Automātiskā tulkošana
Šajā lapā
Nodarbība pārrakstīta 2026. gada 3. novembrī. Iepriekš tā balstījās uz
/v1/audio/translationsgalapunktu unwhisper-1modeli, 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, izmantojotgpt-transcribe, kam seko teksta tulkošana; tiešraides runai – specializētu tulkošanas sesiju argpt-realtime-translate. Kods ir pārbaudīts ar SDKopenai3.42.1 un bibliotēkuwebsocket-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:
| Vajadzība | Rīks (kopš 2026. gada novembra) | Rezultāts |
|---|---|---|
| Ieraksts, kas jātulko (sapulce, apraide, arhivēts zvans) | gpt-transcribe transkribēšanai oriģinālvalodā, pēc tam teksta modelis tulkošanai | Tulkojums tekstā mērķvalodā |
| Tiešraides runa, kas jātulko mutiski (zvans, konference, nodarbība) | Tulkošanas sesija Realtime režīmā ar gpt-realtime-translate | Tulkojums audio formātā un transkripti, ģenerēti runas laikā |
Vecais ceļš: /v1/audio/translations ar whisper-1 | Novecojis, pārtraukts 2027. gada 26. februārī | Tikai 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 sesija | Tulkošanas sesija |
|---|---|
Savienojas ar /v1/realtime | Savienojas ar /v1/realtime/translations |
| Modelis darbojas kā asistents | Modelis darbojas kā tulks |
Sarunu un atbilžu cikls (response.create) | Nepārtraukta plūsma no ienākošā audio, bez response.create |
| Var izsaukt rīkus | Ģenerē 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/translationsunwhisper-1tiek slēgti 2027. gada 26. februārī bez tieša aizstājēja: nepietiek tikai nomainīt modeli- Ierakstam:
gpt-transcribeoriģinālvalodā, 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, bezresponse.create - WebRTC pārlūkprogrammā ar servera ģenerētu klienta noslēpumu; WebSocket servera pusē ar 16-bitu PCM audio pie 24 kHz