Prepis zvukového súboru: gpt-transcribe a Whisper
Na tejto strane
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 modelgpt-transcribe. Modelgpt-transcribevšak neposkytuje časové pečiatky, titulky vo formáte SRT ani VTT, ani odpoveď vo formáteverbose_json. Pre tieto špecifické potreby zostávawhisper-1jedinou voľbou až do jeho ukončenia. Kód predtým pristupoval k segmentom ako k slovníkom (segment["start"]), čo pri Python SDK vyvoláva chybuTypeError; v skutočnosti ide o objekty (segment.start). Každé volanie bolo overené pomocou SDKopenaiverzie 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
| Model | Stav | Kľúčové body |
|---|---|---|
gpt-transcribe | Odporúčané | Kontext (prompt), kľúčové slová (keywords), očakávané jazyky (languages), streamovaný prepis; 0,0045 $ za minútu |
whisper-1 | Zastarané, ukončenie 26. februára 2027 | Jediný model poskytujúci časové pečiatky, verbose_json, titulky SRT a VTT a preklad do angličtiny |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Zastarané, ukončenie 26. februára 2027 | Nahradené modelom gpt-transcribe |
gpt-4o-transcribe-diarize | Zastarané, ukončenie 26. februára 2027 | Identifikácia 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)
promptopisuje kontext v jednej vete v jazyku nahrávky. Nie je to systémová inštrukcia, ale nápoveda, ktorá usmerňuje rozpoznávanie.keywordsobsahuje zoznam termínov na rozpoznanie. Zadávaj jedno kľúčové slovo na položku, bez znakov<,>alebo zalomení riadkov: API zamietne celú požiadavku, ak niektorý z nich nájde.languagesurčuje očakávané jazyky pomocou kódov ISO 639-1 (sk,en,es…). Nahrádza parameterlanguagezo 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-transcribeje odporúčaný model na prepis súborov;whisper-1agpt-4o-*-transcribebudú ukončené 26. februára 2027- Parametre
prompt,keywordsalanguages(už nielanguage) usmerňujú rozpoznávanie termínov a jazykov stream=Truevracia prepis priebežne (transcript.text.delta) bez potreby relácie Realtime- Časové pečiatky,
verbose_json, SRT a VTT existujú len pri modeliwhisper-1až do jeho ukončenia; segmenty čítaj ako objekty (segment.start) - Maximálna veľkosť súboru je 25 MB: komprimuj alebo rozdeľ, ideálne podľa ticha