Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Optimalizácia kvality prepisu

Lekcia 9 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Optimalizácia kvality prepisu
  2. Parameter prompt
  3. Parameter temperature
  4. Predspracovanie zvuku
  5. Následné spracovanie prepisu
  6. Kompletný pipeline prepisu
  7. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané: tts-1, tts-1-hd a gpt-4o-mini-tts prestanú fungovať 6. januára 2027 (navrhovanou náhradou je gpt-realtime-2.1-mini, ktorý podľa príručky OpenAI TTS nie je podporovaný rozhraním /v1/audio/speech: migrácia syntézy hlasu 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 aktualizovaná 3. novembra 2026: príklady boli prevedené na model gpt-transcribe (prompt, keywords, languages), ktorý odporúča OpenAI; teplota 0 nie je voľbou „vždy najpravdepodobnejšie“: podľa referencie API si model v takom prípade sám prispôsobuje teplotu po krokoch. Zdroje: Prepis súboru · Vytvorenie prepisu.

Optimalizácia kvality prepisu

Whisper štandardne vytvára vynikajúce prepisy, no niekoľko techník dokáže kvalitu výrazne zlepšiť, najmä v náročných prípadoch: šum v pozadí, regionálne prízvuky, odborná slovná zásoba a vlastné mená. Táto lekcia pokrýva pokročilé parametre a stratégie následného spracovania.

Parameter prompt

Kontext je tvojím hlavným nástrojom na zlepšenie kvality. Pri modeli gpt-transcribe, ktorý odporúča OpenAI, sa kontext odovzdáva tromi parametrami: prompt (kontextová veta v jazyku zvuku), keywords (výrazy na rozpoznanie) a languages (očakávané jazyky).

# Bez kontextu hrozí chybný prepis názvov produktov
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# S kontextom a kľúčovými slovami
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Technické stretnutie Corsen AI o hlasových agentoch.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Osvedčené postupy pre parameter prompt

  • Vymenuj vlastné mená: osoby, firmy, produkty
  • Zahrň odborný žargón: skratky, doménovo špecifické termíny
  • Špecifikuj očakávaný štýl: interpunkcia, veľkosť písmen
  • Pri whisper-1 ide všetko cez jediný parameter prompt, obmedzený na 224 tokenov: príručka uvádza, že Whisper nefunguje ako textový model a neposlúcha inštrukcie, preto stačí sem jednoducho vypísať správne pravopisné tvary
  • Pri gpt-transcribe vlož termíny do keywords, každý ako samostatná položka, bez znakov <, > alebo zalomení riadkov, inak API požiadavku odmietne
def build_transcription_prompt(context: dict) -> str:
    """Vytvorí kontextový prompt pre prepis."""
    parts = []

    if context.get("speakers"):
        parts.append(", ".join(context["speakers"]))

    if context.get("technical_terms"):
        parts.append(", ".join(context["technical_terms"]))

    if context.get("topic"):
        parts.append(context["topic"])

    return ". ".join(parts)

prompt = build_transcription_prompt({
    "speakers": ["Mordehai Attia", "Yoram Halberstam"],
    "technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
    "topic": "Technické stretnutie o hlasových agentoch"
})

Parameter temperature

Koncový bod prijíma parameter temperature v rozsahu 0 až 1, pričom predvolená hodnota je 0. Na rozdiel od častého omylu hodnota 0 neznamená „vždy najpravdepodobnejšie slovo“: podľa referencie API sa model v takom prípade spolieha na pravdepodobnosti tokenov a sám si po krokoch zvyšuje teplotu až po určité prahy.

V praxi nechaj predvolenú hodnotu. Dokumentácia pre gpt-transcribe zdôrazňuje kontext (prompt, keywords, languages), nie teplotu; pri whisper-1 môžeš pri zhoršenom zvuku testovať mierne vyššiu teplotu (napríklad 0,2) prípad od prípadu.

Predspracovanie zvuku

Kvalita vstupného zvuku je najrozhodujúcim faktorom. Investuj do predspracovania:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Predspracuje zvuk pre optimálny prepis."""
    audio = AudioSegment.from_file(input_path)

    # 1. Prevod na mono (stereo pri hlase nič nepridáva)
    audio = audio.set_channels(1)

    # 2. Prevzorkovanie na 16 kHz (pre Whisper stačí)
    audio = audio.set_frame_rate(16000)

    # 3. Normalizácia hlasitosti
    audio = normalize(audio)

    # 4. Kompresia dynamického rozsahu (zmenšuje rozdiel medzi hlasitými a tichými časťami)
    audio = compress_dynamic_range(audio)

    # 5. Export ako MP3 s bitrate 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Redukcia šumu

Pri nahrávkach so šumom výrazne zlepšuje výsledky predspracovanie pomocou noisereduce:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Zníži šum v pozadí pred prepisom."""
    data, rate = sf.read(input_path)

    # Adaptívna redukcia šumu
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80 % redukcia šumu
        stationary=False     # Nestacionárny šum (napr. kaviareň)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Následné spracovanie prepisu

Aj pri dobrom predspracovaní môže surový prepis vyžadovať úpravy. Na následné spracovanie použi GPT:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Opraví a naformátuje prepis od Whisperu."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Si korektor prepisov. "
                "Oprav zjavné chyby Whisperu bez zmeny významu. "
                "Doplní chýbajúcu interpunkciu. "
                "Oprav veľkosť písmen pri vlastných menách a skratkách. "
                "Nezhrňuj ani nepreformulúvaj."
            )},
            {"role": "user", "content": (
                f"Kontext: {context}\n\n"
                f"Surový prepis:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Kompletný pipeline prepisu

Spoj všetky kroky do robustného pipeline:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Kompletný pipeline vysokokvalitného prepisu."""
    # 1. Predspracovanie
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Vytvorenie kontextu: iba vyplnené parametre
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Prepis
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Následné spracovanie
    context = f"Jazyk: {language}, Rečníci: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Kľúčové poznatky

  • Kontext je najúčinnejší nástroj: prompt, keywords a languages pri gpt-transcribe; jediný prompt obmedzený na 224 tokenov pri whisper-1
  • temperature má predvolenú hodnotu 0 a pri 0 si model podľa potreby sám prispôsobuje teplotu: nechaj predvolenú hodnotu
  • Predspracovanie zvuku (mono, 16 kHz, normalizácia, odstránenie šumu) zlepšuje kvalitu viac než ktorýkoľvek parameter API
  • Následné spracovanie pomocou GPT opraví interpunkciu, veľkosť písmen a zvyškové chyby
  • Kompletný pipeline kombinuje predspracovanie, kontextové promptovanie a následné spracovanie pre maximálnu kvalitu