Salt la conținutul principal
Română— Alege o limbă
Meniu

Traducere automată

Lecția 8 din 18 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Două nevoi, două instrumente
  2. Traducerea unei înregistrări
  3. Interpretarea vorbirii live
  4. Puncte cheie

Lecție rescrisă la 3 noiembrie 2026. Anterior, aceasta se baza pe endpoint-ul /v1/audio/translations și pe modelul whisper-1, ambele depreciate și întrerupte la 26 februarie 2027, precum și pe o sesiune de asistent Realtime reutilizată ca interpret. OpenAI oferă acum două căi: pentru înregistrări, transcriere în limba originală cu gpt-transcribe, urmată de traducerea textului; pentru vorbire live, o sesiune dedicată de traducere cu gpt-realtime-translate. Codul a fost verificat cu SDK-ul openai 3.42.1 și biblioteca websocket-client. Surse: Transcriere fișier · Traducere în timp real · Deprecieri.

Două nevoi, două instrumente

Traducerea audio acoperă două scenarii foarte diferite, iar OpenAI le gestionează prin instrumente distincte:

NevoieInstrument începând cu noiembrie 2026Rezultat
O înregistrare de tradus (ședință, podcast, apel arhivat)gpt-transcribe pentru transcriere în limba originală, apoi un model de text pentru traducereText tradus în limba țintă dorită
Vorbire live de interpretat (apel, conferință, curs)Sesiune de traducere în timp real cu gpt-realtime-translateAudio și transcrieri traduse, generate pe măsură ce are loc vorbirea
Calea moștenită: /v1/audio/translations cu whisper-1Depreciat, întrerupt la 26 februarie 2027Doar text în engleză

Ghidul OpenAI subliniază un aspect esențial: simpla modificare a ID-ului modelului într-o cerere către /v1/audio/translations nu realizează nicio migrare. Vechiul endpoint, care putea traduce doar în engleză, nu are un înlocuitor direct.

Traducerea unei înregistrări

Această metodă transcrie mai întâi fidel în limba vorbită, apoi traduce textul. Funcționează pentru orice limbă țintă – spre deosebire de vechiul endpoint, care producea doar engleză – și vă oferă ambele texte, ceea ce este util pentru verificare:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transcrie o înregistrare în limba sa originală, apoi traduce textul."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Translate the text provided by the user into {target_language}. "
            "Keep the tone and style. Respond only with the translation."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Două alegeri merită explicate. Instrucțiunea de traducere se plasează în instructions, în timp ce transcrierea ajunge ca date brute în input: o înregistrare poate conține orice, inclusiv o frază care seamănă cu o comandă, și nu trebuie să poată modifica instrucțiunea. Modelul gpt-6-luna este cel recomandat de OpenAI pentru procesarea la scară largă, sensibilă la costuri; pentru texte juridice sau tehnice delicate, alegeți un model mai capabil, cum ar fi gpt-6.1-sol.

Interpretarea vorbirii live

Pentru a traduce în timp ce cineva vorbește, OpenAI oferă un tip special de sesiune Realtime. Ghidul face o distincție clară între aceasta și o sesiune de agent vocal:

Sesiune agent vocalSesiune de traducere
Se conectează la /v1/realtimeSe conectează la /v1/realtime/translations
Modelul acționează ca asistentModelul acționează ca interpret
Ciclu de conversație și răspuns (response.create)Flux continuu din audio-ul incoming, fără response.create
Poate apela instrumente (tools)Produce audio și transcrieri traduse

Transportul depinde de locul unde sosește audio-ul. Într-un browser, WebRTC trimite intrarea microfonului și primește vocea tradusă ca piste audio; serverul dumneavoastră creează un secret de client efemer pentru aceasta prin /v1/realtime/translations/client_secrets, astfel încât cheia API să nu părăsească niciodată serverul. Pe partea de server, când audio-ul sosește deja brut (un flux telefonic, o captură), o conexiune WebSocket este suficientă:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashed identifier of your user
    ],
)

# Limba de ieșire a interpretului
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Adaugă o porțiune din audio-ul sursă: PCM 16-bit, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

În timp ce trimiteți audio-ul, inclusiv tăcerile, sesiunea returnează evenimente de procesat în timp real: session.output_audio.delta conține audio-ul tradus în base64, session.output_transcript.delta textul tradus, iar session.input_transcript.delta transcrierea originalului. Când sursa se oprește, trimiteți session.close: serviciul finalizează traducerea curentă, apoi răspunde cu session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Translation error: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Nu neglijați evenimentul error: o cheie respinsă nu eșuează conexiunea în sine; aceasta sosește imediat după ca un eveniment error cu codul invalid_api_key (observat la 3 noiembrie 2026). În producție, recepția rulează în paralel cu trimiterea, într-un fir de execuție sau task separat, iar audio-ul tradus merge către player sau linia telefonică pe măsură ce sosește: ghidul oficial oferă o versiune completă, inclusiv redarea audio.

Puncte cheie

  • /v1/audio/translations și whisper-1 se închid la 26 februarie 2027, fără un înlocuitor direct: schimbarea modelului nu este suficientă
  • Pentru o înregistrare: gpt-transcribe în limba originală, apoi traducerea textului de către un model de text, în orice limbă
  • Păstrați instrucțiunea de traducere în instructions și transcrierea ca date brute
  • Pentru vorbire live: o sesiune de traducere (/v1/realtime/translations, gpt-realtime-translate), care acționează ca interpret, fără response.create
  • WebRTC în browser, cu un secret de client creat de server; WebSocket pe partea de server, cu audio PCM 16-bit la 24 kHz