Obsługiwane formaty i języki
Na tej stronie
Aktualizacja z 2 listopada 2026 — Modele audio. Kilka modeli omawianych w tym kursie zostało wycofanych:
tts-1,tts-1-hdorazgpt-4o-mini-ttszostaną wyłączone 6 stycznia 2027 r. (zalecanym zamiennikiem jestgpt-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-realtimeoraz 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-transcribeoraz/v1/audio/translationszostaną 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 zwhisper-1nagpt-transcribe(z wykorzystaniem parametrulanguages), skorygowano liczbę języków obsługiwanych przez Whisper (98, a nie „ponad 50“, zgodnie z przewodnikiem File transcription), metodę dwuetapową dla wielu języków zastąpiono wskazówkami językowymi wgpt-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, listalanguagesokreśla 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
languageszastępuje starą metodę dwuetapową