Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Formatos e idiomas suportados

Aula 7 de 18 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Formatos e idiomas suportados
  2. Formatos de áudio suportados
  3. Idiomas suportados
  4. Gestão de conteúdo multilíngue
  5. Preços
  6. Pontos-chave

Atualização de 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos: tts-1, tts-1-hd e gpt-4o-mini-tts serão desativados em 6 de janeiro de 2027 (a substituição indicada é gpt-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-realtime e 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-transcribe e /v1/audio/translations em 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 de whisper-1 para gpt-transcribe (usando o parâmetro languages), 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 do gpt-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 lista languages especifica 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 languages substitui o antigo método de duas passagens