Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Automatinis vertimas

Paskaita 8 iš 18 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Du poreikiai, du įrankiai
  2. Įrašo vertimas
  3. Gyvos kalbos vertimas žodžiu
  4. Svarbiausi punktai

Pamoka perrašyta 2026 m. lapkričio 3 d. Anksčiau ji rėmėsi /v1/audio/translations galiniu tašku ir whisper-1 modeliu, 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 naudojant gpt-transcribe, o po to teksto vertimą; gyvai kalbai – specialią vertimo sesiją su gpt-realtime-translate. Kodas patikrintas su SDK openai 3.42.1 ir websocket-client biblioteka. Šaltiniai: Failų transkribavimas · Vertimas realiuoju laiku · Nutraukimai.

Du poreikiai, du įrankiai

Garso įrašų vertimas apima du labai skirtingus scenarijus, kuriems „OpenAI“ naudoja skirtingus įrankius:

PoreikisĮrankis nuo 2026 m. lapkričio mėn.Rezultatas
Įrašas vertimui (posėdis, tinklalaidė, archyvuotas skambutis)gpt-transcribe transkribavimui originalo kalba, tada teksto modelis vertimuiVertimas tekstu į tavo pasirinktą kalbą
Gyva kalba vertimui žodžiu (skambutis, konferencija, pamoka)Vertimo sesija realiuoju laiku su gpt-realtime-translateVertimas garsu ir transkriptais, generuojami kalbai skambant
Senasis kelias: /v1/audio/translations su whisper-1Pasenęs, 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 sesijaVertimo sesija
Prisijungia prie /v1/realtimePrisijungia prie /v1/realtime/translations
Modelis veikia kaip pagalbininkasModelis veikia kaip vertėjas žodžiu
Pokalbio ir atsakymo ciklas (response.create)Nuolatinis srautas iš gaunamo garso, be response.create
Gali kviesti įrankiusGeneruoja 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/translations ir whisper-1 bus išjungti 2027 m. vasario 26 d. be tiesioginio pakaitalo: nepakanka tik pakeisti modelį
  • Įrašui: gpt-transcribe originalo 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, be response.create
  • „WebRTC“ naršyklėje su serverio sukurtu kliento slaptuoju raktu; „WebSocket“ serverio pusėje su 16 bitų PCM garsu esant 24 kHz dažniui