Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Ottimizza l-Kwalità tat-Traskrizzjoni

Lezzjoni 9 / 18 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Ottimizza l-Kwalità tat-Traskrizzjoni
  2. Il-parametru prompt
  3. Il-parametru temperature
  4. Ipproċessar minn qabel tal-awdjo (Preprocessing)
  5. Post-ipproċessar tat-traskrizzjoni
  6. Pipeline sħiħa ta’ traskrizzjoni
  7. 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 jieqfu jaħdmu fis-6 ta’ Jannar, 2027 (is-sostitut indikat huwa gpt-realtime-2.1-mini, li l-gwida tal-API TTS ta’ OpenAI tiddikjara li mhix appoġġjata minn /v1/audio/speech: il-migrazzjoni tas-sinteżi tal-vuċi tmur lejn l-API Realtime); gpt-realtime, gpt-4o-realtime, u mudelli tal-awdjo legacy fl-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). Għall-vuċi full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru, 2026. Lezzjoni aġġornata fit-3 ta’ Novembru, 2026: l-eżempji nbidlu għal gpt-transcribe (prompt, keywords, languages), il-mudell irrakkomandat minn OpenAI; it-temperatura 0 mhix għażla ta’ “dejjem l-aktar probabbli”: skont ir-referenza tal-API, il-mudell imbagħad jaġġusta t-temperatura waħdu f’passi. Sorsi: File transcription · Create transcription.

Ottimizza l-Kwalità tat-Traskrizzjoni

Whisper jipproduċi traskrizzjonijiet eċċellenti b’mod default, iżda diversi tekniki jistgħu jtejbu l-kwalità b’mod sinifikanti, speċjalment f’każijiet diffiċli: storbju fl-isfond, aċċenti reġjonali, vokabolarju tekniku, u ismijiet proprji. Din il-lezzjoni tkopri parametri avvanzati u strateġiji ta’ post-ipproċessar.

Il-parametru prompt

Il-kuntest huwa l-leva primarja tiegħek biex ittejjeb il-kwalità. Ma’ gpt-transcribe, il-mudell irrakkomandat minn OpenAI, il-kuntest jgħaddi permezz ta’ tliet parametri: prompt (sentenza kuntestwali fil-lingwa tal-awdjo), keywords (termini li għandhom jiġu rikonoxxuti), u languages (il-lingwi mistennija).

# Mingħajr kuntest, l-ismijiet tal-prodotti jriskjaw li jiġu traskritti ħażin
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# Bil-kuntest u l-kliem kjavi
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Laqgħa teknika ta' Corsen AI dwar aġenti tal-vuċi.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

L-aħjar prattiki għall-prompt

  • Elenska ismijiet proprji: nies, kumpaniji, prodotti
  • Inkludi ġargon tekniku: akronimi, termini speċifiċi għad-dominju
  • Speċifika l-istil mistenni: punteġġjatura, kapitalizzazzjoni
  • Ma’ whisper-1, kollox jgħaddi mill-prompt wieħed, limitat għal 224 token: il-gwida tispeċifika li Whisper ma jsegwix istruzzjonijiet bħal mudell tat-test, għalhekk il-benefiċċju li sempliċiment telenka l-ortografiji korretti hemmhekk
  • Ma’ gpt-transcribe, poġġi t-termini f’keywords, wieħed għal kull entrata, mingħajr <, >, jew newlines, inkella l-API tiċħad it-talba
def build_transcription_prompt(context: dict) -> str:
    """Jibni prompt kuntestwali għat-traskrizzjoni."""
    parts = []

    if context.get("speakers"):
        parts.append(", ".join(context["speakers"]))

    if context.get("technical_terms"):
        parts.append(", ".join(context["technical_terms"]))

    if context.get("topic"):
        parts.append(context["topic"])

    return ". ".join(parts)

prompt = build_transcription_prompt({
    "speakers": ["Mordehai Attia", "Yoram Halberstam"],
    "technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
    "topic": "Laqgħa teknika dwar aġenti tal-vuċi"
})

Il-parametru temperature

L-endpoint jaċċetta temperature bejn 0 u 1, b’default ta’ 0. Kuntrarjament għal konċett żbaljat komuni, il-valur 0 ma jfissirx “dejjem il-kelma l-aktar probabbli”: skont ir-referenza tal-API, il-mudell imbagħad jiddependi fuq il-probabbiltajiet tat-token tiegħu biex jgħolli t-temperatura waħdu f’passi, sa ċerti limiti.

