Formati u lingwi appoġġjati
F'din il-paġna
Aġġornament 2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati:
tts-1,tts-1-hd, ugpt-4o-mini-ttsse jitgħalqu fis-6 ta’ Jannar, 2027 (is-sostitut indikat huwagpt-realtime-2.1-mini, li l-gwida TTS ta’ OpenAI tiddikjara li mhijiex appoġġjata minn/v1/audio/speech: il-migrazzjoni tas-sinteżi tal-kelma tmur lejn l-API Realtime);gpt-realtime,gpt-4o-realtime, u mudelli tal-awdjo legacy fis-20 ta’ Jannar, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, u/v1/audio/translationsfis-26 ta’ Frar, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Għal-vuċi full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru, 2026. Lezzjoni kkoreġuta fit-3 ta’ Novembru, 2026: eżempji aġġornati minnwhisper-1għalgpt-transcribe(bl-użu tal-parametrulanguages), għadd ta’ lingwi ta’ Whisper ikkoreġut (98, mhux “aktar minn 50”, skont il-gwida File transcription), il-metodu b’żewġ passi multilingwi sostitwit bis-sugġerimenti tal-lingwa ta’gpt-transcribe, prezzijiet ivverifikati. Sorsi: File transcription · GPT-Transcribe · Create transcription.
Formati u lingwi appoġġjati
Il-mudelli ta’ trascrizzjoni ta’ OpenAI jaċċettaw varjetà wiesgħa ta’ formati tal-awdjo u jappoġġjaw għexieren ta’ lingwi. L-għażla tal-format tal-input it-tajjeb u l-konfigurazzjoni korretta tal-lingwa jaffettwaw direttament il-kwalità tat-traskrizzjoni u l-ispejjeż. Din il-lezzjoni tiddettalja l-għażliet disponibbli u l-aħjar prattiki.
Formati tal-awdjo appoġġjati
Skont ir-referenza tal-API, il-punt tat-tmiem (endpoint) tat-traskrizzjoni jaċċetta l-formati flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, u webm, sakemm l-isem tal-fajl jinkludi l-estensjoni korretta. L-aktar komuni huma:
| Format | Estensjoni | Kompressjoni | Użu rrakkomandat |
|---|---|---|---|
| MP3 | .mp3 | Lossy, proporzjon tajjeb | Podcasts, reġistrazzjonijiet tal-vuċi |
| MP4 / M4A | .mp4, .m4a | AAC lossy | Vidjows, reġistrazzjonijiet mobbli |
| WAV | .wav | Mhux ikkumpressat | Reġistrazzjonijiet tal-istudjo |
| WebM | .webm | Opus lossy | Reġistrazzjonijiet tal-browser |
| FLAC | .flac | Lossless | Kwalità massima mingħajr telf |
| OGG | .ogg | Vorbis/Opus | Applikazzjonijiet open source |
Id-daqs massimu tal-fajl huwa 25 MB. Għal MP3 b’128 kbps, dan huwa ekwivalenti għal madwar 25 minuta ta’ awdjo. Għal WAV mhux ikkumpressat, huwa ferm inqas.
Ottimizzazzjoni tad-daqs tal-fajl
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Jikkonverti fajl tal-awdjo f'MP3 ħafif, biżżejjed għall-kelma."""
audio = AudioSegment.from_file(input_path)
# Ikkonverti għal mono 16kHz (biżżejjed għall-kelma)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Esporta bħala MP3 64kbps (kompromess tajjeb kwalità/daqs għall-vuċi)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Lingwi appoġġjati
whisper-1 ikopri 98 lingwa, b’preċiżjoni li tvarja skont il-lingwa. gpt-transcribe jiskopri l-lingwa awtomatikament; jekk tkun taf liema lingwi mistennija, speċifikahom f’languages: kodiċijiet ISO 639-1 (fr, en, es…), xi kodiċijiet ISO 639-3 (eng, spa, yue, cmn), u varjanti reġjonali taċ-Ċiniż (zh-cn, zh-tw, zh-hk). Kodiċi mhux appoġġjat jew ħażin se jikkawża li t-talba tfalli.
# Skoperta awtomatika (default)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # lingwi rikonoxxuti b'kunfidenza suffiċjenti
# Lingwi mistennija
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages hija lista, speċifika għal gpt-transcribe; mudelli eqdem jaċċettaw lingwa waħda f’language. Qatt ma tibgħat it-tnejn flimkien.
Lingwi Ewropej komuni
L-aktar kodiċijiet ISO 639-1 użati spiss fl-Ewropa:
EUROPEAN_LANGUAGES = {
"fr": "Franċiż",
"en": "Ingliż",
"de": "Ġermaniż",
"es": "Spanjol",
"it": "Taljan",
"pt": "Portugiż",
"nl": "Olandiż",
"pl": "Pollakk",
"ro": "Rumen",
"sv": "Svediż",
"da": "Daniż",
"fi": "Finlandiż",
"el": "Grieg",
"cs": "Ċek",
"hu": "Ungeriż",
"bg": "Bulgaru",
"hr": "Kroat",
"sk": "Slovakk",
"sl": "Sloven",
"et": "Estonjan",
"lv": "Latvjan",
"lt": "Litwan",
}
Ġestjoni ta’ kontenut multilingwi
Laqgħa internazzjonali tibdel bejn il-lingwi. gpt-transcribe huwa ddisinjat għal dan il-każ: il-karta tal-mudell tiegħu tiċċita appoġġ għal diversi sugġerimenti ta’ lingwa, awdjo multilingwi, u bidla tal-kodiċi (code-switching) fi ħdan sentenza waħda. Ipprovdi l-lingwi mistennija kollha f’daqqa waħda:
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("Lingwi rikonoxxuti:", result.languages)
Il-metodu antik b’żewġ passi, li kien jiskopri l-lingwa dominanti b’whisper-1 fil-modalità verbose_json u mbagħad jerġa’ jittraskrivi billi jfurza dik il-lingwa, m’għadx meħtieġ: kien jfurza lingwa waħda fuq ir-reġistrazzjoni kollha, u whisper-1 se jingħalaq fis-26 ta’ Frar, 2027.
Prezzijiet
It-traskrizzjoni tiġi fatturata skont id-durata tal-awdjo pproċessat: $0.0045 kull minuta b’gpt-transcribe, skont il-karta tal-mudell tiegħu (Novembru 2026). Għalhekk, il-format tal-fajl ma jaffettwax l-ispiża: biss id-durata tgħodd.
Biex tnaqqas l-ispejjeż fu volumi kbar:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Ineħħi s-silenzju biex inaqqas id-durata fatturata."""
audio = AudioSegment.from_file(file_path)
# Neħħi silenzji itwal minn sekonda waħda
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Żomm 200ms ta' silenzju għal-leġġibbiltà
)
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
Punti Ewlenin
- Il-punt tat-tmiem tat-traskrizzjoni jaċċetta FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV, u WebM, b’limitu ta’ 25 MB kull fajl
- Ma’
gpt-transcribe, il-listalanguagestispeċifika l-lingwi mistennija; ir-risposta tirritorna l-lingwi rikonoxxuti - MP3 mono 16 kHz b’64 kbps joffri l-aħjar kompromess kwalità/daqs għall-vuċi
- Il-fatturazzjoni hija kull minuta ta’ awdjo: it-tneħħija tas-silenzju tnaqqas l-ispejjeż
- Għal kontenut multilingwi, pass wieħed bil-lingwi mistennija kollha f’
languagesjissostitwixxi l-metodu antik b’żewġ passi