Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Automatický preklad

Lekcia 8 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Dve potreby, dva nástroje
  2. Preklad nahrávky
  3. Tlmočenie živej reči
  4. Kľúčové poznatky

Lekcia bola prepísaná 3. novembra 2026. Predtým závisela od koncového bodu /v1/audio/translations a modelu whisper-1, ktoré boli obe zastarané a ukončené 26. februára 2027, rovnako ako od opätovne využitej relácie asistenta Realtime fungujúcej ako tlmočník. OpenAI teraz ponúka dve cesty: pre nahrávky prepis v pôvodnom jazyku pomocou gpt-transcribe, po ktorom nasleduje textový preklad; pre živú reč vyhradenú prekladovú reláciu s gpt-realtime-translate. Kód bol overený so SDK openai 3.42.1 a knižnicou websocket-client. Zdroje: Prepis súborov · Preklad v reálnom čase · Zastarania.

Dve potreby, dva nástroje

Preklad zvuku pokrýva dva veľmi odlišné scenáre a OpenAI ich rieši rôznymi nástrojmi:

PotrebaNástroj od novembra 2026Výsledok
Nahrávka na preklad (porada, podcast, archivovaný hovor)gpt-transcribe na prepis v pôvodnom jazyku, potom textový model na prekladPreložený text v cieľovom jazyku
Živá reč na tlmočenie (hovor, konferencia, vyučovanie)Prekladová relácia Realtime s gpt-realtime-translatePreložené audio a prepisy generované počas hovoru
Stará cesta: /v1/audio/translations s whisper-1Zastarané, ukončené 26. februára 2027Iba text v angličtine

Príručka OpenAI zdôrazňuje jednu vec: jednoduchá zmena ID modelu v požiadavke na /v1/audio/translations nič nemigruje. Starý koncový bod, ktorý dokázal prekladať iba do angličtiny, nemá priamu náhradu.

Preklad nahrávky

Táto metóda najprv verne prepíše hovorený jazyk a následne preloží text. Funguje pre akýkoľvek cieľový jazyk – na rozdiel od starého koncového bodu, ktorý produkoval iba angličtinu – a poskytne ti oba texty, čo je užitočné na overenie:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Prepíše nahrávku v jej pôvodnom jazyku a následne preloží text."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Prelož text poskytnutý používateľom do jazyka {target_language}. "
            "Zachovaj tón a štýl. Odpovedz iba prekladom."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Dve voľby si zaslúžia vysvetlenie. Inštrukcia pre preklad ide do instructions, zatiaľ čo prepis prichádza ako obyčajné dáta v input: nahrávka môže obsahovať čokoľvek, vrátane vety, ktorá vyzerá ako príkaz, a nesmie mať možnosť upraviť inštrukciu. Model gpt-6-luna je ten, ktorý OpenAI odporúča pre rozsiahle spracovanie citlivé na náklady; pre chúlostivé právne alebo technické texty si vyber schopnejší model, ako je gpt-6.1-sol.

Tlmočenie živej reči

Na preklad počas toho, ako niekto hovorí, ponúka OpenAI špeciálny typ relácie Realtime. Príručka ju jasne odlišuje od relácie hlasového agenta:

Relácia hlasového agentaPrekladová relácia
Pripája sa na /v1/realtimePripája sa na /v1/realtime/translations
Model funguje ako asistentModel funguje ako tlmočník
Cyklus konverzácie a odpovede (response.create)Nepretržitý tok z prichádzajúceho audia, žiadne response.create
Môže volať nástrojeProdukuje preložené audio a prepisy

Transport závisí od toho, kde audio prichádza. V prehliadači WebRTC odosiela vstup z mikrofónu a prijíma preložený hlas ako zvukové stopy; tvoj server vytvorí krátkodobý klientsky tajný kľúč cez /v1/realtime/translations/client_secrets, aby sa tvoj API kľúč nikdy nedostal mimo server. Na strane servera, keď audio už prichádza surové (telefónny stream, záznam), stačí pripojenie WebSocket:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashovaný identifikátor tvojho používateľa
    ],
)

# Výstupný jazyk tlmočníka
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Pripojí časť zdrojového audia: 16-bit PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Zatiaľ čo odosielaš audio, vrátane ticha, relácia vracia udalosti na okamžité spracovanie: session.output_audio.delta nesie preložené audio v base64, session.output_transcript.delta preložený text a session.input_transcript.delta prepis originálu. Keď zdroj prestane, pošli session.close: služba dokončí aktuálny preklad a potom odpovie udalosťou session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Chyba prekladu: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Nezanedbávaj udalosť error: odmietnutý kľúč nespôsobí zlyhanie samotného pripojenia; príde tesne potom ako udalosť error s kódom invalid_api_key (pozorované 3. novembra 2026). V produkcii beží prijímanie paralelne s odosielaním, v samostatnom vlákne alebo úlohe, a preložené audio smeruje do prehrávača alebo telefónnej linky, ako prichádza: oficiálna príručka poskytuje kompletnú verziu vrátane prehrávania audia.

Kľúčové poznatky

  • /v1/audio/translations a whisper-1 boli ukončené 26. februára 2027 bez priamej náhrady: zmena modelu nestačí
  • Pre nahrávku: gpt-transcribe v pôvodnom jazyku, potom textový preklad textovým modelom do ľubovoľného jazyka
  • Udržuj inštrukciu pre preklad v instructions a prepis ako obyčajné dáta
  • Pre živú reč: prekladová relácia (/v1/realtime/translations, gpt-realtime-translate), ktorá funguje ako tlmočník, bez response.create
  • WebRTC v prehliadači s klientskym tajným kľúčom vytvoreným serverom; WebSocket na strane servera s 16-bitovým PCM audiom pri 24 kHz