Optymalizacja jakości transkrypcji
Na tej stronie
Aktualizacja z 2 listopada 2026 — Modele audio. Kilka modeli w tym kursie zostało wycofanych:
tts-1,tts-1-hdigpt-4o-mini-ttsprzestaną działać 6 stycznia 2027 (zalecanym zamiennikiem jestgpt-realtime-2.1-mini, który zgodnie z przewodnikiem OpenAI TTS nie jest obsługiwany przez/v1/audio/speech: migracja syntezy głosu przechodzi do Realtime API);gpt-realtime,gpt-4o-realtimeoraz starsze modele audio 20 stycznia 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribei/v1/audio/translations26 lutego 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). W przypadku głosu pełnodupleksowego GPT-Live 1 jest dostępny w API od 10 września 2026. Lekcja zaktualizowana 3 listopada 2026: przykłady przełączono nagpt-transcribe(prompt,keywords,languages), model rekomendowany przez OpenAI; temperatura 0 nie oznacza wyboru „zawsze najbardziej prawdopodobnego“: zgodnie z dokumentacją API model sam dostosowuje wówczas temperaturę krokami. Źródła: Transkrypcja pliku · Utwórz transkrypcję.
Optymalizacja jakości transkrypcji
Whisper domyślnie generuje doskonałe transkrypcje, ale kilka technik może znacząco poprawić ich jakość, zwłaszcza w trudnych przypadkach: szum tła, regionalne akcenty, słownictwo techniczne i nazwy własne. Ta lekcja omawia zaawansowane parametry i strategie postprocessingu.
Parametr prompt
Kontekst to Twoje główne narzędzie do poprawy jakości. W przypadku gpt-transcribe, modelu rekomendowanego przez OpenAI, kontekst przekazywany jest przez trzy parametry: prompt (zdanie kontekstowe w języku nagrania), keywords (terminy do rozpoznania) oraz languages (oczekiwane języki).
# Bez kontekstu nazwy produktów ryzykują błędną transkrypcję
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Z kontekstem i słowami kluczowymi
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Spotkanie techniczne Corsen AI dotyczące agentów głosowych.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Najlepsze praktyki dla promptu
- Wymień nazwy własne: osoby, firmy, produkty
- Uwzględnij żargon techniczny: akronimy, terminy branżowe
- Określ oczekiwany styl: interpunkcja, wielkość liter
- W przypadku
whisper-1wszystko trafia do pojedynczego parametruprompt, ograniczonego do 224 tokenów: przewodnik precyzuje, że Whisper nie podąża za instrukcjami jak model tekstowy, stąd korzyść z prostego wymienienia tam poprawnych pisowni - W przypadku
gpt-transcribeumieść terminy wkeywords, po jednym wpisie, bez<,>czy znaków nowej linii, w przeciwnym razie API odrzuci żądanie
def build_transcription_prompt(context: dict) -> str:
"""Buduje prompt kontekstowy do transkrypcji."""
parts = []
if context.get("speakers"):
parts.append(", ".join(context["speakers"]))
if context.get("technical_terms"):
parts.append(", ".join(context["technical_terms"]))
if context.get("topic"):
parts.append(context["topic"])
return ". ".join(parts)
prompt = build_transcription_prompt({
"speakers": ["Mordehai Attia", "Yoram Halberstam"],
"technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
"topic": "Spotkanie techniczne dotyczące agentów głosowych"
})
Parametr temperature
Endpoint akceptuje temperature w zakresie od 0 do 1, domyślnie ustawione na 0. Wbrew powszechnemu przekonaniu, wartość 0 nie oznacza „zawsze najbardziej prawdopodobne słowo“: zgodnie z dokumentacją API model opiera się wówczas na prawdopodobieństwach tokenów, aby samoczynnie podnieść temperaturę krokami, aż do określonych progów.
W praktyce pozostaw wartość domyślną. Dokumentacja gpt-transcribe kładzie nacisk na kontekst (prompt, keywords, languages), a nie na temperaturę; w przypadku whisper-1 nieco wyższą temperaturę (np. 0,2) można przetestować doraźnie przy zdegradowanym audio.
Preprocessing audio
Jakość wejściowego audio jest najbardziej decydującym czynnikiem. Zainwestuj w preprocessing:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Przetwarza wstępnie audio dla optymalnej transkrypcji."""
audio = AudioSegment.from_file(input_path)
# 1. Konwersja do mono (stereo nic nie wnosi dla głosu)
audio = audio.set_channels(1)
# 2. Próbkowanie do 16 kHz (wystarczające dla Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normalizacja głośności
audio = normalize(audio)
# 4. Kompresja dynamiki (zmniejsza różnicę między głośnymi a cichymi fragmentami)
audio = compress_dynamic_range(audio)
# 5. Eksport jako MP3 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Redukcja szumów
W przypadku nagrań zaszumionych wstępne przetworzenie za pomocą noisereduce znacząco poprawia wyniki:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Redukuje szum tła przed transkrypcją."""
data, rate = sf.read(input_path)
# Adaptacyjna redukcja szumów
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% redukcji szumu
stationary=False # Szum niestacjonarny (np. kawiarnia)
)
sf.write(output_path, reduced, rate)
return output_path
Postprocessing transkrypcji
Nawet przy dobrym preprocessingu surowa transkrypcja może wymagać korekt. Wykorzystaj GPT do postprocessingu:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Koryguje i formatuje transkrypcję Whisper."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Jesteś korektorem transkrypcji. "
"Popraw oczywiste błędy Whisper bez zmiany znaczenia. "
"Dodaj brakującą interpunkcję. "
"Popraw wielkość liter w nazwach własnych i akronimach. "
"Nie streszczaj ani nie parafrazuj."
)},
{"role": "user", "content": (
f"Kontekst: {context}\n\n"
f"Surowa transkrypcja:\n{raw_text}"
)}
]
)
return response.output_text
Kompletny potok transkrypcji
Połącz wszystkie kroki w solidny potok:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Kompletny potok transkrypcji wysokiej jakości."""
# 1. Preprocessing
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Budowa kontekstu: tylko wypełnione parametry
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transkrypcja
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Postprocessing
context = f"Język: {language}, Prelegenci: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Kluczowe wnioski
- Kontekst to najskuteczniejsze narzędzie:
prompt,keywordsilanguagesw przypadkugpt-transcribe; pojedynczypromptograniczony do 224 tokenów w przypadkuwhisper-1 temperaturedomyślnie wynosi 0, a przy tej wartości model sam dostosowuje temperaturę w razie potrzeby: pozostaw wartość domyślną- Preprocessing audio (mono, 16 kHz, normalizacja, odszumianie) poprawia jakość bardziej niż jakikolwiek parametr API
- Postprocessing przez GPT koryguje interpunkcję, wielkość liter i pozostałe błędy
- Kompletny potok łączy preprocessing, promptowanie kontekstowe i postprocessing, aby osiągnąć maksymalną jakość