Przejdź do głównej treści
Polski— Wybierz język
Menu

Tłumaczenie automatyczne

Lekcja 8 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Dwie potrzeby, dwa narzędzia
  2. Tłumaczenie nagrania
  3. Interpretacja mowy na żywo
  4. Kluczowe wnioski

Lekcja przepisana 3 listopada 2026 r. Wcześniej opierała się na punkcie końcowym /v1/audio/translations i modelu whisper-1, które zostały wycofane i zakończone 26 lutego 2027 r., a także na sesji asystenta Realtime wykorzystywanej jako interpreter. OpenAI oferuje obecnie dwie ścieżki: dla nagrań – transkrypcję w języku oryginalnym za pomocą gpt-transcribe, a następnie tłumaczenie tekstu; dla mowy na żywo – dedykowaną sesję tłumaczeniową z gpt-realtime-translate. Kod został zweryfikowany z SDK openai w wersji 3.42.1 oraz biblioteką websocket-client. Źródła: Transkrypcja plików · Tłumaczenie w czasie rzeczywistym · Wycofania.

Dwie potrzeby, dwa narzędzia

Tłumaczenie audio obejmuje dwa zupełnie różne scenariusze, a OpenAI obsługuje je za pomocą różnych narzędzi:

PotrzebaNarzędzie od listopada 2026 r.Wynik
Nagranie do przetłumaczenia (spotkanie, podcast, archiwalna rozmowa)gpt-transcribe do transkrypcji w języku oryginalnym, następnie model tekstowy do tłumaczeniaPrzetłumaczony tekst w języku docelowym
Mowa na żywo do interpretacji (rozmowa, konferencja, zajęcia)Sesja tłumaczeniowa Realtime z gpt-realtime-translatePrzetłumaczone audio i transkrypty generowane w miarę wypowiadania słów
Ścieżka legacy: /v1/audio/translations z whisper-1Wycofane, zakończone 26 lutego 2027 r.Tylko tekst w języku angielskim

Przewodnik OpenAI podkreśla jedną rzecz: sama zmiana identyfikatora modelu w żądaniu /v1/audio/translations niczego nie migruje. Stary punkt końcowy, który mógł tłumaczyć wyłącznie na język angielski, nie ma bezpośredniego zamiennika.

Tłumaczenie nagrania

Ta metoda najpierw wiernie transkrybuje nagranie w mówionym języku, a następnie tłumaczy tekst. Działa dla dowolnego języka docelowego – w przeciwieństwie do starego punktu końcowego, który generował tylko angielski – i daje Ci oba teksty, co jest przydatne do weryfikacji:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transkrybuje nagranie w jego oryginalnym języku, a następnie tłumaczy tekst."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Przetłumacz tekst dostarczony przez użytkownika na język {target_language}. "
            "Zachowaj ton i styl. Odpowiedz wyłącznie tłumaczeniem."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "niemiecki")
print(result["translation"])

Dwa wybory wymagają wyjaśnienia. Instrukcja tłumaczenia trafia do pola instructions, podczas gdy transkrypcja przychodzi jako zwykłe dane w input: nagranie może zawierać cokolwiek, w tym frazę wyglądającą jak polecenie, i nie może ono mieć możliwości modyfikacji instrukcji. Model gpt-6-luna jest tym, który OpenAI rekomenduje do przetwarzania na dużą skalę, wrażliwego na koszty; dla delikatnych tekstów prawnych lub technicznych wybierz model o większych możliwościach, taki jak gpt-6.1-sol.

Interpretacja mowy na żywo

Aby tłumaczyć w trakcie mówienia przez kogoś, OpenAI oferuje specjalny rodzaj sesji Realtime. Przewodnik wyraźnie rozróżnia ją od sesji agenta głosowego:

Sesja agenta głosowegoSesja tłumaczeniowa
Łączy się z /v1/realtimeŁączy się z /v1/realtime/translations
Model działa jako asystentModel działa jako interpreter
Cykl rozmowy i odpowiedzi (response.create)Ciągły strumień z przychodzącego audio, bez response.create
Może wywoływać narzędziaGeneruje przetłumaczone audio i transkrypty

Transport zależy od tego, gdzie dociera audio. W przeglądarce WebRTC wysyła wejście z mikrofonu i odbiera przetłumaczony głos jako ścieżki audio; Twój serwer tworzy dla tego krótkotrwały sekret klienta poprzez /v1/realtime/translations/client_secrets, dzięki czemu Twój klucz API nigdy nie opuszcza serwera. Po stronie serwera, gdy audio dociera już jako surowe dane (strumień telefoniczny, przechwytywanie), wystarczy połączenie WebSocket:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashowany identyfikator Twojego użytkownika
    ],
)

# Język wyjściowy interpretera
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Dołącza fragment źródłowego audio: 16-bitowe PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Gdy wysyłasz audio, włącznie z ciszą, sesja zwraca zdarzenia do przetworzenia na bieżąco: session.output_audio.delta niesie przetłumaczone audio w formacie base64, session.output_transcript.delta przetłumaczony tekst, a session.input_transcript.delta transkrypcję oryginału. Gdy źródło przestaje nadawać, wyślij session.close: usługa kończy bieżące tłumaczenie, a następnie odpowiada zdarzeniem session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Błąd tłumaczenia: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Nie lekceważ zdarzenia error: odrzucony klucz nie powoduje niepowodzenia samego połączenia; pojawia się tuż po nim jako zdarzenie error z kodem invalid_api_key (obserwowane 3 listopada 2026 r.). W środowisku produkcyjnym odbiór działa równolegle z wysyłaniem, w osobnym wątku lub zadaniu, a przetłumaczone audio trafia do odtwarzacza lub linii telefonicznej w miarę jego otrzymywania: oficjalny przewodnik zawiera kompletną wersję, włącznie z odtwarzaniem audio.

Kluczowe wnioski

  • /v1/audio/translations i whisper-1 zostały wyłączone 26 lutego 2027 r. bez bezpośredniego zamiennika: sama zmiana modelu nie wystarczy
  • Dla nagrania: gpt-transcribe w języku oryginalnym, następnie tłumaczenie tekstu przez model tekstowy, na dowolny język
  • Zachowaj instrukcję tłumaczenia w instructions, a transkrypcję jako zwykłe dane
  • Dla mowy na żywo: sesja tłumaczeniowa (/v1/realtime/translations, gpt-realtime-translate), która działa jako interpreter, bez response.create
  • WebRTC w przeglądarce z sekretem klienta utworzonym przez serwer; WebSocket po stronie serwera z audio 16-bitowym PCM przy 24 kHz