Format och språk som stöds
På denna sida
Uppdatering 2 november 2026 — Ljudmodeller. Flera modeller i denna kurs är avvecklade:
tts-1,tts-1-hdochgpt-4o-mini-ttsstängs av den 6 januari 2027 (den angivna ersättaren ärgpt-realtime-2.1-mini, vilket OpenAI:s TTS-guide anger inte stöds av/v1/audio/speech: migreringen av talsyntes flyttas till Realtime API);gpt-realtime,gpt-4o-realtimeoch äldre ljudmodeller den 20 januari 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeoch/v1/audio/translationsden 26 februari 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). För full-duplex-röst har GPT-Live 1 funnits tillgänglig i API:t sedan den 10 september 2026. Lektionen korrigerad 3 november 2026: exempel uppdaterade frånwhisper-1tillgpt-transcribe(med parameternlanguages), antalet språk för Whisper korrigerat (98, inte “över 50”, enligt guiden File transcription), tvåstegsmetoden för flerspråkighet ersatt av språktips igpt-transcribe, prissättning källhänvisad. Källor: File transcription · GPT-Transcribe · Create transcription.
Format och språk som stöds
OpenAI:s transkriberingsmodeller accepterar en stor variation av ljudformat och stödjer dussintals språk. Valet av rätt indataformat och korrekt språkkonfiguration påverkar direkt transkriberingskvaliteten och kostnaderna. Denna lektion går igenom tillgängliga alternativ och bästa praxis.
Ljudformat som stöds
Enligt API-referensen accepterar transkriberingsendpunkten formaten flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav och webm, förutsatt att filnamnet har rätt filändelse. De vanligaste är:
| Format | Filändelse | Komprimering | Rekommenderad användning |
|---|---|---|---|
| MP3 | .mp3 | Förlustgivande, bra komprimeringsgrad | Poddar, röstinspelningar |
| MP4 / M4A | .mp4, .m4a | AAC förlustgivande | Video, mobila inspelningar |
| WAV | .wav | Okomprimerad | Studioinspelningar |
| WebM | .webm | Opus förlustgivande | Webbläsarinspelningar |
| FLAC | .flac | Förlustfri | Högsta kvalitet utan förlust |
| OGG | .ogg | Vorbis/Opus | Öppen källkod-applikationer |
Den maximala filstorleken är 25 MB. För en MP3-fil på 128 kbps motsvarar detta cirka 25 minuters ljud. För okomprimerad WAV är det betydligt mindre.
Optimering av filstorlek
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Konverterar en ljudfil till lättviktig MP3, tillräcklig för tal."""
audio = AudioSegment.from_file(input_path)
# Konvertera till mono 16kHz (tillräckligt för tal)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Exportera som 64kbps MP3 (bra kompromiss mellan kvalitet och storlek för röst)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Språk som stöds
whisper-1 täcker 98 språk, med varierande noggrannhet beroende på språk. gpt-transcribe identifierar språket automatiskt; om du vet vilka språk som kan förväntas, ange dem i languages: ISO 639-1-koder (fr, en, es…), vissa ISO 639-3-koder (eng, spa, yue, cmn) och regionala kinesiska varianter (zh-cn, zh-tw, zh-hk). En kod som inte stöds eller är felaktigt formaterad kommer att få begäran att misslyckas.
# Automatisk identifiering (standard)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # språk identifierade med tillräcklig konfidens
# Förväntade språk
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages är en lista, specifik för gpt-transcribe; äldre modeller accepterar ett enda språk i language. Skicka aldrig båda.
Vanliga europeiska språk
De vanligaste ISO 639-1-koderna i Europa:
EUROPEAN_LANGUAGES = {
"fr": "Franska",
"en": "Engelska",
"de": "Tyska",
"es": "Spanska",
"it": "Italienska",
"pt": "Portugisiska",
"nl": "Nederländska",
"pl": "Polska",
"ro": "Rumänska",
"sv": "Svenska",
"da": "Danska",
"fi": "Finska",
"el": "Grekiska",
"cs": "Tjeckiska",
"hu": "Ungerska",
"bg": "Bulgariska",
"hr": "Kroatiska",
"sk": "Slovakiska",
"sl": "Slovenska",
"et": "Estniska",
"lv": "Lettiska",
"lt": "Litauiska",
}
Hantering av flerspråkigt innehåll
Ett internationellt möte växlar mellan språk. gpt-transcribe är designat för detta fall: modellkortet nämner stöd för flera språktips, flerspråkigt ljud och kodväxling inom en enda mening. Ange alla förväntade språk i ett enda steg:
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("Identifierade språk:", result.languages)
Den gamla tvåstegsmetoden, som identifierade det dominerande språket med whisper-1 i verbose_json-läge och sedan transkriberade om genom att tvinga fram det språket, är inte längre nödvändig: den tvingade fram ett enda språk för hela inspelningen, och whisper-1 stängs av den 26 februari 2027.
Prissättning
Transkribering debiteras baserat på längden på det bearbetade ljudet: 0,0045 USD per minut med gpt-transcribe, enligt dess modellkort (november 2026). Filformatet påverkar därför inte kostnaden: endast durationen spelar roll.
För att minska kostnaderna vid stora volymer:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Tar bort tystnad för att minska debiterad duration."""
audio = AudioSegment.from_file(file_path)
# Ta bort tystnad längre än 1 sekund
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Behåll 200 ms tystnad för läsbarhet
)
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
Viktiga punkter
- Transkriberingsendpunkten accepterar FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV och WebM, med en gräns på 25 MB per fil
- Med
gpt-transcribespecificerar listanlanguagesförväntade språk; svaret returnerar identifierade språk - Mono 16 kHz MP3 vid 64 kbps erbjuder den bästa kompromissen mellan kvalitet och storlek för röst
- Fakturering sker per minut ljud: att ta bort tystnad minskar kostnaderna
- För flerspråkigt innehåll ersätter ett enda steg med alla förväntade språk i
languagesden gamla tvåstegsmetoden