Automatický preklad
Lekcia bola prepísaná 3. novembra 2026. Predtým závisela od koncového bodu
/v1/audio/translationsa modeluwhisper-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 pomocougpt-transcribe, po ktorom nasleduje textový preklad; pre živú reč vyhradenú prekladovú reláciu sgpt-realtime-translate. Kód bol overený so SDKopenai3.42.1 a knižnicouwebsocket-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:
| Potreba | Nástroj od novembra 2026 | Výsledok |
|---|---|---|
| Nahrávka na preklad (porada, podcast, archivovaný hovor) | gpt-transcribe na prepis v pôvodnom jazyku, potom textový model na preklad | Preložený text v cieľovom jazyku |
| Živá reč na tlmočenie (hovor, konferencia, vyučovanie) | Prekladová relácia Realtime s gpt-realtime-translate | Preložené audio a prepisy generované počas hovoru |
Stará cesta: /v1/audio/translations s whisper-1 | Zastarané, ukončené 26. februára 2027 | Iba 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 agenta | Prekladová relácia |
|---|---|
Pripája sa na /v1/realtime | Pripája sa na /v1/realtime/translations |
| Model funguje ako asistent | Model funguje ako tlmočník |
Cyklus konverzácie a odpovede (response.create) | Nepretržitý tok z prichádzajúceho audia, žiadne response.create |
| Môže volať nástroje | Produkuje 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/translationsawhisper-1boli ukončené 26. februára 2027 bez priamej náhrady: zmena modelu nestačí- Pre nahrávku:
gpt-transcribev pôvodnom jazyku, potom textový preklad textovým modelom do ľubovoľného jazyka - Udržuj inštrukciu pre preklad v
instructionsa prepis ako obyčajné dáta - Pre živú reč: prekladová relácia (
/v1/realtime/translations,gpt-realtime-translate), ktorá funguje ako tlmočník, bezresponse.create - WebRTC v prehliadači s klientskym tajným kľúčom vytvoreným serverom; WebSocket na strane servera s 16-bitovým PCM audiom pri 24 kHz