Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Traskrivi fajl awdjo: gpt-transcribe u Whisper

Lezzjoni 6 / 18 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Traskrivi reġistrazzjoni
  2. Liema mudell f’Novembru 2026
  3. L-ewwel traskrizzjoni
  4. Agħti kuntest lill-mudell
  5. Segwi t-traskrizzjoni f’ħin reali
  6. Timestamps u sottotitoli: whisper-1, sal-26 ta’ Frar 2027
  7. Fajls twal
  8. Punti Ewlenin

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 tirrakkomanda gpt-transcribe. Madankollu, gpt-transcribe ma jipprovdix timestamps, sottotitoli SRT jew VTT, jew risposta verbose_json. Għal dawn il-ħtiġijiet speċifiċi, whisper-1 jibqa’ l-unika għażla sa meta jitwaqqaf. Il-kodiċi preċedenti kien jaċċessa s-segmenti bħala dizzjunarji (segment["start"]), li jqajjem TypeError mas-SDK tal-Python; huma oġġetti (segment.start). Kull sejħa ġiet ivverifikata mas-SDK openai 3.42.1. 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

MudellStatusPunti ewlenin
gpt-transcribeRakkomandatKuntest (prompt), kliem ewlieni (keywords), lingwi mistennija (languages), traskrizzjoni streaming; $0.0045 kull minuta
whisper-1Deprekat, twaqqif fit-28 ta’ Frar 2027L-uniku mudell li jipprovdi timestamps, verbose_json, SRT u VTT, u traduzzjoni għall-Ingliż
gpt-4o-transcribe, gpt-4o-mini-transcribeDeprekat, twaqqif fit-28 ta’ Frar 2027Mibdula b’gpt-transcribe
gpt-4o-transcribe-diarizeDeprekat, twaqqif fit-28 ta’ Frar 2027Identifikazzjoni 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)
  • prompt jiddeskrivi l-kuntest f’sentenza waħda, fil-lingwa tar-reġistrazzjoni. Din mhix istruzzjoni tas-sistema; hija suġġeriment li jiggwida r-rikonoxximent.
  • keywords jelenka 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.
  • languages jispeċifika l-lingwi mistennija bl-użu tal-kodiċijiet ISO 639-1 (mt, en, es…). Dan jieħu post il-parametru language minn 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-transcribe huwa l-mudell rakkomandat għat-traskrizzjoni tal-fajls; whisper-1 u gpt-4o-*-transcribe jitwaqqfu fis-26 ta’ Frar 2027
  • prompt, keywords, u languages (mhux aktar language) jiggwidaw ir-rikonoxximent tat-termini u tal-lingwa
  • stream=True jirritorna t-traskrizzjoni hekk kif iseħħ (transcript.text.delta), mingħajr sessjoni Realtime
  • Timestamps, verbose_json, SRT, u VTT jeżistu biss ma’ whisper-1 sal-waqfien tiegħu; aqra s-segmenti bħala oġġetti (segment.start)
  • Massimu ta’ 25 MB kull fajl: ikkompressa jew aqsam, preferibbilment fuq is-skiet