Salt la conținutul principal
Română— Alege o limbă
Meniu

Formate și limbi acceptate

Lecția 7 din 18 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Formate și limbi acceptate
  2. Formate audio acceptate
  3. Limbi acceptate
  4. Gestionarea conținutului multilingv
  5. Prețuri
  6. Puncte cheie

Actualizare 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate: tts-1, tts-1-hd și gpt-4o-mini-tts vor fi închise la 6 ianuarie 2027 (înlocuitorul indicat este gpt-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-realtime și modelele audio legacy la 20 ianuarie 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe și /v1/audio/translations la 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 la whisper-1 la gpt-transcribe (folosind parametrul languages), numărul de limbi Whisper corectat (98, nu „peste 50“, conform ghidului File transcription), metoda multilingvă în doi pași înlocuită cu indiciile de limbă din gpt-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, lista languages specifică 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 languages înlocuiește vechea metodă în doi pași