Podporované formáty a jazyky
Na tejto strane
Aktualizácia 2. novembra 2026 — Zvukové modely. Niekoľko modelov v tomto kurze je zastaraných:
tts-1,tts-1-hdagpt-4o-mini-ttsbudú vypnuté 6. januára 2027 (uvedenou náhradou jegpt-realtime-2.1-mini, ktorý podľa príručky OpenAI TTS nie je podporovaný rozhraním/v1/audio/speech: migrácia syntézy reči prechádza na Realtime API);gpt-realtime,gpt-4o-realtimea staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translations26. februára 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pre plno duplexný hlas je GPT-Live 1 dostupné v API od 10. septembra 2026. Lekcia opravená 3. novembra 2026: príklady aktualizované zwhisper-1nagpt-transcribe(s použitím parametralanguages), počet jazykov Whisper opravený (98, nie „viac ako 50“, podľa príručky File transcription), dvojkroková viacjazyčná metóda nahradená jazykovými nápovedamigpt-transcribe, ceny aktualizované podľa zdrojov. Zdroje: File transcription · GPT-Transcribe · Create transcription.
Podporované formáty a jazyky
Modely na prepis od OpenAI akceptujú širokú škálu zvukových formátov a podporujú desiatky jazykov. Výber správneho vstupného formátu a správne nastavenie jazyka priamo ovplyvňujú kvalitu prepisu a náklady. Táto lekcia podrobne popisuje dostupné možnosti a osvedčené postupy.
Podporované zvukové formáty
Podľa referencie API koncový bod pre prepis akceptuje formáty flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav a webm, za predpokladu, že názov súboru obsahuje správnu príponu. Najbežnejšie z nich:
| Formát | Prípona | Kompresia | Odporúčané použitie |
|---|---|---|---|
| MP3 | .mp3 | Stratová, dobrý pomer | Podcasty, hlasové nahrávky |
| MP4 / M4A | .mp4, .m4a | AAC stratová | Videá, mobilné nahrávky |
| WAV | .wav | Nekompresný | Štúdiové nahrávky |
| WebM | .webm | Opus stratový | Nahrávky z prehliadača |
| FLAC | .flac | Bezstratový | Maximálna kvalita bez straty |
| OGG | .ogg | Vorbis/Opus | Aplikácie s otvoreným zdrojovým kódom |
Maximálna veľkosť súboru je 25 MB. Pre MP3 pri 128 kbps to zodpovedá približne 25 minútam zvuku. Pre nekompresný WAV je to výrazne menej.
Optimalizácia veľkosti súboru
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Konvertuje zvukový súbor na ľahký MP3, dostatočný pre reč."""
audio = AudioSegment.from_file(input_path)
# Konverzia na mono 16 kHz (dostatočné pre reč)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Export ako 64kbps MP3 (dobrý kompromis kvalita/veľkosť pre hlas)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Podporované jazyky
whisper-1 pokrýva 98 jazykov, pričom presnosť sa líši podľa jazyka. gpt-transcribe detekuje jazyk automaticky; ak vieš, aké jazyky očakávaš, špecifikuj ich v parametri languages: kódy ISO 639-1 (fr, en, es…), niektoré kódy ISO 639-3 (eng, spa, yue, cmn) a regionálne varianty čínštiny (zh-cn, zh-tw, zh-hk). Nepodporovaný alebo chybný kód spôsobí zlyhanie požiadavky.
# Automatická detekcia (predvolené)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # jazyky rozpoznané s dostatočnou istotou
# Očakávané jazyky
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages je zoznam špecifický pre gpt-transcribe; staršie modely akceptujú jediný jazyk v parametri language. Nikdy neposielaj obe súčasne.
Bežné európske jazyky
Najčastejšie používané kódy ISO 639-1 v Európe:
EUROPEAN_LANGUAGES = {
"fr": "French",
"en": "English",
"de": "German",
"es": "Spanish",
"it": "Italian",
"pt": "Portuguese",
"nl": "Dutch",
"pl": "Polish",
"ro": "Romanian",
"sv": "Swedish",
"da": "Danish",
"fi": "Finnish",
"el": "Greek",
"cs": "Czech",
"hu": "Hungarian",
"bg": "Bulgarian",
"hr": "Croatian",
"sk": "Slovak",
"sl": "Slovenian",
"et": "Estonian",
"lv": "Latvian",
"lt": "Lithuanian",
}
Spracovanie viacjazyčného obsahu
Medzinárodné stretnutie prepína medzi jazykmi. gpt-transcribe je navrhnutý presne pre tento prípad: jeho karta modelu uvádza podporu pre viacero jazykových nápovedí, viacjazyčný zvuk a prepínanie kódov (code-switching) v rámci jednej vety. Poskytni všetky očakávané jazyky v jednom prechode:
with open("international-meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=["fr", "en", "de"],
)
print(result.text)
print("Recognized languages:", result.languages)
Stará dvojkroková metóda, ktorá najprv detekovala dominantný jazyk pomocou whisper-1 v režime verbose_json a následne vykonala nový prepis vynútením tohto jazyka, už nie je potrebná: vynucovala jeden jazyk na celú nahrávku a whisper-1 bude vypnutý 26. februára 2027.
Ceny
Prepis sa fakturuje podľa dĺžky spracovaného zvuku: 0,0045 $ za minútu s gpt-transcribe, podľa jeho karty modelu (november 2026). Formát súboru teda nemá vplyv na cenu: záleží len na dĺžke trvania.
Na zníženie nákladov pri veľkých objemoch:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Odstráni ticho na zníženie fakturovanej dĺžky."""
audio = AudioSegment.from_file(file_path)
# Odstráni ticho dlhšie ako 1 sekunda
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Ponechá 200 ms ticha pre čitateľnosť
)
if not chunks:
return file_path
combined = chunks[0]
for chunk in chunks[1:]:
combined += chunk
output_path = "/tmp/optimized_audio.mp3"
combined.export(output_path, format="mp3", bitrate="64k")
return output_path
Kľúčové poznatky
- Koncový bod pre prepis akceptuje FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV a WebM s limitom 25 MB na súbor
- Pri
gpt-transcribezoznamlanguagesšpecifikuje očakávané jazyky; odpoveď vráti rozpoznané jazyky - Mono 16 kHz MP3 pri 64 kbps ponúka najlepší kompromis medzi kvalitou a veľkosťou pre hlas
- Fakturácia je za minútu zvuku: odstránenie ticha znižuje náklady
- Pre viacjazyčný obsah jeden prechod so všetkými očakávanými jazykmi v
languagesnahrádza starú dvojkrokovú metódu