Formatos e idiomas suportados
Nesta página
Atualização de 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos:
tts-1,tts-1-hdegpt-4o-mini-ttsserão desativados em 6 de janeiro de 2027 (a substituição indicada égpt-realtime-2.1-mini, que o guia TTS da OpenAI afirma não ser suportado por/v1/audio/speech: a migração da síntese de fala move-se para a Realtime API);gpt-realtime,gpt-4o-realtimee modelos de áudio legados em 20 de janeiro de 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribee/v1/audio/translationsem 26 de fevereiro de 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Para voz full-duplex, o GPT-Live 1 está disponível na API desde 10 de setembro de 2026. Lição corrigida em 3 de novembro de 2026: exemplos atualizados dewhisper-1paragpt-transcribe(usando o parâmetrolanguages), contagem de idiomas do Whisper corrigida (98, não “mais de 50”, conforme o guia File transcription), método multilíngue de duas passagens substituído por dicas de idioma dogpt-transcribe, preços fonte. Fontes: File transcription · GPT-Transcribe · Create transcription.
Formatos e idiomas suportados
Os modelos de transcrição da OpenAI aceitam uma vasta variedade de formatos de áudio e suportam dezenas de idiomas. Escolher o formato de entrada correto e configurar o idioma adequadamente impacta diretamente a qualidade da transcrição e os custos. Esta lição detalha as opções disponíveis e as melhores práticas.
Formatos de áudio suportados
De acordo com a referência da API, o endpoint de transcrição aceita os formatos flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav e webm, desde que o nome do ficheiro inclua a extensão correta. Os mais comuns:
| Formato | Extensão | Compressão | Uso recomendado |
|---|---|---|---|
| MP3 | .mp3 | Com perdas, boa relação | Podcasts, gravações de voz |
| MP4 / M4A | .mp4, .m4a | AAC com perdas | Vídeos, gravações móveis |
| WAV | .wav | Sem compressão | Gravações de estúdio |
| WebM | .webm | Opus com perdas | Gravações no navegador |
| FLAC | .flac | Sem perdas | Qualidade máxima sem perdas |
| OGG | .ogg | Vorbis/Opus | Aplicações de código aberto |
O tamanho máximo do ficheiro é de 25 MB. Para um MP3 a 128 kbps, isso equivale a aproximadamente 25 minutos de áudio. Para WAV sem compressão, é significativamente menos.
Otimização do tamanho do ficheiro
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Converte um ficheiro de áudio para MP3 leve, suficiente para fala."""
audio = AudioSegment.from_file(input_path)
# Converter para mono 16kHz (suficiente para fala)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Exportar como MP3 a 64kbps (bom compromisso qualidade/tamanho para voz)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Idiomas suportados
O whisper-1 cobre 98 idiomas, com precisão variável consoante o idioma. O gpt-transcribe deteta o idioma automaticamente; se souber quais os idiomas esperados, especifique-os em languages: códigos ISO 639-1 (fr, en, es…), alguns códigos ISO 639-3 (eng, spa, yue, cmn) e variantes regionais do chinês (zh-cn, zh-tw, zh-hk). Um código não suportado ou mal formado fará com que o pedido falhe.
# Deteção automática (padrão)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # idiomas reconhecidos com confiança suficiente
# Idiomas esperados
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages é uma lista, específica do gpt-transcribe; modelos mais antigos aceitam um único idioma em language. Nunca envie ambos.
Idiomas europeus comuns
Os códigos ISO 639-1 mais frequentemente utilizados na Europa:
EUROPEAN_LANGUAGES = {
"fr": "Francês",
"en": "Inglês",
"de": "Alemão",
"es": "Espanhol",
"it": "Italiano",
"pt": "Português",
"nl": "Holandês",
"pl": "Polaco",
"ro": "Romeno",
"sv": "Sueco",
"da": "Dinamarquês",
"fi": "Finlandês",
"el": "Grego",
"cs": "Checo",
"hu": "Húngaro",
"bg": "Búlgaro",
"hr": "Croata",
"sk": "Eslovaco",
"sl": "Esloveno",
"et": "Estónio",
"lv": "Letão",
"lt": "Lituano",
}
Gestão de conteúdo multilíngue
Uma reunião internacional alterna entre idiomas. O gpt-transcribe foi concebido para este caso: a sua ficha técnica cita suporte para múltiplas dicas de idioma, áudio multilíngue e alternância de código (code-switching) numa única frase. Forneça todos os idiomas esperados numa única passagem:
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("Idiomas reconhecidos:", result.languages)
O antigo método de duas passagens, que detetava o idioma dominante com whisper-1 no modo verbose_json e depois voltava a transcrever forçando esse idioma, já não é necessário: forçava um único idioma em toda a gravação e o whisper-1 será desativado em 26 de fevereiro de 2027.
Preços
A transcrição é faturada pela duração do áudio processado: $0.0045 por minuto com gpt-transcribe, de acordo com a sua ficha técnica (novembro de 2026). O formato do ficheiro, portanto, não influencia o custo: apenas a duração importa.
Para reduzir custos em grandes volumes:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Remove silêncio para reduzir a duração faturada."""
audio = AudioSegment.from_file(file_path)
# Remover silêncios superiores a 1 segundo
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Manter 200ms de silêncio para legibilidade
)
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
Pontos-chave
- O endpoint de transcrição aceita FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM, com um limite de 25 MB por ficheiro
- Com
gpt-transcribe, a listalanguagesespecifica os idiomas esperados; a resposta devolve os idiomas reconhecidos - MP3 mono a 16 kHz e 64 kbps oferece o melhor compromisso qualidade/tamanho para voz
- A faturação é por minuto de áudio: remover silêncio reduz custos
- Para conteúdo multilíngue, uma única passagem com todos os idiomas esperados em
languagessubstitui o antigo método de duas passagens