Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Formati u lingwi appoġġjati

Lezzjoni 7 / 18 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Formati u lingwi appoġġjati
  2. Formati tal-awdjo appoġġjati
  3. Lingwi appoġġjati
  4. Ġestjoni ta’ kontenut multilingwi
  5. Prezzijiet
  6. Punti Ewlenin

Aġġornament 2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati: tts-1, tts-1-hd, u gpt-4o-mini-tts se jitgħalqu fis-6 ta’ Jannar, 2027 (is-sostitut indikat huwa gpt-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/translations fis-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 minn whisper-1 għal gpt-transcribe (bl-użu tal-parametru languages), 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-lista languages tispeċifika 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’languages jissostitwixxi l-metodu antik b’żewġ passi