Automatinis vertimas
Šiame puslapyje
Pamoka perrašyta 2026 m. lapkričio 3 d. Anksčiau ji rėmėsi
/v1/audio/translationsgaliniu tašku irwhisper-1modeliu, kurie abu yra pasenę ir nutraukti 2027 m. vasario 26 d., taip pat pakartotinai naudota „Realtime“ pagalbininko sesija, veikusi kaip vertėjas. Dabar „OpenAI“ siūlo du kelius: įrašams – transkribavimą originalo kalba naudojantgpt-transcribe, o po to teksto vertimą; gyvai kalbai – specialią vertimo sesiją sugpt-realtime-translate. Kodas patikrintas su SDKopenai3.42.1 irwebsocket-clientbiblioteka. Šaltiniai: Failų transkribavimas · Vertimas realiuoju laiku · Nutraukimai.
Du poreikiai, du įrankiai
Garso įrašų vertimas apima du labai skirtingus scenarijus, kuriems „OpenAI“ naudoja skirtingus įrankius:
| Poreikis | Įrankis nuo 2026 m. lapkričio mėn. | Rezultatas |
|---|---|---|
| Įrašas vertimui (posėdis, tinklalaidė, archyvuotas skambutis) | gpt-transcribe transkribavimui originalo kalba, tada teksto modelis vertimui | Vertimas tekstu į tavo pasirinktą kalbą |
| Gyva kalba vertimui žodžiu (skambutis, konferencija, pamoka) | Vertimo sesija realiuoju laiku su gpt-realtime-translate | Vertimas garsu ir transkriptais, generuojami kalbai skambant |
Senasis kelias: /v1/audio/translations su whisper-1 | Pasenęs, nutrauktas 2027 m. vasario 26 d. | Tik tekstas anglų kalba |
„OpenAI“ gairėse pabrėžiamas vienas dalykas: paprastas modelio ID pakeitimas užklausoje į /v1/audio/translations nieko nemigruoja. Senasis galinis taškas, galėjęs versti tik į anglų kalbą, neturi tiesioginio pakaitalo.
Įrašo vertimas
Šis metodas pirmiausia tiksliai transkribuoja kalbą originalo kalba, o tada išverčia tekstą. Jis tinka bet kuriai targetinei kalbai – priešingai nei senasis galinis taškas, kuris generuodavo tik anglų kalbą – ir suteikia abu tekstus, kas naudinga patikrinimui:
from openai import OpenAI
client = OpenAI()
def translate_recording(path: str, target_language: str) -> dict[str, str]:
"""Transkribuoja įrašą originalo kalba, tada išverčia tekstą."""
with open(path, "rb") as f:
transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)
response = client.responses.create(
model="gpt-6-luna",
instructions=(
f"Translate the text provided by the user into {target_language}. "
"Keep the tone and style. Respond only with the translation."
),
input=transcription.text,
)
return {"original": transcription.text, "translation": response.output_text}
result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])
Du sprendimai nusipelno paaiškinimo. Vertimo instrukcija dedama į instructions, o transkripcija pateikiama kaip paprasti duomenys lauke input: įraše gali būti bet kas, įskaitant frazę, kuri atrodo kaip komanda, ir ji neturi galėti pakeisti instrukcijos. Modelis gpt-6-luna yra tas, kurį „OpenAI“ rekomenduoja didelės apimties, kainai jautriam apdorojimui; subtiliam teisiniam ar techniniam tekstui rinkis pajėgesnį modelį, pavyzdžiui, gpt-6.1-sol.
Gyvos kalbos vertimas žodžiu
Norint versti kalbai skambant, „OpenAI“ siūlo specialią „Realtime“ sesijos rūšį. Gairėse ji aiškiai atskiriama nuo balso pagalbininko sesijos:
| Balso pagalbininko sesija | Vertimo sesija |
|---|---|
Prisijungia prie /v1/realtime | Prisijungia prie /v1/realtime/translations |
| Modelis veikia kaip pagalbininkas | Modelis veikia kaip vertėjas žodžiu |
Pokalbio ir atsakymo ciklas (response.create) | Nuolatinis srautas iš gaunamo garso, be response.create |
| Gali kviesti įrankius | Generuoja vertimą garsu ir transkriptus |
Transporto protokolas priklauso nuo to, kur atkeliauja garso signalas. Naršyklėje „WebRTC“ siunčia mikrofono įvestį ir priima vertimą garsu kaip garso takelius; tavo serveris tam sukuria trumpalaikį kliento slaptąjį raktą per /v1/realtime/translations/client_secrets, kad tavo API raktas niekada neišeitų iš serverio. Serverio pusėje, kai garso signalas jau atkeliauja „žalias“ (telefono srautas, įrašymas), pakanka „WebSocket“ ryšio:
import base64
import json
import os
import websocket # pip install websocket-client
ws = websocket.WebSocket()
ws.connect(
"wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
header=[
f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
"OpenAI-Safety-Identifier: hashed-user-id", # hashed identifier of your user
],
)
# Vertėjo žodžiu išvesties kalba
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))
def send_audio(pcm16: bytes) -> None:
"""Prideda šaltinio garso gabalėlį: 16 bitų PCM, mono, 24 kHz."""
ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))
Siųsdamas garso signalą, įskaitant tylos momentus, sesija grąžina įvykius, kuriuos turi apdoroti realiuoju laiku: session.output_audio.delta perduoda vertimą garsu „base64“ formatu, session.output_transcript.delta – vertimą tekstu, o session.input_transcript.delta – originalo kalbos transkripciją. Kai šaltinis nustoja siųsti, išsiųsk session.close: paslauga baigia dabartinį vertimą, tada atsako su session.closed.
translation: list[str] = []
while True:
event = json.loads(ws.recv())
if event["type"] == "session.output_transcript.delta":
translation.append(event["delta"])
elif event["type"] == "error":
raise RuntimeError(f"Translation error: {event['error']['code']}")
elif event["type"] == "session.closed":
break
ws.close()
print("".join(translation))
Neignoruok error įvykio: atmestas raktas nenutraukia paties ryšio; jis atsiranda tuoj po to kaip error įvykis su kodu invalid_api_key (stebėta 2026 m. lapkričio 3 d.). Gamybinėje aplinkoje priėmimas vyksta lygiagrečiai su siuntimu, atskiroje gijoje ar užduotyje, o vertimas garsu siunčiamas į grotuvą ar telefono liniją jam atkeliaujant: oficialiose gairėse pateikiama pilna versija, įskaitant garso atkūrimą.
Svarbiausi punktai
/v1/audio/translationsirwhisper-1bus išjungti 2027 m. vasario 26 d. be tiesioginio pakaitalo: nepakanka tik pakeisti modelį- Įrašui:
gpt-transcribeoriginalo kalba, tada teksto vertimas teksto modeliu į bet kurią kalbą - Laikyk vertimo instrukciją lauke
instructions, o transkripciją – kaip paprastus duomenis - Gyvai kalbai: vertimo sesija (
/v1/realtime/translations,gpt-realtime-translate), veikianti kaip vertėjas žodžiu, beresponse.create - „WebRTC“ naršyklėje su serverio sukurtu kliento slaptuoju raktu; „WebSocket“ serverio pusėje su 16 bitų PCM garsu esant 24 kHz dažniui