Transkribēt audio failu: gpt-transcribe un Whisper
Šajā lapā
Nodarbība pārrakstīta 2026. gada 3. novembrī. Šis ceļvedis iepriekš aptvēra
whisper-1, kas ir novecojis un tiks pārtraukts 2027. gada 26. februārī. OpenAI Failu transkripcijas ceļvedis tagad iesaka izmantotgpt-transcribe. Tomērgpt-transcribenenodrošina laika zīmogus, SRT vai VTT subtitrus, kā arīverbose_jsonatbildi. Šīm specifiskajām vajadzībāmwhisper-1paliek vienīgā opcija līdz tā darbības pārtraukšanai. Iepriekšējais kods segmentus aksesēja kā vārdnīcas (segment["start"]), kas Python SDK izraisaTypeError; tie ir objekti (segment.start). Katrs izsaukums ir pārbaudīts aropenaiSDK 3.42.1. Avoti: Failu transkripcija · Izveidot transkripciju · GPT-Transcribe · Darbības pārtraukšanas.
Ieraksta transkribēšana
Failu transkripcija risina visizplatītāko lietojuma gadījumu: tev ir gatavs ieraksts (sapulce, apraide, balss ziņojums) un tev nepieciešams teksts. Tu nosūti failu uz /v1/audio/transcriptions galapunktu un saņem transkripciju. Audio, kas joprojām tiek saņemts, piemēram, no mikrofona vai zvana, pareizā pieeja ir tiešraides transkripcija, izmantojot Realtime API, kas tiks aplūkots vēlāk šajā kursā.
Failam jābūt 25 MB vai mazākam, vienā no šādiem formātiem: mp3, mp4, mpeg, mpga, m4a, wav vai webm.
Kurš modelis 2026. gada novembrī
| Modelis | Statuss | Galvenie punkti |
|---|---|---|
gpt-transcribe | Ieteicams | Konteksts (prompt), atslēgvārdi (keywords), paredzamās valodas (languages), straumēta transkripcija; 0,0045 $ par minūti |
whisper-1 | Novecojis, darbības pārtraukšana 2027. gada 26. februārī | Vienīgais modelis, kas nodrošina laika zīmogus, verbose_json, SRT un VTT, kā arī tulkošanu angļu valodā |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Novecojis, darbības pārtraukšana 2027. gada 26. februārī | Aizstāts ar gpt-transcribe |
gpt-4o-transcribe-diarize | Novecojis, darbības pārtraukšana 2027. gada 26. februārī | Runātāju identificēšana (diarized_json) |
Pirmā 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)
Pēc noklusējuma atbilde ir JSON objekts: transcription.text satur tekstu, bet transcription.languages uzskaita valodas, kuras modelis atpazinis ar pietiekamu pārliecību (tukšs saraksts, ja tas nevarēja nevienas identificēt).
Modeļa konteksta norādīšana
Sapulces ieraksts ir pilns ar īpašvārdiem, akronīmiem un iekšējiem terminiem, kurus modelim nav iemesla zināt. gpt-transcribe pieņem trīs norādes, kuras vari kombinēt:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Vadības sapulce par Corsen AI projektu un līgumu AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["fr", "en"],
)
print(transcription.text)
promptvienkāršā teikumā apraksta kontekstu ieraksta valodā. Tā nav sistēmas instrukcija; tā ir norāde, kas virza atpazīšanu.keywordsuzskaita atpazīstamos terminus. Ievadi vienu atslēgvārdu vienā elementā, bez<,>vai rindu pārrāvumiem: API noraidīs visu pieprasījumu, ja tajos atradīs kādu no šīm zīmēm.languagesnorāda paredzamās valodas, izmantojot ISO 639-1 kodus (fr,en,es…). Tas aizstājlanguageparametru no vecākiem modeļiem: nekad nesūti abus vienlaicīgi.
Transkripcijas izsekošana reāllaikā
Gariem failiem nav jāgaida līdz beigām, lai parādītu sākumu. Izmantojot stream=True, API atgriež notikumus apstrādes laikā, neprasa Realtime sesiju:
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() # pilna transkripcija ir event.text
Laika zīmogi un subtitri: whisper-1 līdz 2027. gada 26. februārim
OpenAI ceļvedī ir skaidri norādīts: tā piemēri vārdu līmeņa laika zīmogiem, subtitriem un runātāju identificēšanai balstās uz novecojušiem modeļiem. Ja tev ir nepieciešamas šīs funkcijas, whisper-1 joprojām ir pieejams līdz 2027. gada 26. februārim, un tas ir vienīgais modelis, kas pieņem verbose_json un 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()}")
Segmenti ir SDK objekti: lasi segment.start, nevis segment["start"]. Izmantojot timestamp_granularities=["word"], vārdu līmeņa laika zīmogi parādās transcription.words, par cenu nedaudz lielākai latentumam. Tas pats modelis ģenerē arī lietošanai gatavus subtitrus: ar response_format="srt" vai "vtt" SDK atgriež subtitru faila tekstu tieši.
Ceļvedis vēl nav noteicis aizstājēju šīm funkcijām. Ja tavs produkts ir atkarīgs no laika zīmogiem vai subtitriem, saplāno risinājumu pirms 2027. gada 26. februāra.
Gari faili
Failiem, kas lielāki par 25 MB, saspied audio vai sadali to. Dokumentācija iesaka izvairīties no griešanas teikuma vidū, kas zaudē kontekstu, un iesaka izmantot pydub bibliotēku sadalīšanai (OpenAI negarantē šo trešās puses programmatūru). Iepriekšējā gabala beigu daļas nodošana parametrā prompt palīdz modelim uzturēt nepārtrauktību; šis parametra lietojums ir minēts ceļvedī:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Transkribē garu ierakstu 10 minūšu gabalos."""
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 {} # nepārtrauktība
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Fiksēta ilguma sadalīšana dažreiz pārgriež teikumu uz pusēm: lai iegūtu pulētu rezultātu, sadali failu klusuma brīžos.
Galvenās atziņas
gpt-transcribeir ieteicamais modelis failu transkripcijai;whisper-1ungpt-4o-*-transcribedarbība tiks pārtraukta 2027. gada 26. februārīprompt,keywordsunlanguages(vairs nelanguage) virza terminu un valodu atpazīšanustream=Trueatgriež transkripciju uzreiz (transcript.text.delta), bez Realtime sesijas- Laika zīmogi,
verbose_json, SRT un VTT pastāv tikai arwhisper-1līdz tā darbības pārtraukšanai; lasi segmentus kā objektus (segment.start) - Maksimāli 25 MB uz failu: saspied vai sadali, vēlams klusuma brīžos