Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Palaikomi formatai ir kalbos

Paskaita 7 iš 18 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Palaikomi formatai ir kalbos
  2. Palaikomi garso formatai
  3. Palaikomos kalbos
  4. Daugiakalbio turinio apdorojimas
  5. Kainodara
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 2 d. – Garso modeliai. Keli šio kurso modeliai yra pasenę: tts-1, tts-1-hd ir gpt-4o-mini-tts bus išjungti 2027 m. sausio 6 d. (nurodytas pakaitalas – gpt-realtime-2.1-mini, tačiau OpenAI TTS gide teigiama, kad jis nepalaikomas per /v1/audio/speech: kalbos sintezės migracija perkeliama į „Realtime API“); gpt-realtime, gpt-4o-realtime ir senieji garso modeliai – 2027 m. sausio 20 d. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ir /v1/audio/translations – 2027 m. vasario 26 d. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pilno dublikso (full-duplex) balsui GPT-Live 1 API yra prieinamas nuo 2026 m. rugsėjo 10 d. Pamoka ištaisyta 2026 m. lapkričio 3 d.: pavyzdžiai atnaujinti iš whisper-1 į gpt-transcribe (naudojant languages parametrą), ištaisytas „Whisper“ palaikomų kalbų skaičius (98, o ne „daugiau nei 50“, kaip nurodyta File transcription gide), dviejų etapų daugiakalbis metodas pakeistas gpt-transcribe kalbų užuominomis, pateiktos kainodaros nuorodos. Šaltiniai: File transcription · GPT-Transcribe · Create transcription.

Palaikomi formatai ir kalbos

OpenAI transkripcijos modeliai priima įvairiausius garso formatus ir palaiko dešimtis kalbų. Tinkamo įvesties formato pasirinkimas ir teisingas kalbos nustatymas tiesiogiai veikia transkripcijos kokybę bei išlaidas. Šioje pamokoje išsamiai aprašomos galimos parinktys ir geriausios praktikos.

Palaikomi garso formatai

Pagal API nuorodą, transkripcijos galinis taškas (endpoint) priima flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav ir webm formatus, su sąlyga, kad failo pavadinime yra tinkamas plėtinys. Dažniausiai naudojami:

Formatas Plėtinys Glaudinimas Rekomenduojamas naudojimas
MP3 .mp3 Nuostolingas, geras santykis Tinklalaidės, balso įrašai
MP4 / M4A .mp4, .m4a AAC nuostolingas Vaizdo įrašai, mobilieji įrašai
WAV .wav Neglaudintas Studijiniai įrašai
WebM .webm Opus nuostolingas Naršyklės įrašai
FLAC .flac Be nuostolių Maksimali kokybė be nuostolių
OGG .ogg Vorbis/Opus Atviro kodo programos

Maksimalus failo dydis yra 25 MB. MP3 failui, kurio bitų srautas 128 kbps, tai atitinka maždaug 25 minutes garso. Neglaudintam WAV formatui ši trukmė yra gerokai mažesnė.

Failo dydžio optimizavimas

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Konvertuoja garso failą į lengvą MP3, pakankamą kalbai."""
    audio = AudioSegment.from_file(input_path)

    # Konvertuoti į mono 16 kHz (pakanka kalbai)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Eksportuoti kaip 64 kbps MP3 (geras kokybės ir dydžio kompromisas balsui)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Palaikomos kalbos

whisper-1 apima 98 kalbas, tačiau tikslumas skiriasi priklausomai nuo kalbos. gpt-transcribe kalbą aptinka automatiškai; jei žinai, kurių kalbų tikėtis, nurodyk jas parametre languages: ISO 639-1 kodai (fr, en, es…), kai kurie ISO 639-3 kodai (eng, spa, yue, cmn) ir regioniniai kinų kalbos variantai (zh-cn, zh-tw, zh-hk). Nepalaikomas arba neteisingai suformuotas kodas sukels užklausos klaidą.

# Automatinis aptikimas (numatytoji reikšmė)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # kalbos, atpažintos pakankamu pasitikėjimo lygiu

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

languages yra sąrašas, specifinis gpt-transcribe; senesni modeliai parametre language priima tik vieną kalbą. Niekada nesiųsk abiejų vienu metu.

Dažniausios Europos kalbos

Dažniausiai naudojami ISO 639-1 kodai Europoje:

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",
}

Daugiakalbio turinio apdorojimas

Tarptautiniame susirinkime kalbos keičiasi. gpt-transcribe sukurtas būtent tokiam atvejui: jo modelio aprašyme nurodoma parametra kelioms kalbų užuominoms, daugiakalbiams garso įrašams ir kalbų kaitai (code-switching) vieno sakinio ribose. Pateik visas tikėtinas kalbas vienu praėjimu:

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("Recognized languages:", result.languages)

Senasis dviejų etapų metodas, kai dominantė kalba buvo nustatoma naudojant whisper-1 režimu verbose_json, o tada įrašas buvo transkribuojamas iš naujo priverstinai nustatant tą kalbą, daugiau nėra būtinas: jis priversdavo naudoti vieną kalbą visam įrašui, be to, whisper-1 bus išjungtas 2027 m. vasario 26 d.

Kainodara

Transkripcija apmokestinama pagal apdoroto garso trukmę: 0,0045 USD už minutę naudojant gpt-transcribe, pagal jo modelio aprašymą (2026 m. lapkritis). Todėl failo formatas kainai įtakos neturi: svarbi tik trukmė.

Norint sumažinti išlaidas dirbant su dideliais kiekiais:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Pašalina tylos momentus, kad sumažėtų apmokestinama trukmė."""
    audio = AudioSegment.from_file(file_path)

    # Pašalinti tylos momentus, ilgesnius nei 1 sekundė
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Palikti 200 ms tylos skaitomumui užtikrinti
    )

    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

Svarbiausi punktai

  • Transkripcijos galinis taškas priima FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ir WebM formatus; maksimalus failo dydis – 25 MB
  • Naudojant gpt-transcribe, sąrašas languages nurodo tikėtinas kalbas; atsakyme grąžinamos atpažintos kalbos
  • Mono 16 kHz MP3 esant 64 kbps bitų srautui suteikia geriausią kokybės ir dydžio kompromisą balsui
  • Apmokestinimas taikomas už kiekvieną garso minutę: tylos pašalinimas sumažina išlaidas
  • Daugiakalbiui turiniui vienas praėjimas su visomis tikėtinomis kalbomis parametre languages pakeičia senąjį dviejų etapų metodą