Salt la conținutul principal
Română— Alege o limbă
Meniu

Optimizați calitatea transcrierii

Lecția 9 din 18 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Optimizați calitatea transcrierii
  2. Parametrul prompt
  3. Parametrul temperature
  4. Preprocesarea audio
  5. Post-procesarea transcrierii
  6. Pipeline complet de transcriere
  7. 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 înceta să funcționeze 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 actualizată la 3 noiembrie 2026: exemplele au fost trecute la gpt-transcribe (prompt, keywords, languages), modelul recomandat de OpenAI; temperatura 0 nu este o alegere „întotdeauna cea mai probabilă“: conform referinței API, modelul ajustează apoi singur temperatura în pași. Surse: Transcriere fișier · Creare transcriere.

Optimizați calitatea transcrierii

Whisper produce transcrieri excelente în mod implicit, dar mai multe tehnici pot îmbunătăți semnificativ calitatea, în special în cazuri dificile: zgomot de fond, accente regionale, vocabular tehnic și nume proprii. Această lecție acoperă parametri avansați și strategii de post-procesare.

Parametrul prompt

Contextul este pârghia principală pentru îmbunătățirea calității. Cu gpt-transcribe, modelul recomandat de OpenAI, contextul trece prin trei parametri: prompt (o propoziție de context în limba audio), keywords (termeni de recunoscut) și languages (limbile așteptate).

# Fără context, numele de produse riscă să fie transcrise greșit
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# Cu context și cuvinte-cheie
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Ședință tehnică Corsen AI despre agenți vocali.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Cele mai bune practici pentru prompt

  • Enumerați numele proprii: persoane, companii, produse
  • Includeți jargonul tehnic: acronime, termeni specifici domeniului
  • Specificați stilul așteptat: punctuație, majuscule/minuscule
  • Cu whisper-1, totul trece prin singurul prompt, limitat la 224 de tokeni: ghidul specifică faptul că Whisper nu urmează instrucțiuni ca un model de text, de unde și beneficiul de a lista simplu ortografiile corecte acolo
  • Cu gpt-transcribe, puneți termenii în keywords, câte unul per intrare, fără <, > sau întreruperi de linie, altfel API respinge cererea
def build_transcription_prompt(context: dict) -> str:
    """Construiește un prompt de context pentru transcriere."""
    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": "Ședință tehnică despre agenți vocali"
})

Parametrul temperature

Endpointul acceptă o valoare temperature între 0 și 1, implicit 0. Contrar unei concepții greșite frecvente, valoarea 0 nu înseamnă „întotdeauna cuvântul cel mai probabil“: conform referinței API, modelul se bazează apoi pe probabilitățile tokenilor pentru a ridica singur temperatura în pași, până la anumite praguri.

În practică, lăsați valoarea implicită. Documentația pentru gpt-transcribe pune accentul pe context (prompt, keywords, languages), nu pe temperatură; la whisper-1, o temperatură ușor mai mare (0,2, de exemplu) poate fi testată pe audio degradat, caz cu caz.

Preprocesarea audio

Calitatea audio de intrare este factorul cel mai decisiv. Investeți în preprocesare:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Preprocesează audio pentru o transcriere optimă."""
    audio = AudioSegment.from_file(input_path)

    # 1. Convertire la mono (stereo nu aduce nimic pentru voce)
    audio = audio.set_channels(1)

    # 2. Resampling la 16 kHz (suficient pentru Whisper)
    audio = audio.set_frame_rate(16000)

    # 3. Normalizare volum
    audio = normalize(audio)

    # 4. Compresie gamă dinamică (reduce diferența tare/lin)
    audio = compress_dynamic_range(audio)

    # 5. Export ca MP3 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Reducerea zgomotului

Pentru înregistrări zgomotoase, preprocesarea cu noisereduce îmbunătățește semnificativ rezultatele:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Reduce zgomotul de fond înainte de transcriere."""
    data, rate = sf.read(input_path)

    # Reducere adaptivă a zgomotului
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # reducere zgomot 80%
        stationary=False     # Zgomot nestaționar (ex. cafenea)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Post-procesarea transcrierii

Chiar și cu o preprocesare bună, transcrierea brută poate necesita corecturi. Folosiți GPT pentru post-procesare:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Corectează și formatează o transcriere Whisper."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Ești un corector de transcrieri. "
                "Corectează erorile evidente Whisper fără a schimba sensul. "
                "Adaugă punctuația lipsă. "
                "Corectează majusculele/minusculele pentru nume proprii și acronime. "
                "Nu rezuma și nu reformula."
            )},
            {"role": "user", "content": (
                f"Context: {context}\n\n"
                f"Transcriere brută:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Pipeline complet de transcriere

Asamblați toți pașii într-un pipeline robust:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Pipeline complet de transcriere de înaltă calitate."""
    # 1. Preprocesare
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Construire context: doar parametrii populați
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Transcriere
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Post-procesare
    context = f"Limba: {language}, Vorbindori: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Puncte cheie

  • Contextul este pârghia cea mai eficientă: prompt, keywords și languages cu gpt-transcribe; singurul prompt, limitat la 224 de tokeni, cu whisper-1
  • temperature are implicit valoarea 0, iar la 0 modelul ajustează singur temperatura dacă este nevoie: lăsați valoarea implicită
  • Preprocesarea audio (mono, 16 kHz, normalizare, denoising) îmbunătățește calitatea mai mult decât orice parametru API
  • Post-procesarea cu GPT corectează punctuația, majusculele/minusculele și erorile reziduale
  • Un pipeline complet combină preprocesarea, prompting-ul contextual și post-procesarea pentru o calitate maximă