Transcrierea unui fișier audio: gpt-transcribe și Whisper
Pe această pagină
Lecție rescrisă la 3 noiembrie 2026. Acest ghid acoperea anterior
whisper-1, un model depreciat care va fi întrerupt pe 26 februarie 2027. Ghidul File transcription de la OpenAI recomandă acumgpt-transcribe. Totuși,gpt-transcribenu oferă marcaje temporale (timestamps), subtitrări SRT sau VTT, nici un răspunsverbose_json. Pentru aceste nevoi specifice,whisper-1rămâne singura opțiune până la întreruperea sa. Codul anterior accesa segmentele ca dicționare (segment["start"]), ceea ce generează o eroareTypeErrorcu SDK-ul Python; acestea sunt acum obiecte (segment.start). Fiecare apel a fost verificat cu SDK-ulopenaiversiunea 3.42.1. Surse: File transcription · Create transcription · GPT-Transcribe · Deprecations.
Transcrierea unei înregistrări
Transcrierea fișierelor răspunde celui mai frecvent caz de utilizare: aveți o înregistrare finalizată (o ședință, un podcast, un mesaj vocal) și aveți nevoie de text. Trimiteți fișierul către endpoint-ul /v1/audio/transcriptions și primiți transcrierea. Pentru audio care sosește în timp real, cum ar fi de la un microfon sau un apel, abordarea corectă este transcrierea live prin API-ul Realtime, tratată mai târziu în acest curs.
Fișierul trebuie să aibă maximum 25 MB și să fie într-unul dintre formatele următoare: mp3, mp4, mpeg, mpga, m4a, wav sau webm.
Ce model în noiembrie 2026
| Model | Stare | Puncte cheie |
|---|---|---|
gpt-transcribe | Recomandat | Context (prompt), cuvinte-cheie (keywords), limbi așteptate (languages), transcriere în flux; 0,0045 USD pe minut |
whisper-1 | Depreciat, întrerupere la 26 februarie 2027 | Singurul model care oferă marcaje temporale, verbose_json, SRT și VTT, precum și traducere în engleză |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Depreciat, întrerupere la 26 februarie 2027 | Înlocuite de gpt-transcribe |
gpt-4o-transcribe-diarize | Depreciat, întrerupere la 26 februarie 2027 | Identificarea vorbitorului (diarized_json) |
Prima transcriere
from openai import OpenAI
client = OpenAI()
with open("recording.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(transcription.text)
Implicit, răspunsul este un obiect JSON: transcription.text conține textul, iar transcription.languages listează limbile pe care modelul le-a recunoscut cu suficientă încredere (o listă goală dacă nu a putut identifica niciuna).
Oferirea de context modelului
O înregistrare de ședință este plină de nume proprii, acronime și termeni interni pe care modelul nu are niciun motiv să îi cunoască. gpt-transcribe acceptă trei indicii pe care le puteți combina:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Ședință de management despre proiectul Corsen AI și contractul AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["ro", "en"],
)
print(transcription.text)
promptdescrie contextul într-o singură propoziție, în limba înregistrării. Aceasta nu este o instrucțiune de sistem; este un indiciu care ghidează recunoașterea.keywordslistează termenii de recunoscut. Introduceți un cuvânt-cheie per element, fără<,>sau întreruperi de linie: API-ul respinge întreaga cerere dacă găsește oricare dintre acestea.languagesspecifică limbile așteptate folosind codurile ISO 639-1 (ro,en,es…). Înlocuiește parametrullanguagedin modelele mai vechi: nu le trimiteți niciodată pe ambele.
Urmărirea transcrierii în timp real
Pentru fișiere lungi, nu este nevoie să așteptați până la final pentru a afișa începutul. Cu stream=True, API-ul returnează evenimente pe măsură ce procesarea are loc, fără a necesita o sesiune Realtime:
with open("meeting.mp3", "rb") as audio_file:
stream = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
stream=True,
)
for event in stream:
if event.type == "transcript.text.delta":
print(event.delta, end="", flush=True)
elif event.type == "transcript.text.done":
print() # transcrierea completă în event.text
Marcaje temporale și subtitrări: whisper-1, până la 26 februarie 2027
Ghidul OpenAI afirmă explicit: exemplele sale pentru marcaje temporale la nivel de cuvânt, subtitrări și identificarea vorbitorului se bazează pe modele depreciate. Dacă aveți nevoie de aceste funcționalități, whisper-1 rămâne disponibil până la 26 februarie 2027 și este singurul model care acceptă verbose_json și timestamp_granularities:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
response_format="verbose_json",
timestamp_granularities=["segment"],
)
for segment in transcription.segments or []:
print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")
Segmentele sunt obiecte SDK: citiți segment.start, nu segment["start"]. Cu timestamp_granularities=["word"], marcajele temporale la nivel de cuvânt apar în transcription.words, cu costul unei latențe ușor mai mari. Același model produce, de asemenea, subtitrări gata de utilizare: cu response_format="srt" sau "vtt", SDK-ul returnează direct textul fișierului de subtitrări.
Ghidul nu desemnează încă un înlocuitor pentru aceste funcții. Dacă produsul dumneavoastră depinde de marcaje temporale sau subtitrări, planificați o soluție înainte de 26 februarie 2027.
Fișiere lungi
Pentru fișiere mai mari de 25 MB, comprimați audio-ul sau divizați-l. Documentația recomandă evitarea tăierilor la mijlocul unei propoziții, ceea ce duce la pierderea contextului, și sugerează biblioteca pydub pentru divizare (OpenAI nu garantează acest software terț). Transmiterea sfârșitului fragmentului anterior în prompt ajută modelul să mențină continuitatea, o utilizare a parametrului citată în ghid:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Transcrie o înregistrare lungă în fragmente de 10 minute."""
audio = AudioSegment.from_file(path)
texts: list[str] = []
for i, start in enumerate(range(0, len(audio), duration_ms)):
chunk = f"chunk_{i}.mp3"
audio[start:start + duration_ms].export(chunk, format="mp3")
options = {"prompt": texts[-1][-500:]} if texts else {} # continuitate
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Divizarea cu durată fixă taie uneori o propoziție în două: pentru un rezultat finisat, divizați în funcție de silențiu.
Puncte cheie
gpt-transcribeeste modelul recomandat pentru transcrierea fișierelor;whisper-1șigpt-4o-*-transcribese întrerup la 26 februarie 2027prompt,keywordsșilanguages(nu mailanguage) ghidează recunoașterea termenilor și a limbilorstream=Truereturnează transcrierea din mers (transcript.text.delta), fără o sesiune Realtime- Marcajele temporale,
verbose_json, SRT și VTT există doar cuwhisper-1până la întreruperea sa; citiți segmentele ca obiecte (segment.start) - Maximum 25 MB per fișier: comprimați sau divizați, de preferat pe silențiu