Otimizar a Qualidade da Transcrição
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-ttsdeixarão de funcionar a 6 de janeiro de 2027 (a substituição indicada égpt-realtime-2.1-mini, que o guia de TTS da OpenAI afirma não ser suportada por/v1/audio/speech: a migração da síntese de voz passa para a Realtime API);gpt-realtime,gpt-4o-realtimee modelos de áudio legados a 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/translationsa 26 de fevereiro de 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Para voz em full-duplex, o GPT-Live 1 está disponível na API desde 10 de setembro de 2026. Lição atualizada a 3 de novembro de 2026: exemplos alterados paragpt-transcribe(prompt,keywords,languages), o modelo recomendado pela OpenAI; temperatura 0 não é uma escolha de “sempre mais provável”: segundo a referência da API, o modelo ajusta então a temperatura automaticamente em passos. Fontes: Transcrição de ficheiros · Criar transcrição.
Otimizar a Qualidade da Transcrição
O Whisper produz transcrições excelentes por predefinição, mas várias técnicas podem melhorar significativamente a qualidade, especialmente em casos difíceis: ruído de fundo, sotaques regionais, vocabulário técnico e nomes próprios. Esta lição abrange parâmetros avançados e estratégias de pós-processamento.
O parâmetro prompt
O contexto é a sua alavanca principal para melhorar a qualidade. Com gpt-transcribe, o modelo recomendado pela OpenAI, o contexto passa por três parâmetros: prompt (uma frase de contexto no idioma do áudio), keywords (termos a reconhecer) e languages (idiomas esperados).
# Sem contexto, os nomes de produtos correm o risco de ser mal transcritos
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Com contexto e palavras-chave
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Reunião técnica da Corsen AI sobre agentes de voz.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Melhores práticas para o prompt
- Liste nomes próprios: pessoas, empresas, produtos
- Inclua jargão técnico: acrónimos, termos específicos do domínio
- Especifique o estilo esperado: pontuação, capitalização
- Com
whisper-1, tudo passa pelo únicoprompt, limitado a 224 tokens: o guia especifica que o Whisper não segue instruções como um modelo de texto, daí a vantagem de simplesmente listar as grafias corretas aí - Com
gpt-transcribe, coloque os termos emkeywords, um por entrada, sem<,>ou quebras de linha, caso contrário a API rejeita o pedido
def build_transcription_prompt(context: dict) -> str:
"""Constrói um prompt de contexto para transcrição."""
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": "Reunião técnica sobre agentes de voz"
})
O parâmetro temperature
O endpoint aceita um temperature entre 0 e 1, com predefinição 0. Ao contrário de um equívoco comum, o valor 0 não significa “sempre a palavra mais provável”: segundo a referência da API, o modelo recorre então às suas probabilidades de tokens para aumentar a temperatura automaticamente em passos, até certos limiares.
Na prática, mantenha o valor predefinido. A documentação de gpt-transcribe enfatiza o contexto (prompt, keywords, languages), não a temperatura; em whisper-1, uma temperatura ligeiramente superior (0,2, por exemplo) pode ser testada em áudio degradado caso a caso.
Pré-processamento de áudio
A qualidade do áudio de entrada é o fator mais decisivo. Invista no pré-processamento:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Pré-processa o áudio para uma transcrição ótima."""
audio = AudioSegment.from_file(input_path)
# 1. Converter para mono (o estéreo não acrescenta nada para voz)
audio = audio.set_channels(1)
# 2. Redimensionar para 16 kHz (suficiente para o Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normalizar o volume
audio = normalize(audio)
# 4. Comprimir a gama dinâmica (reduz a diferença entre alto e baixo)
audio = compress_dynamic_range(audio)
# 5. Exportar como MP3 a 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Redução de ruído
Para gravações ruidosas, o pré-processamento com noisereduce melhora significativamente os resultados:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Reduz o ruído de fundo antes da transcrição."""
data, rate = sf.read(input_path)
# Redução de ruído adaptativa
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% de redução de ruído
stationary=False # Ruído não estacionário (ex.: café)
)
sf.write(output_path, reduced, rate)
return output_path
Pós-processamento da transcrição
Mesmo com um bom pré-processamento, a transcrição bruta pode exigir correções. Utilize o GPT para o pós-processamento:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Corrige e formata uma transcrição do Whisper."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"É um corretor de transcrições. "
"Corrija erros óbvios do Whisper sem alterar o significado. "
"Adicione a pontuação em falta. "
"Corrija a capitalização de nomes próprios e acrónimos. "
"Não resuma nem reformule."
)},
{"role": "user", "content": (
f"Contexto: {context}\n\n"
f"Transcrição bruta:\n{raw_text}"
)}
]
)
return response.output_text
Pipeline de transcrição completo
Reúna todas as etapas num pipeline robusto:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Pipeline de transcrição de alta qualidade completo."""
# 1. Pré-processamento
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Construir contexto: apenas parâmetros preenchidos
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transcrever
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Pós-processamento
context = f"Idioma: {language}, Oradores: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Pontos-chave
- O contexto é a alavanca mais eficaz:
prompt,keywordselanguagescomgpt-transcribe; o únicoprompt, limitado a 224 tokens, comwhisper-1 temperaturetem predefinição 0 e, a 0, o modelo ajusta a temperatura automaticamente se necessário: mantenha o valor predefinido- O pré-processamento de áudio (mono, 16 kHz, normalização, remoção de ruído) melhora a qualidade mais do que qualquer parâmetro da API
- O pós-processamento com GPT corrige a pontuação, a capitalização e erros residuais
- Um pipeline completo combina pré-processamento, prompting contextual e pós-processamento para máxima qualidade