Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Transkribera en ljudfil: gpt-transcribe och Whisper

Lektion 6 av 18 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Transkribera en inspelning
  2. Vilken modell i november 2026
  3. Din första transkribering
  4. Ge modellen kontext
  5. Följ transkriberingen i realtid
  6. Tidsstämplar och undertexter: whisper-1 fram till 26 februari 2027
  7. Långa filer
  8. Viktiga punkter

Lektionen omskriven den 3 november 2026. Denna guide täckte tidigare whisper-1, som är avskriven och kommer att läggas ner den 26 februari 2027. OpenAIs guide för filtranskribering rekommenderar nu gpt-transcribe. gpt-transcribe tillhandahåller dock inga tidsstämplar, undertexter i formaten SRT eller VTT, eller ett verbose_json-svar. För dessa specifika behov är whisper-1 fortfarande det enda alternativet fram till nedläggningen. Koden tidigare hämtade segment som ordlistor (segment["start"]), vilket utlöser ett TypeError med Python SDK; de är objekt (segment.start). Varje anrop har verifierats med openai SDK 3.42.1. Källor: Filtranskribering · Skapa transkribering · GPT-Transcribe · Avskrivningar.

Transkribera en inspelning

Filtranskribering hanterar det vanligaste användningsfallet: du har en färdig inspelning (ett möte, en podd, ett röstmeddelande) och behöver texten. Du skickar filen till slutpunkten /v1/audio/transcriptions och får tillbaka transkriberingen. För ljud som fortfarande strömmar in, exempelvis från en mikrofon eller ett samtal, är den korrekta metoden live-transkribering via Realtime API, vilket behandlas senare i denna kurs.

Filen måste vara 25 MB eller mindre och ha ett av följande format: mp3, mp4, mpeg, mpga, m4a, wav eller webm.

Vilken modell i november 2026

ModellStatusViktiga punkter
gpt-transcribeRekommenderasKontext (prompt), nyckelord (keywords), förväntade språk (languages), strömmande transkribering; 0,0045 USD per minut
whisper-1Avskriven, nedläggning 26 februari 2027Enda modellen som tillhandahåller tidsstämplar, verbose_json, SRT och VTT samt översättning till engelska
gpt-4o-transcribe, gpt-4o-mini-transcribeAvskriven, nedläggning 26 februari 2027Ersatt av gpt-transcribe
gpt-4o-transcribe-diarizeAvskriven, nedläggning 26 februari 2027Talareidentifiering (diarized_json)

Din första transkribering

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)

Som standard är svaret ett JSON-objekt: transcription.text innehåller texten och transcription.languages listar de språk som modellen identifierat med tillräcklig säkerhet (en tom lista om inga kunde identifieras).

Ge modellen kontext

En mötesinspelning är full av egennamn, akronymer och interna termer som modellen inte har någon anledning att känna till. gpt-transcribe accepterar tre ledtrådar som du kan kombinera:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Ledningsmöte om Corsen AI-projektet och kontrakt AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • prompt beskriver kontexten i en enda mening, på inspelningens språk. Detta är inte en systeminstruktion; det är en ledtråd som styr igenkänningen.
  • keywords listar termer som ska identifieras. Ange ett nyckelord per objekt, utan <, > eller radbrytningar: API:t avvisar hela begäran om det hittar några sådana tecken.
  • languages specificerar förväntade språk med ISO 639-1-koder (fr, en, es…). Det ersätter parametern language från äldre modeller: skicka aldrig båda samtidigt.

Följ transkriberingen i realtid

För långa filer behöver du inte vänta tills slutet för att visa början. Med stream=True returnerar API:t händelser medan bearbetningen pågår, utan att kräva en Realtime-session:

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()  # hela transkriberingen finns i event.text

Tidsstämplar och undertexter: whisper-1 fram till 26 februari 2027

OpenAIs guide anger uttryckligen: dess exempel för tidsstämplar på ordnivå, undertexter och talareidentifiering förlitar sig på avskrivna modeller. Om du behöver dessa funktioner är whisper-1 fortfarande tillgängligt fram till den 26 februari 2027, och det är den enda modellen som accepterar verbose_json och 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()}")

Segment är SDK-objekt: läs segment.start, inte segment["start"]. Med timestamp_granularities=["word"] visas tidsstämplar på ordnivå i transcription.words, till priset av något högre latens. Samma modell producerar även färdiga undertexter: med response_format="srt" eller "vtt" returnerar SDK:t undertextfilens text direkt.

Guiden har ännu inte utsett någon ersättare för dessa funktioner. Om din produkt är beroende av tidsstämplar eller undertexter bör du planera en lösning innan den 26 februari 2027.

Långa filer

För filer större än 25 MB bör du komprimera ljudet eller dela upp det. Dokumentationen rekommenderar att undvika klipp mitt i en mening, vilket förlorar kontext, och föreslår biblioteket pydub för uppdelning (OpenAI garanterar inte denna tredjepartsprogramvara). Att skicka slutet av föregående bit i prompt hjälper modellen att behålla kontinuiteten, en användning av parametern som citeras i guiden:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transkriberar en lång inspelning i bitar på 10 minuter."""
    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 {}  # kontinuitet
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Uppdelning med fast längd kan ibland klippa mitt i en mening: för ett polerat resultat bör du istället dela vid tystnad.

Viktiga punkter

  • gpt-transcribe är den rekommenderade modellen för filtranskribering; whisper-1 och gpt-4o-*-transcribe läggs ner den 26 februari 2027
  • prompt, keywords och languages (inte längre language) styr igenkänning av termer och språk
  • stream=True returnerar transkriberingen löpande (transcript.text.delta), utan en Realtime-session
  • Tidsstämplar, verbose_json, SRT och VTT finns endast med whisper-1 fram till nedläggningen; läs segment som objekt (segment.start)
  • Maximalt 25 MB per fil: komprimera eller dela upp, helst vid tystnad