Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Podporované formáty a jazyky

Lekcia 7 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Podporované formáty a jazyky
  2. Podporované zvukové formáty
  3. Podporované jazyky
  4. Spracovanie viacjazyčného obsahu
  5. Ceny
  6. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — Zvukové modely. Niekoľko modelov v tomto kurze je zastaraných: tts-1, tts-1-hd a gpt-4o-mini-tts budú vypnuté 6. januára 2027 (uvedenou náhradou je gpt-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-realtime a staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations 26. 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 z whisper-1 na gpt-transcribe (s použitím parametra languages), počet jazykov Whisper opravený (98, nie „viac ako 50“, podľa príručky File transcription), dvojkroková viacjazyčná metóda nahradená jazykovými nápovedami gpt-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-transcribe zoznam languages špecifikuje 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 languages nahrádza starú dvojkrokovú metódu