Optimalizácia kvality prepisu
Na tejto strane
Aktualizácia 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané:
tts-1,tts-1-hdagpt-4o-mini-ttsprestanú fungovať 6. januára 2027 (navrhovanou náhradou jegpt-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-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 aktualizovaná 3. novembra 2026: príklady boli prevedené na modelgpt-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-1ide všetko cez jediný parameterprompt, 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-transcribevlož termíny dokeywords, 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,keywordsalanguagesprigpt-transcribe; jedinýpromptobmedzený na 224 tokenov priwhisper-1 temperaturemá 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