Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Prepis zvočne datoteke: gpt-transcribe in Whisper

Lekcija 6 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Prepis posnetka
  2. Kateri model novembra 2026
  3. Prvi prepis
  4. Modelu daj kontekst
  5. Spremljaj prepis v realnem času
  6. Časovni žigi in podnapisi: whisper-1 do 26. februarja 2027
  7. Dolge datoteke
  8. Ključne ugotovitve

Lekcija je bila ponovno napisana 3. novembra 2026. Ta vodnik je prej obravnaval model whisper-1, ki je zastarel in bo umaknjen 26. februarja 2027. OpenAI-jev vodnik File transcription zdaj priporoča uporabo modela gpt-transcribe. Vendar gpt-transcribe ne ponuja časovnih žigov, podnapisov v formatih SRT ali VTT niti odziva verbose_json. Za te specifične potrebe ostaja whisper-1 edina možnost vse do njegovega umika. Koda je prej dostopala do segmentov kot do slovarjev (segment["start"]), kar pri Python SDK povzroči napako TypeError; zdaj so to objekti (segment.start). Vsak klic je bil preverjen z različico SDK openai 3.42.1. Viri: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Prepis posnetka

Pretvorba datotek naslavlja najpogostejši primer uporabe: imaš končan posnetek (sestanek, podkast, glasovno sporočilo) in potrebuješ besedilo. Datoteko pošlješ na končno točko /v1/audio/transcriptions in prejmeš prepis. Za zvok, ki še prihaja, na primer z mikrofona ali med klicem, je pravilen pristop živi prepis prek API-ja Realtime, ki ga obravnavamo kasneje v tem tečaju.

Datoteka mora biti velika največ 25 MB in v eni od naslednjih oblik: mp3, mp4, mpeg, mpga, m4a, wav ali webm.

Kateri model novembra 2026

ModelStanjeKljučne točke
gpt-transcribePriporočenoKontekst (prompt), ključne besede (keywords), pričakovani jeziki (languages), pretakanje prepisa; 0,0045 $ na minuto
whisper-1Zastarel, umik 26. februarja 2027Edini model, ki ponuja časovne žige, verbose_json, podnapise SRT in VTT ter prevod v angleščino
gpt-4o-transcribe, gpt-4o-mini-transcribeZastarel, umik 26. februarja 2027Nadomeščena z gpt-transcribe
gpt-4o-transcribe-diarizeZastarel, umik 26. februarja 2027Prepoznavanje govorcev (diarized_json)

Prvi prepis

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Privzeto je odziv objekt JSON: transcription.text vsebuje besedilo, transcription.languages pa navaja jezike, ki jih je model prepoznal z zadostno zanesljivostjo (prazen seznam, če ni prepoznal nobenega).

Modelu daj kontekst

Posnetek sestanka je poln lastnih imen, kratic in internih izrazov, ki jih model nima razloga poznati. gpt-transcribe sprejme tri namige, ki jih lahko kombiniraš:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Sestanek vodstva o projektu Corsen AI in pogodbi AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["sl", "en"],
    )

print(transcription.text)
  • prompt v enem stavku opiše kontekst v jeziku posnetka. To ni sistemska instrukcija, temveč namig, ki usmerja prepoznavanje.
  • keywords našteje izraze, ki jih je treba prepoznati. Vnesi eno ključno besedo na element, brez znakov <, > ali prelomov vrstic; API bo v nasprotnem primeru zavrgel celoten zahtevek.
  • languages določi pričakovane jezike z uporabo kod ISO 639-1 (sl, en, es …). Nadomešča parameter language iz starejših modelov: nikoli ne pošlji obeh hkrati.

Spremljaj prepis v realnem času

Pri dolgih datotekah ni treba čakati do konca, da bi prikazal začetek. Z nastavitvijo stream=True API vrača dogodke med obdelavo, ne da bi zahteval sejo Realtime:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # celoten prepis v event.text

Časovni žigi in podnapisi: whisper-1 do 26. februarja 2027

OpenAI-jev vodnik izrecno navaja, da se njegovi primeri za časovne žige na ravni besed, podnapise in prepoznavanje govorcev zanašajo na zastarele modele. Če potrebuješ te funkcije, je whisper-1 na voljo do 26. februarja 2027 in je edini model, ki sprejme verbose_json in timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Segmenti so objekti SDK: beri segment.start, ne segment["start"]. Z nastavitvijo timestamp_granularities=["word"] se časovni žigi na ravni besed pojavijo v transcription.words, vendar ob rahlo večji zakasnitvi. Isti model proizvaja tudi pripravljene podnapise: z nastavitvijo response_format="srt" ali "vtt" SDK neposredno vrne besedilo datoteke s podnapisi.

Vodnik še ne imenuje nadomestila za te funkcije. Če tvoj izdelek temelji na časovnih žigih ali podnapisih, načrtuj rešitev pred 26. februarjem 2027.

Dolge datoteke

Za datoteke, večje od 25 MB, zvok stisni ali razdeli. Dokumentacija priporoča izogibanje rezom sredi stavka, saj se tako izgubi kontekst, in predlaga knjižnico pydub za razdeljevanje (OpenAI ne jamči za to programsko opremo tretjih strani). Posredovanje konca prejšnjega dela v parametru prompt modelu pomaga ohranjati kontinuiteto, kar je uporaba parametra, navedena v vodniku:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Prepiše dolg posnetek v 10-minutnih kosih."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # kontinuiteta
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Razdeljevanje s fiksnim trajanjem včasih prereže stavek na pol: za uglašen rezultat raje razdeli na mestih tišine.

Ključne ugotovitve

  • gpt-transcribe je priporočeni model za prepis datotek; whisper-1 in gpt-4o-*-transcribe bodo umaknjeni 26. februarja 2027
  • prompt, keywords in languages (ne več language) usmerjajo prepoznavanje izrazov in jezikov
  • stream=True vrne prepis sproti (transcript.text.delta), brez seje Realtime
  • Časovni žigi, verbose_json, SRT in VTT obstajajo le pri whisper-1 do njegovega umika; segmente beri kot objekte (segment.start)
  • Največ 25 MB na datoteko: stisni ali razdeli, po možnosti na mestih tišine