Fil-prattika, ħalli l-valur default. Id-dokumentazzjoni għal gpt-transcribe tenfasizza l-kuntest (prompt, keywords, languages), mhux it-temperatura; fuq whisper-1, temperatura kemxejn ogħla (0.2, pereżempju) tista’ tiġi ttestjata fuq awdjo degradat każ b’każ.

Ipproċessar minn qabel tal-awdjo (Preprocessing)

Il-kwalità tal-awdjo tad-dħul hija l-fattur l-aktar deċiżiv. Investa fl-ipproċessar minn qabel:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Jipproċessa l-awdjo minn qabel għal traskrizzjoni ottimali."""
    audio = AudioSegment.from_file(input_path)

    # 1. Ikkonverti għal mono (l-istereo ma jżid xejn għall-vuċi)
    audio = audio.set_channels(1)

    # 2. Ibbidla tar-rata tal-kampjunar għal 16 kHz (biżżejjed għal Whisper)
    audio = audio.set_frame_rate(16000)

    # 3. Normalizza l-volum
    audio = normalize(audio)

    # 4. Ikkompressa l-firxa dinamika (tnaqqas id-differenza bejn għoli u baxx)
    audio = compress_dynamic_range(audio)

    # 5. Esporta bħala MP3 ta' 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Tnaqqis tal-istorbju

Għal reġistrazzjonijiet b’ħafna storbju, l-ipproċessar minn qabel b’noisereduce itejjeb ir-riżultati b’mod sinifikanti:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Inaqqas l-istorbju fl-isfond qabel it-traskrizzjoni."""
    data, rate = sf.read(input_path)

    # Tnaqqis adattattiv tal-istorbju
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # Tnaqqis tal-istorbju ta' 80%
        stationary=False     # Storbju mhux stazzjonarju (eż. kafetterija)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Post-ipproċessar tat-traskrizzjoni

Anke b’ipproċessar minn qabel tajjeb, it-traskrizzjoni raw tista’ teħtieġ korrezzjonijiet. Uża GPT għall-post-ipproċessar:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Jikkoreġi u jifforma traskrizzjoni ta' Whisper."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Inti korrettur ta' traskrizzjonijiet. "
                "Ikkoreġi żbalji ovvji ta' Whisper mingħajr ma tbiddel it-tifsira. "
                "Żid il-punteġġjatura nieqsa. "
                "Iffissa l-kapitalizzazzjoni għal ismijiet proprji u akronimi. "
                "Tagħmilx sommarju jew tfassal mill-ġdid."
            )},
            {"role": "user", "content": (
                f"Kuntest: {context}\n\n"
                f"Traskrizzjoni raw:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Pipeline sħiħa ta’ traskrizzjoni

Igħaqqad il-passi kollha f’pipeline robusta:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Pipeline sħiħa ta' traskrizzjoni ta' kwalità għolja."""
    # 1. Ipproċessar minn qabel
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Ibni l-kuntest: biss parametri mimlija
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Traskrivi
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Post-ipproċessar
    context = f"Lingwa: {language}, Kelliema: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Punti Ewlenin

  • Il-kuntest huwa l-leva l-aktar effettiva: prompt, keywords, u languages ma’ gpt-transcribe; il-prompt wieħed, limitat għal 224 token, ma’ whisper-1
  • temperature hija default għal 0, u f’0 il-mudell jaġġusta t-temperatura waħdu jekk ikun meħtieġ: ħalli l-valur default
  • L-ipproċessar minn qabel tal-awdjo (mono, 16 kHz, normalizzazzjoni, tneħħija tal-istorbju) itejjeb il-kwalità aktar minn kwalunkwe parametru tal-API
  • Il-post-ipproċessar ta’ GPT jikkoreġi l-punteġġjatura, il-kapitalizzazzjoni, u żbalji residwi
  • Pipeline sħiħa tgħaqqad l-ipproċessar minn qabel, il-prompting kuntestwali, u l-post-ipproċessar għal kwalità massima