Traskrivi fajl awdjo: gpt-transcribe u Whisper
F'din il-paġna
Lezzjoni miktuba mill-ġdid fit-3 ta’ Novembru 2026. Din il-gwida qabel kienet tkopri
whisper-1, li huwa deprekat u se jitwaqqaf fit-26 ta’ Frar 2027. Il-gwida File transcription ta’ OpenAI issa tirrakkomandagpt-transcribe. Madankollu,gpt-transcribema jipprovdix timestamps, sottotitoli SRT jew VTT, jew rispostaverbose_json. Għal dawn il-ħtiġijiet speċifiċi,whisper-1jibqa’ l-unika għażla sa meta jitwaqqaf. Il-kodiċi preċedenti kien jaċċessa s-segmenti bħala dizzjunarji (segment["start"]), li jqajjemTypeErrormas-SDK tal-Python; huma oġġetti (segment.start). Kull sejħa ġiet ivverifikata mas-SDKopenai3.42.1. Sorsi: File transcription · Create transcription · GPT-Transcribe · Deprecations.
Traskrivi reġistrazzjoni
It-traskrizzjoni tal-fajls tindirizza l-aktar każ ta’ użu komuni: għandek reġistrazzjoni lestuta (laqgħa, podcast, messaġġ vukali) u teħtieġ it-test. Tibgħat il-fajl lill-endpoint /v1/audio/transcriptions u tirċievi t-traskrizzjoni. Għal awdjo li għadu qed jasal, bħal minn mikrofonu jew sejħa, l-approċċ korrett huwa t-traskrizzjoni diretta permezz tar-Realtime API, koperta aktar tard f’dan il-kors.
Il-fajl irid ikun 25 MB jew inqas, f’wieħed mill-formati li ġejjin: mp3, mp4, mpeg, mpga, m4a, wav, jew webm.
Liema mudell f’Novembru 2026
| Mudell | Status | Punti ewlenin |
|---|---|---|
gpt-transcribe | Rakkomandat | Kuntest (prompt), kliem ewlieni (keywords), lingwi mistennija (languages), traskrizzjoni streaming; $0.0045 kull minuta |
whisper-1 | Deprekat, twaqqif fit-28 ta’ Frar 2027 | L-uniku mudell li jipprovdi timestamps, verbose_json, SRT u VTT, u traduzzjoni għall-Ingliż |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Deprekat, twaqqif fit-28 ta’ Frar 2027 | Mibdula b’gpt-transcribe |
gpt-4o-transcribe-diarize | Deprekat, twaqqif fit-28 ta’ Frar 2027 | Identifikazzjoni tal-kelliem (diarized_json) |
L-ewwel traskrizzjoni
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)
B’mod predefinit, ir-risposta hija oġġett JSON: transcription.text fiha t-test, u transcription.languages telenka l-lingwi li l-mudell irrikonoxxa bi fiduċja suffiċjenti (lista vojta jekk ma setax jidentifika l-ebda waħda).
Agħti kuntest lill-mudell
Reġistrazzjoni ta’ laqgħa mimlija ismijiet proprji, akronimi, u termini interni li l-mudell m’għandu l-ebda raġuni li jaf. gpt-transcribe jaċċetta tliet suġġerimenti li tista’ tgħaqqad:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Laqgħa ta' ġestjoni dwar il-proġett Corsen AI u l-kuntratt AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["mt", "en"],
)
print(transcription.text)
promptjiddeskrivi l-kuntest f’sentenza waħda, fil-lingwa tar-reġistrazzjoni. Din mhix istruzzjoni tas-sistema; hija suġġeriment li jiggwida r-rikonoxximent.keywordsjelenka termini li għandhom jiġu rrikonoxxuti. Daħħal kelma ewlenija waħda kull oġġett, mingħajr<,>, jew linji ġodda: l-API tiċħad it-talba kollha jekk issib xi waħda minn dawn.languagesjispeċifika l-lingwi mistennija bl-użu tal-kodiċijiet ISO 639-1 (mt,en,es…). Dan jieħu post il-parametrulanguageminn mudelli aktar antiki: qatt ma tibgħat it-tnejn flimkien.
Segwi t-traskrizzjoni f’ħin reali
Għal fajls twal, m’hemmx bżonn tistenna sa tmiemhom biex turi l-bidu. B’stream=True, l-API tirritorna avvenimenti hekk kif iseħħ l-ipproċessar, mingħajr ma teħtieġ sessjoni Realtime:
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() # traskrizzjoni sħiħa f'event.text
Timestamps u sottotitoli: whisper-1, sal-26 ta’ Frar 2027
Il-gwida ta’ OpenAI tgħid b’mod espliċitu: l-eżempji tagħha għal timestamps fil-livell tal-kliem, sottotitoli, u identifikazzjoni tal-kelliem jiddependu fuq mudelli deprekati. Jekk teħtieġ dawn il-funzjonijiet, whisper-1 jibqa’ disponibbli sal-26 ta’ Frar 2027, u huwa l-uniku mudell li jaċċetta verbose_json u 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()}")
Is-segmenti huma oġġetti tal-SDK: aqra segment.start, mhux segment["start"]. B’timestamp_granularities=["word"], it-timestamps fil-livell tal-kliem jidhru f’transcription.words, bl-ispiża ta’ latenza kemxejn ogħla. L-istess mudell jipproduċi wkoll sottotitoli lesti għall-użu: b’response_format="srt" jew "vtt", l-SDK jirritorna d-direttament it-test tal-fajl tas-sottotitoli.
Il-gwida għadha ma ħatritx sostitut għal dawn il-funzjonijiet. Jekk il-prodott tiegħek jiddependi fuq timestamps jew sottotitoli, ippjana soluzzjoni qabel is-26 ta’ Frar 2027.
Fajls twal
Għal fajls akbar minn 25 MB, ikkompressa l-awdjo jew aqsmu. Id-dokumentazzjoni tirrakkomanda li tevita qtugħ fin-nofs ta’ sentenza, li jitlifek il-kuntest, u tissuġġerixxi l-librerija pydub għat-tqassim (OpenAI ma tiggarantixxix dan is-softwer ta’ parti terza). Li tgħaddi t-tmiem tal-biċċa preċedenti f’prompt jgħin lill-mudell iżomm il-kontinwità, użu tal-parametru ċċitat fil-gwida:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Traskrivi reġistrazzjoni twila f'biċċiet ta' 10 minuti."""
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 {} # kontinwità
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
It-tqassim b’durata fissa xi kultar jaqta’ sentenza f’nofsha: għal riżultat irfinut, aqsam fuq is-skiet minflok.
Punti Ewlenin
gpt-transcribehuwa l-mudell rakkomandat għat-traskrizzjoni tal-fajls;whisper-1ugpt-4o-*-transcribejitwaqqfu fis-26 ta’ Frar 2027prompt,keywords, ulanguages(mhux aktarlanguage) jiggwidaw ir-rikonoxximent tat-termini u tal-lingwastream=Truejirritorna t-traskrizzjoni hekk kif iseħħ (transcript.text.delta), mingħajr sessjoni Realtime- Timestamps,
verbose_json, SRT, u VTT jeżistu biss ma’whisper-1sal-waqfien tiegħu; aqra s-segmenti bħala oġġetti (segment.start) - Massimu ta’ 25 MB kull fajl: ikkompressa jew aqsam, preferibbilment fuq is-skiet