Formate și limbi acceptate
Pe această pagină
Actualizare 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate:
tts-1,tts-1-hdșigpt-4o-mini-ttsvor fi închise la 6 ianuarie 2027 (înlocuitorul indicat estegpt-realtime-2.1-mini, pe care ghidul OpenAI TTS precizează că nu este suportat de/v1/audio/speech: migrarea sintezei vocale se face către Realtime API);gpt-realtime,gpt-4o-realtimeși modelele audio legacy la 20 ianuarie 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeși/v1/audio/translationsla 26 februarie 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pentru voice full-duplex, GPT-Live 1 este disponibil în API din 10 septembrie 2026. Lecție corectată la 3 noiembrie 2026: exemple actualizate de lawhisper-1lagpt-transcribe(folosind parametrullanguages), numărul de limbi Whisper corectat (98, nu „peste 50“, conform ghidului File transcription), metoda multilingvă în doi pași înlocuită cu indiciile de limbă dingpt-transcribe, surse de prețuri adăugate. Surse: File transcription · GPT-Transcribe · Create transcription.
Formate și limbi acceptate
Modelele de transcriere OpenAI acceptă o varietate largă de formate audio și suportă zeci de limbi. Alegerea formatului de intrare potrivit și configurarea corectă a limbii impactează direct calitatea transcrierii și costurile. Această lecție detaliază opțiunile disponibile și cele mai bune practici.
Formate audio acceptate
Conform referinței API, endpoint-ul de transcriere acceptă formatele flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav și webm, cu condiția ca numele fișierului să includă extensia corectă. Cele mai comune sunt:
| Format | Extensie | Compresie | Utilizare recomandată |
|---|---|---|---|
| MP3 | .mp3 | Cu pierderi, raport bun | Podcast-uri, înregistrări vocale |
| MP4 / M4A | .mp4, .m4a | AAC cu pierderi | Video, înregistrări mobile |
| WAV | .wav | Necomprimat | Înregistrări de studio |
| WebM | .webm | Opus cu pierderi | Înregistrări din browser |
| FLAC | .flac | Fără pierderi | Calitate maximă fără pierderi |
| OGG | .ogg | Vorbis/Opus | Aplicații open source |
Dimensiunea maximă a fișierului este de 25 MB. Pentru un MP3 la 128 kbps, aceasta echivalează cu aproximativ 25 de minute de audio. Pentru WAV necomprimat, durata este semnificativ mai mică.
Optimizarea dimensiunii fișierului
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Convertește un fișier audio în MP3 ușor, suficient pentru vorbire."""
audio = AudioSegment.from_file(input_path)
# Conversie la mono 16kHz (suficient pentru vorbire)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Export ca MP3 64kbps (compromis bun calitate/dimensiune pentru voce)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Limbi acceptate
whisper-1 acoperă 98 de limbi, cu o acuratețe variabilă în funcție de limbă. gpt-transcribe detectează limba automat; dacă știți ce limbi să vă așteptați, specificați-le în languages: coduri ISO 639-1 (fr, en, es…), unele coduri ISO 639-3 (eng, spa, yue, cmn) și variante regionale chinezești (zh-cn, zh-tw, zh-hk). Un cod nesuportat sau malformat va duce la eșuarea cererii.
# Detectare automată (implicit)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # limbi recunoscute cu încredere suficientă
# Limbi așteptate
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages este o listă, specifică lui gpt-transcribe; modelele mai vechi acceptă o singură limbă în language. Nu trimiteți niciodată ambele.
Limbi europene comune
Cele mai frecvent utilizate coduri ISO 639-1 în Europa:
EUROPEAN_LANGUAGES = {
"fr": "French",
"en": "English",
"de": "German",
"es": "Spanish",
"it": "Italian",
"pt": "Portuguese",
"nl": "Dutch",
"pl": "Polish",
"ro": "Romanian",
"sv": "Swedish",
"da": "Danish",
"fi": "Finnish",
"el": "Greek",
"cs": "Czech",
"hu": "Hungarian",
"bg": "Bulgarian",
"hr": "Croatian",
"sk": "Slovak",
"sl": "Slovenian",
"et": "Estonian",
"lv": "Latvian",
"lt": "Lithuanian",
}
Gestionarea conținutului multilingv
O întâlnire internațională comută între limbi. gpt-transcribe este conceput pentru acest caz: fișa modelului citează suportul pentru multiple indicii de limbă, audio multilingv și schimbarea codului (code-switching) într-o singură propoziție. Furnizați toate limbile așteptate într-o singură trecere:
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("Recognized languages:", result.languages)
Vechea metodă în doi pași, care detecta limba dominantă cu whisper-1 în modul verbose_json și apoi re-transcria forțând acea limbă, nu mai este necesară: aceasta forța o singură limbă pe întreaga înregistrare, iar whisper-1 se închide la 26 februarie 2027.
Prețuri
Transcrierea este facturată în funcție de durata audio procesată: 0,0045 USD pe minut cu gpt-transcribe, conform fișei modelului (noiembrie 2026). Formatul fișierului nu influențează therefore costul: contează doar durata.
Pentru a reduce costurile la volume mari:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Elimină liniștea pentru a reduce durata facturată."""
audio = AudioSegment.from_file(file_path)
# Elimină liniștile mai lungi de 1 secundă
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Păstrează 200ms de liniște pentru lizibilitate
)
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
Puncte cheie
- Endpoint-ul de transcriere acceptă FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV și WebM, cu o limită de 25 MB per fișier
- Cu
gpt-transcribe, listalanguagesspecifică limbile așteptate; răspunsul returnează limbile recunoscute - MP3 mono 16 kHz la 64 kbps oferă cel mai bun compromis calitate/dimensiune pentru voce
- Facturarea se face pe minut de audio: eliminarea liniștii reduce costurile
- Pentru conținut multilingv, o singură trecere cu toate limbile așteptate în
languagesînlocuiește vechea metodă în doi pași