Optimizați calitatea transcrierii
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 înceta să funcționeze 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 actualizată la 3 noiembrie 2026: exemplele au fost trecute lagpt-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 singurulprompt, 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 înkeywords, 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,keywordsșilanguagescugpt-transcribe; singurulprompt, limitat la 224 de tokeni, cuwhisper-1 temperatureare 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