Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Podprti formati in jeziki

Lekcija 7 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Podprti formati in jeziki
  2. Podprti zvočni formati
  3. Podprti jeziki
  4. Ravnanje z večjezično vsebino
  5. Cenik
  6. Ključne ugotovitve

Posodobitev 2. november 2026 — Zvočni modeli. Več modelov v tem tečaju je zastarelih: tts-1, tts-1-hd in gpt-4o-mini-tts bodo ukinjeni 6. januarja 2027 (navedena zamenjava je gpt-realtime-2.1-mini, ki pa po vodniku OpenAI za TTS ni podprt s /v1/audio/speech: selitev sinteze govora prehaja na Realtime API); gpt-realtime, gpt-4o-realtime in stari zvočni modeli 20. januarja 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe in /v1/audio/translations 26. februarja 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Za polnodupleksni glas je GPT-Live 1 na voljo v API-ju od 10. septembra 2026. Lekcija popravljena 3. novembra 2026: primeri posodobljeni z whisper-1 na gpt-transcribe (z uporabo parametra languages), število jezikov za Whisper popravljeno (98, ne “več kot 50”, glede na vodnik File transcription), dvostopenjska večjezična metoda nadomeščena z namigi za jezik pri gpt-transcribe, viri za cene dodani. Viri: File transcription · GPT-Transcribe · Create transcription.

Podprti formati in jeziki

OpenAI-jevi modeli za prepisovanje sprejemajo širok nabor zvočnih formatov in podpirajo desetine jezikov. Izbira ustreznega vhodnega formata in pravilna nastavitev jezika neposredno vplivata na kakovost prepisa in stroške. Ta lekcija podrobno opisuje razpoložljive možnosti in najboljše prakse.

Podprti zvočni formati

Glede na referenco API končna točka za prepisovanje sprejme formate flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav in webm, pod pogojem, da ime datoteke vsebuje pravilno končnico. Najpogostejši so:

Format Končnica Stiskanje Priporočena uporaba
MP3 .mp3 Z izgubami, dobro razmerje Podcasti, zvočni posnetki
MP4 / M4A .mp4, .m4a AAC z izgubami Videoposnetki, mobilni posnetki
WAV .wav Nestisnjeno Studijski posnetki
WebM .webm Opus z izgubami Posnetki v brskalniku
FLAC .flac Brez izgub Najvišja kakovost brez izgub
OGG .ogg Vorbis/Opus Aplikacije odprte kode

Največja velikost datoteke je 25 MB. Za MP3 pri 128 kbps to pomeni približno 25 minut zvoka. Za nestisnjen WAV je ta čas bistveno krajši.

Optimizacija velikosti datoteke

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Pretvori zvočno datoteko v lahek MP3, zadosten za govor."""
    audio = AudioSegment.from_file(input_path)

    # Pretvorba v mono 16 kHz (dovolj za govor)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Izvoz kot 64kbps MP3 (dobro razmerje kakovost/velikost za glas)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Podprti jeziki

whisper-1 pokriva 98 jezikov, pri čemer se natančnost razlikuje glede na jezik. gpt-transcribe jezik samodejno zazna; če veš, katere jezike pričakuješ, jih določi v parametru languages: kode ISO 639-1 (fr, en, es…), nekatere kode ISO 639-3 (eng, spa, yue, cmn) in regionalne različice kitajščine (zh-cn, zh-tw, zh-hk). Nepodprta ali nepravilno oblikovana koda bo povzročila napako zahteve.

# Samodejno zaznavanje (privzeto)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # jeziki, prepoznani z zadostno zanesljivostjo

# Pričakovani jeziki
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages je seznam, specifičen za gpt-transcribe; starejši modeli sprejmejo en sam jezik v parametru language. Nikoli ne pošlji obeh hkrati.

Pogosti evropski jeziki

Najpogosteje uporabljene kode ISO 639-1 v Evropi:

EUROPEAN_LANGUAGES = {
    "fr": "French",
    "en": "English",
    "de": "German",
    "es": "Spanish",
    "it": "Italian",
    "pt": "Portuguese",
    "nl": "Dutch",
    "pl": "Polish",
    "ro": "Romanian",
    "sv": "Swedish",
    "da": "Danish",
    "fi": "Finnish",
    "el": "Greek",
    "cs": "Czech",
    "hu": "Hungarian",
    "bg": "Bulgarian",
    "hr": "Croatian",
    "sk": "Slovak",
    "sl": "Slovenian",
    "et": "Estonian",
    "lv": "Latvian",
    "lt": "Lithuanian",
}

Ravnanje z večjezično vsebino

Mednarodno srečanje prehaja med jeziki. gpt-transcribe je zasnovan prav za ta primer: kartica modela navaja podporo za več jezikovnih namigov, večjezični zvok in preklapljanje med jeziki (code-switching) znotraj enega stavka. Vse pričakovane jezike navedi v enem koraku:

with open("international-meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=f,
        languages=["fr", "en", "de"],
    )

print(result.text)
print("Recognized languages:", result.languages)

Stara dvostopenjska metoda, ki je z whisper-1 v načinu verbose_json najprej zaznala prevladujoči jezik in nato ponovno prepisala zvok s prisilno izbiro tega jezika, ni več potrebna: vsiljevala je en sam jezik celotnemu posnetku, whisper-1 pa bo ukinjen 26. februarja 2027.

Cenik

Prepisovanje se zaračunava glede na trajanje obdelanega zvoka: 0,0045 $ na minuto z gpt-transcribe, glede na kartico modela (november 2026). Format datoteke zato ne vpliva na strošek: pomembno je le trajanje.

Za zmanjšanje stroškov pri velikih količinah:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Odstrani tišino za zmanjšanje zaračunanega trajanja."""
    audio = AudioSegment.from_file(file_path)

    # Odstrani tišino, daljšo od 1 sekunde
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Ohrani 200 ms tišine za berljivost
    )

    if not chunks:
        return file_path

    combined = chunks[0]
    for chunk in chunks[1:]:
        combined += chunk

    output_path = "/tmp/optimized_audio.mp3"
    combined.export(output_path, format="mp3", bitrate="64k")
    return output_path

Ključne ugotovitve

  • Končna točka za prepisovanje sprejme FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV in WebM, z omejitvijo 25 MB na datoteko
  • Pri gpt-transcribe seznam languages določa pričakovane jezike; odgovor vrne prepoznane jezike
  • Mono MP3 pri 16 kHz in 64 kbps ponuja najboljše razmerje med kakovostjo in velikostjo za glas
  • Obračunavanje je na minuto zvoka: odstranjevanje tišine zmanjša stroške
  • Za večjezično vsebino en sam korak z vsemi pričakovanimi jeziki v languages nadomesti staro dvostopenjsko metodo