Översättning i realtid
Lektionen omskriven den 3 november 2026. Den förlitade sig tidigare på slutpunkten
/v1/audio/translationsoch modellenwhisper-1, vilka båda är avvecklade och nedstängda den 26 februari 2027, liksom en omarbetad Realtime-assistentsession som fungerade som tolk. OpenAI erbjuder nu två vägar: för inspelningar, transkribering på originalspråket medgpt-transcribeföljt av textöversättning; för tal i realtid, en dedikerad översättningssession medgpt-realtime-translate. Koden har verifierats med SDK:topenai3.42.1 och biblioteketwebsocket-client. Källor: Filtranskribering · Översättning i realtid · Avvecklingar.
Två behov, två verktyg
Översättning av ljud täcker två mycket olika scenarier, och OpenAI hanterar dem med olika verktyg:
| Behov | Verktyg från november 2026 | Resultat |
|---|---|---|
| En inspelning att översätta (möte, podd, arkiverat samtal) | gpt-transcribe för att transkribera på originalspråket, sedan en textmodell för att översätta | Översatt text på ditt målspråk |
| Tal i realtid att tolka (samtal, konferens, lektion) | Översättningssession i realtid med gpt-realtime-translate | Översatt ljud och transkript, genererade medan talet pågår |
Gammal väg: /v1/audio/translations med whisper-1 | Avvecklad, nedstängd 26 februari 2027 | Endast text på engelska |
OpenAIs guide understryker en punkt: att bara byta modell-ID i en begäran till /v1/audio/translations migrerar ingenting. Den gamla slutpunkten, som endast kunde översätta till engelska, har ingen direkt ersättare.
Översätta en inspelning
Denna metod transkriberar först troget på det talade språket och översätter sedan texten. Den fungerar för alla målspråk – till skillnad från den gamla slutpunkten som bara producerade engelska – och ger dig båda texterna, vilket är användbart för verifiering:
from openai import OpenAI
client = OpenAI()
def translate_recording(path: str, target_language: str) -> dict[str, str]:
"""Transkriberar en inspelning på dess originalspråk och översätter sedan texten."""
with open(path, "rb") as f:
transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)
response = client.responses.create(
model="gpt-6-luna",
instructions=(
f"Översätt texten som användaren tillhandahåller till {target_language}. "
"Behåll ton och stil. Svara endast med översättningen."
),
input=transcription.text,
)
return {"original": transcription.text, "translation": response.output_text}
result = translate_recording("reunion_fr.mp3", "tyska")
print(result["translation"])
Två val förtjänar en förklaring. Översättningsinstruktionen placeras i instructions, medan transkriberingen kommer som ren data i input: en inspelning kan innehålla vad som helst, inklusive en fras som liknar ett kommando, och den får inte kunna modifiera instruktionen. Modellen gpt-6-luna är vad OpenAI rekommenderar för storskalig, kostnadskänslig bearbetning; för känslig juridisk eller teknisk text bör du välja en mer kapabel modell, som gpt-6.1-sol.
Tolka tal i realtid
För att översätta medan någon talar erbjuder OpenAI en speciell typ av Realtime-session. Guiden skiljer tydligt på denna och en röstagent-session:
| Röstagent-session | Översättningssession |
|---|---|
Ansluter till /v1/realtime | Ansluter till /v1/realtime/translations |
| Modellen agerar som assistent | Modellen agerar som tolk |
Samtals- och svars cykel (response.create) | Kontinuerlig ström från inkommande ljud, ingen response.create |
| Kan anropa verktyg | Producerar översatt ljud och transkript |
Transporten beror på var ljudet anländer. I en webbläsare skickar WebRTC mikrofoninmatningen och tar emot den översatta rösten som ljudspår; din server skapar en kortlivad klienthemlighet för detta via /v1/realtime/translations/client_secrets, så att din API-nyckel aldrig lämnar servern. På serversidan, när ljudet redan anländer rått (en telefonström, en insamling), räcker en WebSocket-anslutning:
import base64
import json
import os
import websocket # pip install websocket-client
ws = websocket.WebSocket()
ws.connect(
"wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
header=[
f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
"OpenAI-Safety-Identifier: hashed-user-id", # hashad identifierare för din användare
],
)
# Tolkens utdataspråk
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))
def send_audio(pcm16: bytes) -> None:
"""Lägger till en bit källjud: 16-bitars PCM, mono, 24 kHz."""
ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))
Medan du skickar ljudet, inklusive tystnader, returnerar sessionen händelser att bearbeta löpande: session.output_audio.delta bär det översatta ljudet i base64, session.output_transcript.delta den översatta texten och session.input_transcript.delta transkriberingen av originalet. När källan stoppar skickar du session.close: tjänsten avslutar den pågående översättningen och svarar sedan med session.closed.
translation: list[str] = []
while True:
event = json.loads(ws.recv())
if event["type"] == "session.output_transcript.delta":
translation.append(event["delta"])
elif event["type"] == "error":
raise RuntimeError(f"Översättningsfel: {event['error']['code']}")
elif event["type"] == "session.closed":
break
ws.close()
print("".join(translation))
Försumma inte händelsen error: en avvisad nyckel får inte anslutningen att misslyckas i sig; den anländer strax efteråt som en händelse error med koden invalid_api_key (observerat den 3 november 2026). I produktion körs mottagandet parallellt med sändning, i en separat tråd eller uppgift, och det översatta ljudet skickas till spelaren eller telefonlinjen så fort det anländer: den officiella guiden tillhandahåller en komplett version, inklusive ljuduppspelning.
Viktiga punkter
/v1/audio/translationsochwhisper-1stängs ner den 26 februari 2027 utan direkt ersättare: att byta modell räcker inte- För en inspelning: använd
gpt-transcribepå originalspråket, följt av textöversättning med en textmodell, till vilket språk som helst - Håll översättningsinstruktionen i
instructionsoch transkriberingen som ren data - För tal i realtid: en översättningssession (
/v1/realtime/translations,gpt-realtime-translate), som agerar tolk, utanresponse.create - WebRTC i webbläsaren med en klienthemlighet skapad av servern; WebSocket på serversidan med 16-bitars PCM-ljud vid 24 kHz