Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Prepis zvukového súboru: gpt-transcribe a Whisper

Lekcia 6 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Prepis nahrávky
  2. Ktorý model vybrať v novembri 2026
  3. Tvoj prvý prepis
  4. Poskytnutie kontextu modelu
  5. Sledovanie prepisu v reálnom čase
  6. Časové pečiatky a titulky: whisper-1 až do 26. februára 2027
  7. Dlhé súbory
  8. Kľúčové poznatky

Lekcia bola prepísaná 3. novembra 2026. Táto príručka sa predtým venovala modelu whisper-1, ktorý je zastaraný a bude ukončený 26. februára 2027. Príručka OpenAI File transcription teraz odporúča model gpt-transcribe. Model gpt-transcribe však neposkytuje časové pečiatky, titulky vo formáte SRT ani VTT, ani odpoveď vo formáte verbose_json. Pre tieto špecifické potreby zostáva whisper-1 jedinou voľbou až do jeho ukončenia. Kód predtým pristupoval k segmentom ako k slovníkom (segment["start"]), čo pri Python SDK vyvoláva chybu TypeError; v skutočnosti ide o objekty (segment.start). Každé volanie bolo overené pomocou SDK openai verzie 3.42.1. Zdroje: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Prepis nahrávky

Prepis súboru rieši najbežnejší prípad použitia: máš hotovú nahrávku (poradu, podcast, hlasovú správu) a potrebuješ získať jej text. Súbor odošleš na koncový bod /v1/audio/transcriptions a dostaneš prepis. Pri zvuku, ktorý ešte prichádza, napríklad z mikrofónu alebo telefonického hovoru, je správnym prístupom živý prepis prostredníctvom Realtime API, ktorým sa budeme zaoberať neskôr v tomto kurze.

Súbor musí mať veľkosť najviac 25 MB a byť v jednom z nasledujúcich formátov: mp3, mp4, mpeg, mpga, m4a, wav alebo webm.

Ktorý model vybrať v novembri 2026

ModelStavKľúčové body
gpt-transcribeOdporúčanéKontext (prompt), kľúčové slová (keywords), očakávané jazyky (languages), streamovaný prepis; 0,0045 $ za minútu
whisper-1Zastarané, ukončenie 26. februára 2027Jediný model poskytujúci časové pečiatky, verbose_json, titulky SRT a VTT a preklad do angličtiny
gpt-4o-transcribe, gpt-4o-mini-transcribeZastarané, ukončenie 26. februára 2027Nahradené modelom gpt-transcribe
gpt-4o-transcribe-diarizeZastarané, ukončenie 26. februára 2027Identifikácia hovoriaceho (diarized_json)

Tvoj prvý prepis

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Predvolená odpoveď je objekt JSON: transcription.text obsahuje text a transcription.languages uvádza zoznam jazykov, ktoré model rozpoznal s dostatočnou istotou (prázdny zoznam, ak sa mu nepodarilo žiadny identifikovať).

Poskytnutie kontextu modelu

Nahrávka z porady je plná vlastných mien, skratiek a interných termínov, ktoré model nemá dôvod poznať. Model gpt-transcribe akceptuje tri nápovedy, ktoré môžeš kombinovať:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Manažérske stretnutie o projekte Corsen AI a zmluve AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["sk", "en"],
    )

print(transcription.text)
  • prompt opisuje kontext v jednej vete v jazyku nahrávky. Nie je to systémová inštrukcia, ale nápoveda, ktorá usmerňuje rozpoznávanie.
  • keywords obsahuje zoznam termínov na rozpoznanie. Zadávaj jedno kľúčové slovo na položku, bez znakov <, > alebo zalomení riadkov: API zamietne celú požiadavku, ak niektorý z nich nájde.
  • languages určuje očakávané jazyky pomocou kódov ISO 639-1 (sk, en, es…). Nahrádza parameter language zo starších modelov: nikdy neposielaj oba naraz.

Sledovanie prepisu v reálnom čase

Pri dlhých súboroch nemusíš čakať do konca, aby sa zobrazil začiatok. Pri nastavení stream=True API vracia udalosti počas spracovania, bez potreby relácie Realtime:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # úplný prepis v event.text

Časové pečiatky a titulky: whisper-1 až do 26. februára 2027

Príručka OpenAI explicitne uvádza: jej príklady pre časové pečiatky na úrovni slov, titulky a identifikáciu hovoriaceho sa spoliehajú na zastarané modely. Ak potrebuješ tieto funkcie, whisper-1 zostáva dostupný až do 26. februára 2027 a je to jediný model, ktorý akceptuje verbose_json a timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Segmenty sú objekty SDK: čítaj segment.start, nie segment["start"]. Pri použití timestamp_granularities=["word"] sa časové pečiatky na úrovni slov objavia v transcription.words, čo si však vyžiada mierne vyššiu latenciu. Ten istý model tiež produkuje titulky pripravené na použitie: pri nastavení response_format="srt" alebo "vtt" SDK vráti priamo text súboru s titulkami.

Príručka zatiaľ neurčuje náhradu za tieto funkcie. Ak je tvoj produkt závislý od časových pečiatok alebo titulkov, naplánuj si riešenie pred 26. februárom 2027.

Dlhé súbory

Pre súbory väčšie ako 25 MB zvuk komprimuj alebo rozdeľ. Dokumentácia odporúča vyhýbať sa rezom uprostred vety, čo spôsobuje stratu kontextu, a navrhuje knižnicu pydub na rozdelenie (OpenAI negarantuje tento softvér tretej strany). Prenesenie konca predchádzajúceho úseku do parametra prompt pomáha modelu udržať kontinuitu, čo je použitie parametra citované v príručke:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Prepisuje dlhú nahrávku v 10-minútových úsekoch."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # kontinuita
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Rozdeľovanie podľa pevnej dĺžky niekedy prereže vetu napoly: pre uhladený výsledok rozdeľuj radšej podľa ticha.

Kľúčové poznatky

  • gpt-transcribe je odporúčaný model na prepis súborov; whisper-1 a gpt-4o-*-transcribe budú ukončené 26. februára 2027
  • Parametre prompt, keywords a languages (už nie language) usmerňujú rozpoznávanie termínov a jazykov
  • stream=True vracia prepis priebežne (transcript.text.delta) bez potreby relácie Realtime
  • Časové pečiatky, verbose_json, SRT a VTT existujú len pri modeli whisper-1 až do jeho ukončenia; segmenty čítaj ako objekty (segment.start)
  • Maximálna veľkosť súboru je 25 MB: komprimuj alebo rozdeľ, ideálne podľa ticha