Przejdź do głównej treści
Polski— Wybierz język
Menu

Transkrypcja pliku audio: gpt-transcribe i Whisper

Lekcja 6 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Transkrypcja nagrania
  2. Który model wybrać w listopadzie 2026 r.
  3. Pierwsza transkrypcja
  4. Nadaj modelowi kontekst
  5. Śledź transkrypcję w czasie rzeczywistym
  6. Znaczniki czasu i napisy: whisper-1 do 26 lutego 2027 r.
  7. Długie pliki
  8. Kluczowe wnioski

Lekcja przepisana 3 listopada 2026 r. Ten przewodnik wcześniej omawiał model whisper-1, który jest przestarzały i zostanie wycofany 26 lutego 2027 r. Przewodnik OpenAI dotyczący transkrypcji plików obecnie rekomenduje użycie gpt-transcribe. Należy jednak pamiętać, że gpt-transcribe nie udostępnia znaczników czasu, napisów w formacie SRT ani VTT, ani odpowiedzi w formacie verbose_json. Dla tych konkretnych potrzeb whisper-1 pozostaje jedyną opcją aż do momentu jego wycofania. W poprzednim kodzie segmenty były obsługiwane jako słowniki (segment["start"]), co przy użyciu Python SDK powoduje błąd TypeError; są to obiekty (segment.start). Każde wywołanie zostało zweryfikowane przy użyciu SDK openai w wersji 3.42.1. Źródła: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Transkrypcja nagrania

Transkrypcja plików odpowiada najczęstszemu przypadkowi użycia: masz gotowe nagranie (spotkanie, podcast, wiadomość głosową) i potrzebujesz jego tekstu. Wysyłasz plik do punktu końcowego /v1/audio/transcriptions i otrzymujesz transkrypcję. W przypadku dźwięku, który nadal napływa, np. z mikrofonu lub podczas rozmowy, właściwym podejściem jest transkrypcja na żywo przez Realtime API, co omówimy później w tym kursie.

Plik musi mieć rozmiar 25 MB lub mniejszy i być zapisany w jednym z następujących formatów: mp3, mp4, mpeg, mpga, m4a, wav lub webm.

Który model wybrać w listopadzie 2026 r.

ModelStatusKluczowe cechy
gpt-transcribeRekomendowanyKontekst (prompt), słowa kluczowe (keywords), oczekiwane języki (languages), transkrypcja strumieniowa; 0,0045 USD za minutę
whisper-1Przestarzały, wycofanie 26 lutego 2027 r.Jedyny model udostępniający znaczniki czasu, verbose_json, napisy SRT i VTT oraz tłumaczenie na język angielski
gpt-4o-transcribe, gpt-4o-mini-transcribePrzestarzały, wycofanie 26 lutego 2027 r.Zastąpiony przez gpt-transcribe
gpt-4o-transcribe-diarizePrzestarzały, wycofanie 26 lutego 2027 r.Identyfikacja mówcy (diarized_json)

Pierwsza transkrypcja

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)

Domyślnie odpowiedź jest obiektem JSON: transcription.text zawiera tekst, a transcription.languages wymienia języki, które model rozpoznał z wystarczającym poziomem pewności (pusta lista, jeśli nie udało się zidentyfikować żadnego).

Nadaj modelowi kontekst

Nagranie ze spotkania jest pełne nazw własnych, akronimów i terminów wewnętrznych, których model nie ma powodu znać. gpt-transcribe akceptuje trzy wskazówki, które możesz łączyć:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Spotkanie zarządu dotyczące projektu Corsen AI i kontraktu AC-42.",
        keywords=["Corsen AI", "AC-42", "RODO"],
        languages=["pl", "en"],
    )

print(transcription.text)
  • prompt opisuje kontekst w jednym zdaniu, w języku nagrania. Nie jest to instrukcja systemowa, lecz wskazówka kierująca rozpoznawaniem.
  • keywords to lista terminów do rozpoznania. Wpisz jedno słowo kluczowe na element, bez znaków <, > lub znaków nowej linii: API odrzuci całe żądanie, jeśli znajdzie którykolwiek z nich.
  • languages określa oczekiwane języki przy użyciu kodów ISO 639-1 (pl, en, es…). Zastępuje to parametr language ze starszych modeli: nigdy nie wysyłaj obu jednocześnie.

Śledź transkrypcję w czasie rzeczywistym

W przypadku długich plików nie musisz czekać do końca, aby wyświetlić początek. Dzięki stream=True API zwraca zdarzenia w miarę przetwarzania, bez konieczności inicjowania sesji 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()  # pełna transkrypcja w event.text

Znaczniki czasu i napisy: whisper-1 do 26 lutego 2027 r.

Przewodnik OpenAI stwierdza wyraźnie: jego przykłady dotyczące znaczników czasu na poziomie wyrazów, napisów i identyfikacji mówcy opierają się na przestarzałych modelach. Jeśli potrzebujesz tych funkcji, whisper-1 pozostaje dostępny do 26 lutego 2027 r. i jest to jedyny model akceptujący verbose_json oraz 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()}")

Segmenty są obiektami SDK: odczytuj segment.start, a nie segment["start"]. Przy użyciu timestamp_granularities=["word"] znaczniki czasu na poziomie wyrazów pojawiają się w transcription.words, kosztem nieco większego opóźnienia. Ten sam model generuje również gotowe do użycia napisy: przy response_format="srt" lub "vtt" SDK zwraca bezpośrednio tekst pliku z napisami.

Przewodnik nie wskazuje jeszcze zamiennika dla tych funkcji. Jeśli Twój produkt zależy od znaczników czasu lub napisów, zaplanuj rozwiązanie przed 26 lutego 2027 r.

Długie pliki

W przypadku plików większych niż 25 MB skompresuj dźwięk lub podziel go. Dokumentacja zaleca unikanie cięć w środku zdania, co powoduje utratę kontekstu, i sugeruje bibliotekę pydub do dzielenia (OpenAI nie gwarantuje działania tego oprogramowania firm trzecich). Przekazanie końca poprzedniego fragmentu w parametrze prompt pomaga modelowi zachować ciągłość – jest to zastosowanie tego parametru cytowane w przewodniku:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transkrybuje długie nagranie w 10-minutowych fragmentach."""
    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 {}  # ciągłość
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Dzielenie o stałym czasie trwania czasami przecina zdanie w połowie: aby uzyskać dopracowany wynik, dziel nagranie w miejscach ciszy.

Kluczowe wnioski

  • gpt-transcribe to rekomendowany model do transkrypcji plików; whisper-1 oraz gpt-4o-*-transcribe zostaną wycofane 26 lutego 2027 r.
  • Parametry prompt, keywords i languages (zamiast dawnego language) kierują rozpoznawaniem terminów i języków.
  • stream=True zwraca transkrypcję na bieżąco (transcript.text.delta) bez konieczności uruchamiania sesji Realtime.
  • Znaczniki czasu, verbose_json, SRT i VTT są dostępne wyłącznie w modelu whisper-1 do momentu jego wycofania; odczytuj segmenty jako obiekty (segment.start).
  • Maksymalny rozmiar pliku to 25 MB: skompresuj go lub podziel, najlepiej w miejscach ciszy.