Tłumaczenie automatyczne
Na tej stronie
Lekcja przepisana 3 listopada 2026 r. Wcześniej opierała się na punkcie końcowym
/v1/audio/translationsi modeluwhisper-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 pomocągpt-transcribe, a następnie tłumaczenie tekstu; dla mowy na żywo – dedykowaną sesję tłumaczeniową zgpt-realtime-translate. Kod został zweryfikowany z SDKopenaiw wersji 3.42.1 oraz bibliotekąwebsocket-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:
| Potrzeba | Narzędzie od listopada 2026 r. | Wynik |
|---|---|---|
| Nagranie do przetłumaczenia (spotkanie, podcast, archiwalna rozmowa) | gpt-transcribe do transkrypcji w języku oryginalnym, następnie model tekstowy do tłumaczenia | Przetłumaczony tekst w języku docelowym |
| Mowa na żywo do interpretacji (rozmowa, konferencja, zajęcia) | Sesja tłumaczeniowa Realtime z gpt-realtime-translate | Przetłumaczone audio i transkrypty generowane w miarę wypowiadania słów |
Ścieżka legacy: /v1/audio/translations z whisper-1 | Wycofane, 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 głosowego | Sesja tłumaczeniowa |
|---|---|
Łączy się z /v1/realtime | Łączy się z /v1/realtime/translations |
| Model działa jako asystent | Model działa jako interpreter |
Cykl rozmowy i odpowiedzi (response.create) | Ciągły strumień z przychodzącego audio, bez response.create |
| Może wywoływać narzędzia | Generuje 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/translationsiwhisper-1zostały wyłączone 26 lutego 2027 r. bez bezpośredniego zamiennika: sama zmiana modelu nie wystarczy- Dla nagrania:
gpt-transcribew 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, bezresponse.create - WebRTC w przeglądarce z sekretem klienta utworzonym przez serwer; WebSocket po stronie serwera z audio 16-bitowym PCM przy 24 kHz