Optimizacija kakovosti prepisa
Na tej strani
Posodobitev 2. novembra 2026 — Zvočni modeli. Nekateri modeli v tem tečaju so zastareli:
tts-1,tts-1-hdingpt-4o-mini-ttsbodo prenehali delovati 6. januarja 2027 (navedena zamenjava jegpt-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-realtimein starejši zvočni modeli 20. januarja 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribein/v1/audio/translations26. 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 nagpt-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-1vse potuje skozi en sam parameterprompt, omejen na 224 žetonov: vodnik navaja, da Whisper ne sledi navodilom kot besedilni model, zato je tu najbolje preprosto našteti pravilne črkovanja - Pri
gpt-transcribevnesi izraze vkeywords, 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,keywordsinlanguagesprigpt-transcribe; en samprompt, omejen na 224 žetonov, priwhisper-1 temperatureje 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