Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Automātiskā tulkošana

Nodarbība 8 no 18 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Divas vajadzības, divi rīki
  2. Ieraksta tulkošana
  3. Tiešraides runas tulkošana mutiski
  4. Galvenās atziņas

Nodarbība pārrakstīta 2026. gada 3. novembrī. Iepriekš tā balstījās uz /v1/audio/translations galapunktu un whisper-1 modeli, kuri abi ir atzīti par novecojušiem un pārtraukti 2027. gada 26. februārī, kā arī uz pielāgotu Realtime asistenta sesiju, kas darbojās kā tulks. OpenAI tagad piedāvā divus ceļus: ierakstiem – transkribēšanu oriģinālvalodā, izmantojot gpt-transcribe, kam seko teksta tulkošana; tiešraides runai – specializētu tulkošanas sesiju ar gpt-realtime-translate. Kods ir pārbaudīts ar SDK openai 3.42.1 un bibliotēku websocket-client. Avoti: Failu transkribēšana · Tiešraides tulkošana · Novecojušie risinājumi.

Divas vajadzības, divi rīki

Audio tulkošana aptver divus ļoti atšķirīgus scenārijus, un OpenAI tos apstrādā ar dažādiem rīkiem:

VajadzībaRīks (kopš 2026. gada novembra)Rezultāts
Ieraksts, kas jātulko (sapulce, apraide, arhivēts zvans)gpt-transcribe transkribēšanai oriģinālvalodā, pēc tam teksta modelis tulkošanaiTulkojums tekstā mērķvalodā
Tiešraides runa, kas jātulko mutiski (zvans, konference, nodarbība)Tulkošanas sesija Realtime režīmā ar gpt-realtime-translateTulkojums audio formātā un transkripti, ģenerēti runas laikā
Vecais ceļš: /v1/audio/translations ar whisper-1Novecojis, pārtraukts 2027. gada 26. februārīTikai teksts angļu valodā

OpenAI ceļvedis uzsver vienu galveno punktu: vienkārša modeļa ID maiņa pieprasījumā uz /v1/audio/translations neko nemigrē. Vecais galapunkts, kas spēja tulkot tikai angļu valodā, nav tieši aizstājams.

Ieraksta tulkošana

Šī metode vispirms precīzi transkribē saturu runātajā valodā un pēc tam iztulko tekstu. Tā darbojas jebkurai mērķvalodai – atšķirībā no vecā galapunkta, kas ģenerēja tikai angļu valodu – un nodrošina abus tekstus, kas ir noderīgi pārbaudei:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transkribē ierakstu tā oriģinālvalodā, pēc tam iztulko tekstu."""
    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"])

Divi lēmumi ir pelnījuši skaidrojumu. Tulkošanas instrukcija tiek ievietota laukā instructions, bet transkripts nonāk kā neapstrādāti dati laukā input: ieraksts var saturēt jebko, tostarp frāzi, kas izskatās pēc komandas, un tam nedrīkst būt iespēja modificēt instrukciju. Modelis gpt-6-luna ir tas, ko OpenAI iesaka liela mēroga apstrādei, kur svarīgas izmaksas; smalkam juridiskam vai tehniskam tekstam izvēlies spējīgāku modeli, piemēram, gpt-6.1-sol.

Tiešraides runas tulkošana mutiski

Lai tulkotu, kamēr kāds runā, OpenAI piedāvā īpašu Realtime sesijas veidu. Ceļvedis to skaidri nošķir no balss aģenta sesijas:

Balss aģenta sesijaTulkošanas sesija
Savienojas ar /v1/realtimeSavienojas ar /v1/realtime/translations
Modelis darbojas kā asistentsModelis darbojas kā tulks
Sarunu un atbilžu cikls (response.create)Nepārtraukta plūsma no ienākošā audio, bez response.create
Var izsaukt rīkusĢenerē tulkotu audio un transkriptus

Pārvades veids ir atkarīgs no tā, kur nonāk audio. Pārlūkprogrammā WebRTC nosūta mikrofona ievadi un saņem tulkoto balsi kā audio celiņus; tavs serveris šim nolūkam ģenerē īslaicīgu klienta noslēpumu, izmantojot /v1/realtime/translations/client_secrets, lai tava API atslēga nekad neatstātu serveri. Servera pusē, kad audio jau nonāk neapstrādātā veidā (telefona plūsma, uztveršana), pietiek ar WebSocket savienojumu:

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
    ],
)

# Tulka izvades valoda
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Pievieno avota audio fragmentu: 16-bitu PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Kamēr sūti audio, ieskaitot klusuma brīžus, sesija atgriež notikumus apstrādei reāllaikā: session.output_audio.delta satur tulkoto audio base64 formātā, session.output_transcript.delta – tulkoto tekstu, bet session.input_transcript.delta – oriģināla transkriptu. Kad avots apstājas, nosūti session.close: serviss pabeidz pašreizējo tulkojumu un pēc tam atbild ar 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))

Neatstāj novārtā notikumu error: noraidīta atslēga neizraisa paša savienojuma kļūmi; tā parādās tieši pēc tam kā notikums error ar kodu invalid_api_key (novērots 2026. gada 3. novembrī). Ražošanas vidē uztvere norisinās paralēli sūtīšanai atsevišķā pavedienā vai uzdevumā, un tulkotais audio tiek novirzīts atskaņotājam vai telefona līnijai, tiklīdz tas pienāk: oficiālajā ceļvedī ir pieejama pilna versija, ieskaitot audio atskaņošanu.

Galvenās atziņas

  • /v1/audio/translations un whisper-1 tiek slēgti 2027. gada 26. februārī bez tieša aizstājēja: nepietiek tikai nomainīt modeli
  • Ierakstam: gpt-transcribe oriģinālvalodā, pēc tam teksta tulkošana ar teksta modeli uz jebkuru valodu
  • Saglabā tulkošanas instrukciju laukā instructions, bet transkriptu kā neapstrādātus datus
  • Tiešraides runai: tulkošanas sesija (/v1/realtime/translations, gpt-realtime-translate), kas darbojas kā tulks, bez response.create
  • WebRTC pārlūkprogrammā ar servera ģenerētu klienta noslēpumu; WebSocket servera pusē ar 16-bitu PCM audio pie 24 kHz