Atbalstītie formāti un valodas
Šajā lapā
Atjauninājums: 2026. gada 2. novembris — Audio modeļi. Vairāki šī kursa modeļi ir novecojuši:
tts-1,tts-1-hdungpt-4o-mini-ttstiks slēgti 2027. gada 6. janvārī (norādītā aizstājējversija irgpt-realtime-2.1-mini, ko OpenAI TTS rokasgrāmata definē kā ** neatbalstītu ar/v1/audio/speech**: runas sintēzes migrācija pāriet uz Realtime API);gpt-realtime,gpt-4o-realtimeun vecie audio modeļi — 2027. gada 20. janvārī (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeun/v1/audio/translations— 2027. gada 26. februārī (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pilndupleksa balsij GPT-Live 1 ir pieejams API kopš 2026. gada 10. septembra. Nodarbība labota 2026. gada 3. novembrī: piemēri atjaunināti nowhisper-1uzgpt-transcribe(izmantojot parametrulanguages), Whisper valodu skaits precizēts (98, nevis “vairāk nekā 50”, saskaņā ar File transcription rokasgrāmatu), divu piegājienu daudzvalodu metode aizstāta argpt-transcribevalodu norādēm, cenas avoti norādīti. Avoti: File transcription · GPT-Transcribe · Create transcription.
Atbalstītie formāti un valodas
OpenAI transkribēšanas modeļi pieņem plašu audio formātu klāstu un atbalsta desmitiem valodu. Pareiza ievades formāta izvēle un valodas pareiza konfigurēšana tieši ietekmē transkribēšanas kvalitāti un izmaksas. Šajā nodarbībā aplūkotas pieejamās iespējas un labākā prakse.
Atbalstītie audio formāti
Saskaņā ar API atsauces dokumentāciju transkribēšanas galapunkts pieņem formātus flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav un webm, ja faila nosaukumā ir norādīts pareizais paplašinājums. Visbiežāk lietotie:
| Formāts | Paplašinājums | Kompresija | Ieteicamais lietojums |
|---|---|---|---|
| MP3 | .mp3 | Zudumains, labs attiecības rādītājs | Raidieraksti, balss ieraksti |
| MP4 / M4A | .mp4, .m4a | AAC zudumains | Video, mobilie ieraksti |
| WAV | .wav | Nesaspiests | Studijas ieraksti |
| WebM | .webm | Opus zudumains | Pārlūkprogrammas ieraksti |
| FLAC | .flac | Bez zudumiem | Maksimāla kvalitāte bez zudumiem |
| OGG | .ogg | Vorbis/Opus | Atvērtā koda lietotnes |
Maksimālais faila lielums ir 25 MB. MP3 failam ar 128 kbps tas atbilst aptuveni 25 minūtēm audio. Nesaspiestam WAV formātam tas ir ievērojami mazāk.
Faila lieluma optimizēšana
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Konvertē audio failu uz vieglu MP3, kas ir pietiekams runai."""
audio = AudioSegment.from_file(input_path)
# Konvertē uz mono 16kHz (pietiekami runai)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Eksportē kā 64kbps MP3 (labs kvalitātes un lieluma kompromiss balsij)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Atbalstītās valodas
whisper-1 aptver 98 valodas, un precizitāte atšķiras atkarībā no valodas. gpt-transcribe automātiski nosaka valodu; ja zini, kādas valodas sagaidīt, norādi tās parametrā languages: ISO 639-1 kodi (fr, en, es…), daži ISO 639-3 kodi (eng, spa, yue, cmn) un reģionālās ķīniešu valodas variācijas (zh-cn, zh-tw, zh-hk). Neatbalstīts vai nepareizs kods izraisīs pieprasījuma kļūmi.
# Automātiska noteikšana (noklusējums)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # valodas, kas atpazītas ar pietiekamu pārliecību
# Sagaidāmās valodas
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages ir saraksts, kas specifisks gpt-transcribe; vecāki modeļi parametrā language pieņem vienu valodu. Nekad nesūti abus vienlaicīgi.
Biežāk lietotās Eiropas valodas
Visbiežāk lietotie ISO 639-1 kodi Eiropā:
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",
}
Daudzvalodu satura apstrāde
Starptautiskā sanāksmē valodas mainās. gpt-transcribe ir paredzēts šim gadījumam: tā modeļa aprakstā minēts atbalsts vairākām valodu norādēm, daudzvalodu audio un valodu maiņai viena teikuma ietvaros. Norādi visas sagaidāmās valodas vienā piegājienā:
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("Atpazītās valodas:", result.languages)
Vecā divu piegājienu metode, kas ar whisper-1 režīmā verbose_json noteica dominējošo valodu un pēc tam atkārtoti transkribēja, piespiežot šo valodu, vairs nav nepieciešama: tā piespieda vienu valodu visam ierakstam, un whisper-1 tiks slēgts 2027. gada 26. februārī.
Cenas
Transkribēšana tiek tarifēta pēc apstrādātā audio ilguma: 0,0045 USD par minūti, izmantojot gpt-transcribe, saskaņā ar tā modeļa aprakstu (2026. gada novembris). Faila formāts tāpēc neietekmē izmaksas: nozīgs ir tikai ilgums.
Lai samazinātu izmaksas lielos apjomos:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Noņem klusumu, lai samazinātu tarifējamo ilgumu."""
audio = AudioSegment.from_file(file_path)
# Noņem klusumu, kas garāks par 1 sekundi
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Saglabā 200ms klusuma lasāmībai
)
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
Galvenās atziņas
- Transkribēšanas galapunkts pieņem FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV un WebM, ar 25 MB limitu vienam failam
- Izmantojot
gpt-transcribe, sarakstslanguagesnorāda sagaidāmās valodas; atbilde atgriež atpazītās valodas - Mono 16 kHz MP3 ar 64 kbps nodrošina labāko kvalitātes un lieluma kompromisu balsij
- Tarifikācija ir par audio minūti: klusuma noņemšana samazina izmaksas
- Daudzvalodu saturam viens piegājiens ar visām sagaidāmajām valodām parametrā
languagesaizstāj veco divu piegājienu metodi