Šaltiniai: Failų transkripcija · Kurti transkripciją · GPT-Transcribe · Nutraukimai.

Įrašo transkripcija

Failų transkripcija sprendžia dažniausiai pasitaikantį atvejį: turi baigtą įrašą (posėdį, tinklalaidę, balso žinutę) ir tau reikia teksto. Siunti failą į /v1/audio/transcriptions galinį tašką ir gauni transkripciją. Garso įrašui, kuris vis dar kuriamas, pavyzdžiui, iš mikrofono ar skambučio, teisingas būdas yra tiesioginė transkripcija naudojant Realtime API, apie kurią kalbėsime vėliau šiame kurse.

Failas turi būti ne didesnis kaip 25 MB ir vienu iš šių formatų: mp3, mp4, mpeg, mpga, m4a, wav arba webm.

Kurį modelį rinktis 2026 m. lapkritį

ModelisBūsenaPagrindiniai punktai
gpt-transcribeRekomenduojamaKontekstas (prompt), raktiniai žodžiai (keywords), numatomos kalbos (languages), srautinė transkripcija; 0,0045 $ už minutę
whisper-1Pasenęs, nutraukiamas 2027 m. vasario 26 d.Vienintelis modelis, teikiantis laiko žymas, verbose_json, SRT ir VTT, bei vertimą į anglų kalbą
gpt-4o-transcribe, gpt-4o-mini-transcribePasenęs, nutraukiamas 2027 m. vasario 26 d.Pakeistas į gpt-transcribe
gpt-4o-transcribe-diarizePasenęs, nutraukiamas 2027 m. vasario 26 d.Kalbėtojų identifikavimas (diarized_json)

Pirmoji transkripcija

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Pagal numatytuosius nustatymus atsakymas yra JSON objektas: transcription.text turi tekstą, o transcription.languages išvardija kalbas, kurias modelis atpažino pakankamu pasitikėjimu (tuščias sąrašas, jei nepavyko jų identifikuoti).

Suteik modeliui kontekstą

Posėdžio įraše gausu tikrinių daiktavardžių, santrumpų ir vidinių terminų, kurių modelis neturi pagrindo žinoti. gpt-transcribe priima tris užuominas, kurias gali derinti:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Valdymo posėdis apie Corsen AI projektą ir sutartį AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • prompt vienu sakiniu apibūdina kontekstą įrašo kalba. Tai nėra sistemos instrukcija; tai užuomina, nukreipianti atpažinimą.
  • keywords išvardija terminus, kuriuos reikia atpažinti. Įvesk vieną raktinį žodį vienam elementui, be <, > arba eilučių lūžių: API atmes visą užklausą, jei ras bet kurį iš jų.
  • languages nurodo numatomas kalbas naudojant ISO 639-1 kodus (fr, en, es…). Tai pakeičia senesnių modelių language parametrą: niekada nesiųsk abiejų kartu.

Stebėk transkripciją realiuoju laiku

Ilgiems failams nereikia laukti pabaigos, kad būtų rodoma pradžia. Naudodamas stream=True, API grąžina įvykius vykstant apdorojimui, nereikalaujant Realtime sesijos:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # visa transkripcija yra event.text

Laiko žymos ir subtitrai: whisper-1 iki 2027 m. vasario 26 d.

OpenAI vadovas aiškiai teigia: jų žodžio lygmens laiko žymų, subtitrų ir kalbėtojų identifikavimo pavyzdžiai remiasi pasenusiais modeliais. Jei tau reikia šių funkcijų, whisper-1 vis dar prieinamas iki 2027 m. vasario 26 d., ir tai vienintelis modelis, priimantis verbose_json ir timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Segmentai yra SDK objektai: skaityk segment.start, o ne segment["start"]. Nustačius timestamp_granularities=["word"], žodžio lygmens laiko žymos atsiranda transcription.words, tačiau tai šiek tiek padidina delsą. Tas pats modelis taip pat generuoja paruoštus naudoti subtitrus: nustačius response_format="srt" arba "vtt", SDK tiesiogiai grąžina subtitrų failo tekstą.

Vadovas dar nenurodo šių funkcijų pakaitalo. Jei tavo produktas priklauso nuo laiko žymų ar subtitrų, suplanuok sprendimą iki 2027 m. vasario 26 d.

Ilgi failai

Failams, didesniems nei 25 MB, suspausk garso įrašą arba padalink jį. Dokumentacijoje rekomenduojama vengti pjovimo sakinio viduryje, nes taip prarandamas kontekstas, ir siūloma naudoti pydub biblioteką dalinimui (OpenAI negarantuoja šios trečiosios šalies programinės įrangos). Perdavus ankstesnio gabalo pabaigą parametre prompt, modelis geriau išlaiko tęstinumą – tai parametro naudojimas, cituojamas vadove:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transkribuoja ilgą įrašą 10 minučių gabalais."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # tęstinumas
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Fiksuoto ilgio dalinimas kartais perpus perpjauna sakinį: norint gauti tvarkingą rezultatą, dalink pagal tylos momentus.

Svarbiausi punktai

  • gpt-transcribe yra rekomenduojamas modelis failų transkripcijai; whisper-1 ir gpt-4o-*-transcribe bus nutraukti 2027 m. vasario 26 d.
  • prompt, keywords ir languages (jau nebe language) nukreipia terminų ir kalbų atpažinimą
  • stream=True grąžina transkripciją realiuoju laiku (transcript.text.delta) be Realtime sesijos
  • Laiko žymos, verbose_json, SRT ir VTT egzistuoja tik su whisper-1 iki jo nutraukimo; segmentus skaityk kaip objektus (segment.start)
  • Maksimalus failo dydis – 25 MB: suspausk arba padalink, pageidautina pagal tylos momentus