Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Optimizacija kakovosti prepisa

Lekcija 9 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Optimizacija kakovosti prepisa
  2. Parameter prompt
  3. Parameter temperature
  4. Predobdelava zvoka
  5. Naknadna obdelava prepisa
  6. Celoten cevovod za prepis
  7. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Zvočni modeli. Nekateri modeli v tem tečaju so zastareli: tts-1, tts-1-hd in gpt-4o-mini-tts bodo prenehali delovati 6. januarja 2027 (navedena zamenjava je gpt-realtime-2.1-mini, ki pa po navodilih OpenAI za TTS ni podprta z /v1/audio/speech: selitev sinteze glasu prehaja na Realtime API); gpt-realtime, gpt-4o-realtime in starejši 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 posodobljena 3. novembra 2026: primeri so preklopljeni na gpt-transcribe (prompt, keywords, languages), kar je model, ki ga priporoča OpenAI; temperatura 0 ni izbira „vedno najbolj verjetno”: glede na referenčno dokumentacijo API-ja model v tem primeru samostojno prilagaja temperaturo v korakih. Viri: Prepis datoteke · Ustvari prepis.

Optimizacija kakovosti prepisa

Whisper privzeto ustvarja odlične prepise, vendar lahko več tehnik bistveno izboljša kakovost, zlasti v težkih primerih: hrup v ozadju, regionalni naglasi, strokovno besedišče in lastna imena. Ta lekcija pokriva napredne parametre in strategije naknadne obdelave.

Parameter prompt

Kontekst je tvoje glavno orodje za izboljšanje kakovosti. Pri modelu gpt-transcribe, ki ga priporoča OpenAI, kontekst potuje skozi tri parametre: prompt (kontekstni stavek v jeziku zvoka), keywords (izrazi za prepoznavo) in languages (pričakovani jeziki).

# Brez konteksta obstaja tveganje napačnega prepisa imen izdelkov
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# S kontekstom in ključnimi besedami
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Tehnično srečanje Corsen AI o glasovnih agentih.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Najboljše prakse za parameter prompt

  • Naštej lastna imena: ljudje, podjetja, izdelki
  • Vključi strokovni žargon: kratice, izrazi specifični za področje
  • Določi pričakovani slog: ločila, velike začetnice
  • Pri whisper-1 vse potuje skozi en sam parameter prompt, omejen na 224 žetonov: vodnik navaja, da Whisper ne sledi navodilom kot besedilni model, zato je tu najbolje preprosto našteti pravilne črkovanja
  • Pri gpt-transcribe vnesi izraze v keywords, enega na vnos, brez <, > ali prelomov vrstic, sicer bo API zahtevo zavrnil
def build_transcription_prompt(context: dict) -> str:
    """Zgradi kontekstni poziv za 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": "Tehnično srečanje o glasovnih agentih"
})

Parameter temperature

Končna točka sprejme temperature med 0 in 1, privzeta vrednost je 0. V nasprotju s pogostim napačnim prepričanjem vrednost 0 ne pomeni „vedno najbolj verjetna beseda”: glede na referenčno dokumentacijo API-ja se model v tem primeru zanaša na verjetnosti svojih žetonov, da samostojno dvigne temperaturo v korakih do določenih pragov.

V praksi pusti privzeto vrednost. Dokumentacija za gpt-transcribe poudarja kontekst (prompt, keywords, languages), ne temperature; pri whisper-1 lahko nekoliko višjo temperaturo (npr. 0,2) preizkusiš pri poslabšanem zvoku od primera do primera.

Predobdelava zvoka

Kakovost vhodnega zvoka je najbolj odločilen dejavnik. Vloži v predobdelavo:

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

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Predobdela zvoka za optimalen prepis."""
    audio = AudioSegment.from_file(input_path)

    # 1. Pretvori v mono (stereo za glas ne doda ničesar)
    audio = audio.set_channels(1)

    # 2. Vzorči na 16 kHz (dovolj za Whisper)
    audio = audio.set_frame_rate(16000)

    # 3. Normaliziraj glasnost
    audio = normalize(audio)

    # 4. Stisni dinamično območje (zmanjša razliko med glasnim in tišjim)
    audio = compress_dynamic_range(audio)

    # 5. Izvozi kot MP3 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Zmanjšanje šuma

Pri hrupnih posnetkih predobdelava z noisereduce bistveno izboljša rezultate:

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

def reduce_noise(input_path: str, output_path: str) -> str:
    """Zmanjša hrup v ozadju pred prepisom."""
    data, rate = sf.read(input_path)

    # Prilagodljivo zmanjšanje šuma
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80-odstotno zmanjšanje šuma
        stationary=False     # Nestacionarni šum (npr. kavarna)
    )

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

Naknadna obdelava prepisa

Tudi z dobro predobdelavo surov prepis morda zahteva popravke. Uporabi GPT za naknadno obdelavo:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Popravi in oblikuje Whisper prepis."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Si korektor prepisov. "
                "Popravi očitne napake Whisperja brez spreminjanja pomena. "
                "Dodaj manjkajoča ločila. "
                "Popravi velike začetnice pri lastnih imenih in kraticah. "
                "Ne povzemaj in ne preoblikuj."
            )},
            {"role": "user", "content": (
                f"Kontekst: {context}\n\n"
                f"Surov prepis:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Celoten cevovod za prepis

Združi vse korake v robusten cevovod:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Celoten cevovod za visokokakovosten prepis."""
    # 1. Predobdelava
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Izgradnja konteksta: samo zapolnjeni parametri
    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. Naknadna obdelava
    context = f"Jezik: {language}, Govorci: {speakers}"
    corrected = await post_process_transcription(result.text, context)

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

Ključne ugotovitve

  • Kontekst je najučinkovitejše orodje: prompt, keywords in languages pri gpt-transcribe; en sam prompt, omejen na 224 žetonov, pri whisper-1
  • temperature je privzeto 0 in pri tej vrednosti model po potrebi sam prilagodi temperaturo: pusti privzeto vrednost
  • Predobdelava zvoka (mono, 16 kHz, normalizacija, odstranjevanje šuma) izboljša kakovost bolj kot kateri koli parameter API-ja
  • Naknadna obdelava z GPT popravi ločila, velike začetnice in preostale napake
  • Celoten cevovod združuje predobdelavo, kontekstno usmerjanje in naknadno obdelavo za največjo kakovost