Przejdź do głównej treści
Polski— Wybierz język
Menu

Obsługiwane formaty i języki

Lekcja 7 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Obsługiwane formaty i języki
  2. Obsługiwane formaty audio
  3. Obsługiwane języki
  4. Obsługa treści wielojęzycznych
  5. Cennik
  6. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 — Modele audio. Kilka modeli omawianych w tym kursie zostało wycofanych: tts-1, tts-1-hd oraz gpt-4o-mini-tts zostaną wyłączone 6 stycznia 2027 r. (zalecanym zamiennikiem jest gpt-realtime-2.1-mini, który zgodnie z przewodnikiem OpenAI TTS nie jest obsługiwany przez /v1/audio/speech: migracja syntezy mowy przechodzi do Realtime API); gpt-realtime, gpt-4o-realtime oraz starsze modele audio przestaną działać 20 stycznia 2027 r. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe oraz /v1/audio/translations zostaną wyłączone 26 lutego 2027 r. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). W przypadku komunikacji pełnodupleksowej (full-duplex), GPT-Live 1 jest dostępny w API od 10 września 2026 r. Lekcja poprawiona 3 listopada 2026 r.: przykłady zaktualizowano z whisper-1 na gpt-transcribe (z wykorzystaniem parametru languages), skorygowano liczbę języków obsługiwanych przez Whisper (98, a nie „ponad 50“, zgodnie z przewodnikiem File transcription), metodę dwuetapową dla wielu języków zastąpiono wskazówkami językowymi w gpt-transcribe, zweryfikowano cennik. Źródła: File transcription · GPT-Transcribe · Create transcription.

Obsługiwane formaty i języki

Modele transkrypcji OpenAI akceptują szeroką gamę formatów audio i obsługują dziesiątki języków. Wybór odpowiedniego formatu wejściowego i prawidłowa konfiguracja języka mają bezpośredni wpływ na jakość transkrypcji oraz koszty. W tej lekcji szczegółowo omawiamy dostępne opcje i najlepsze praktyki.

Obsługiwane formaty audio

Zgodnie z dokumentacją API, punkt końcowy transkrypcji przyjmuje formaty flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav i webm, pod warunkiem że nazwa pliku zawiera właściwe rozszerzenie. Najpopularniejsze z nich:

Format Rozszerzenie Kompresja Zalecane zastosowanie
MP3 .mp3 Stratna, dobry stosunek Podcasty, nagrania głosowe
MP4 / M4A .mp4, .m4a AAC stratna Wideo, nagrania mobilne
WAV .wav Nieskompresowany Nagrania studyjne
WebM .webm Opus stratny Nagrania z przeglądarki
FLAC .flac Bezstratny Maksymalna jakość bez strat
OGG .ogg Vorbis/Opus Aplikacje open source

Maksymalny rozmiar pliku to 25 MB. Dla pliku MP3 o bitrate 128 kbps odpowiada to około 25 minutom audio. W przypadku nieskompresowanego WAV jest to znacznie mniej.

Optymalizacja rozmiaru pliku

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Konwertuje plik audio do lekkiego formatu MP3, wystarczającego do mowy."""
    audio = AudioSegment.from_file(input_path)

    # Konwersja do mono 16 kHz (wystarczające do mowy)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Eksport jako MP3 64 kbps (dobry kompromis jakość/rozmiar dla głosu)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Obsługiwane języki

whisper-1 obsługuje 98 języków, przy czym dokładność varies w zależności od języka. gpt-transcribe wykrywa język automatycznie; jeśli wiesz, jakich języków się spodziewać, określ je w parametrze languages: kody ISO 639-1 (fr, en, es…), niektóre kody ISO 639-3 (eng, spa, yue, cmn) oraz regionalne warianty chińskiego (zh-cn, zh-tw, zh-hk). Nieobsługiwany lub błędny kod spowoduje niepowodzenie żądania.

# Wykrywanie automatyczne (domyślne)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # języki rozpoznane z wystarczającym poziomem pewności

# Oczekiwane języki
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages to lista specyficzna dla gpt-transcribe; starsze modele przyjmują pojedynczy język w parametrze language. Nigdy nie wysyłaj obu jednocześnie.

Popularne języki europejskie

Najczęściej używane kody ISO 639-1 w Europie:

EUROPEAN_LANGUAGES = {
    "fr": "French",
    "en": "English",
    "de": "German",
    "es": "Spanish",
    "it": "Italian",
    "pt": "Portuguese",
    "nl": "Dutch",
    "pl": "Polish",
    "ro": "Romanian",
    "sv": "Swedish",
    "da": "Danish",
    "fi": "Finnish",
    "el": "Greek",
    "cs": "Czech",
    "hu": "Hungarian",
    "bg": "Bulgarian",
    "hr": "Croatian",
    "sk": "Slovak",
    "sl": "Slovenian",
    "et": "Estonian",
    "lv": "Latvian",
    "lt": "Lithuanian",
}

Obsługa treści wielojęzycznych

Międzynarodowe spotkanie przełącza się między językami. gpt-transcribe został zaprojektowany właśnie do takich przypadków: jego karta modelu wskazuje na obsługę wielu wskazówek językowych, audio wielojęzycznego oraz przełączania kodów (code-switching) w obrębie jednego zdania. Podaj wszystkie oczekiwane języki w jednym przebiegu:

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("Recognized languages:", result.languages)

Stara metoda dwuetapowa, która wykrywała język dominujący za pomocą whisper-1 w trybie verbose_json, a następnie przeprowadzała ponowną transkrypcję, wymuszając ten język, nie jest już konieczna: wymuszała ona jeden język na całym nagraniu, a whisper-1 zostanie wyłączony 26 lutego 2027 r.

Cennik

Transkrypcja jest rozliczana według czasu przetworzonego audio: 0,0045 USD za minutę w przypadku gpt-transcribe, zgodnie z kartą modelu (listopad 2026). Format pliku nie wpływa zatem na koszt: liczy się wyłącznie czas trwania.

Aby zredukować koszty przy dużych wolumenach:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Usuwa ciszę, aby zmniejszyć rozliczany czas trwania."""
    audio = AudioSegment.from_file(file_path)

    # Usuń ciszę dłuższą niż 1 sekunda
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Zachowaj 200 ms ciszy dla czytelności
    )

    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

Kluczowe wnioski

  • Punkt końcowy transkrypcji akceptuje formaty FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM, z limitem 25 MB na plik
  • W przypadku gpt-transcribe, lista languages określa oczekiwane języki; odpowiedź zwraca rozpoznane języki
  • Mono 16 kHz MP3 przy 64 kbps oferuje najlepszy kompromis między jakością a rozmiarem dla głosu
  • Rozliczenia są naliczane za minutę audio: usuwanie ciszy redukuje koszty
  • W przypadku treści wielojęzycznych pojedyncze przebieg ze wszystkimi oczekiwanymi językami w languages zastępuje starą metodę dwuetapową