Ottimizza l-Kwalità tat-Traskrizzjoni
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 jieqfu jaħdmu fis-6 ta’ Jannar, 2027 (is-sostitut indikat huwagpt-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/translationsfis-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 għalgpt-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-promptwieħed, 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, ulanguagesma’gpt-transcribe; il-promptwieħed, limitat għal 224 token, ma’whisper-1 temperaturehija 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