Optimera transkriberingskvaliteten
På denna sida
Uppdatering 2 november 2026 — Ljudmodeller. Flera modeller i denna kurs är avvecklade:
tts-1,tts-1-hdochgpt-4o-mini-ttsslutar fungera den 6 januari 2027 (den angivna ersättaren ärgpt-realtime-2.1-mini, vilket OpenAI:s TTS-guide anger inte stöds av/v1/audio/speech: migrering av röstsyntes 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 uppdaterad 3 november 2026: exemplen har bytts tillgpt-transcribe(prompt,keywords,languages), modellen som rekommenderas av OpenAI; temperatur 0 är inte ett val för “alltid mest sannolikt”: enligt API-referensen justerar modellen då temperaturen själv i steg. Källor: Filtranskribering · Skapa transkribering.
Optimera transkriberingskvaliteten
Whisper levererar utmärkta transkriberingar som standard, men flera tekniker kan förbättra kvaliteten avsevärt, särskilt i svåra fall: bakgrundsljud, regionala accenter, teknisk terminologi och egennamn. Denna lektion täcker avancerade parametrar och strategier för efterbehandling.
Parametern prompt
Kontext är din främsta hävstång för att förbättra kvaliteten. Med gpt-transcribe, den modell OpenAI rekommenderar, skickas kontexten via tre parametrar: prompt (en kontextmening på ljudets språk), keywords (termer att känna igen) och languages (förväntade språk).
# Utan kontext riskerar produktnamn att transkriberas felaktigt
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Med kontext och nyckelord
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Tekniskt möte hos Corsen AI om röstagenter.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Bästa praxis för prompt
- Lista egennamn: personer, företag, produkter
- Inkludera teknisk jargong: akronymer, domänspecifika termer
- Specificera förväntad stil: interpunktion, versaler/gemener
- Med
whisper-1går allt genom den enda parameternprompt, begränsad till 224 token: guiden specificerar att Whisper inte följer instruktioner som en textmodell, varför fördelen ligger i att helt enkelt lista korrekta stavningar där - Med
gpt-transcribe, placera termer ikeywords, en per post, utan<,>eller radbrytningar, annars avvisar API:t begäran
def build_transcription_prompt(context: dict) -> str:
"""Bygger en kontextprompt för transkribering."""
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": "Tekniskt möte om röstagenter"
})
Parametern temperature
Slutpunkten accepterar en temperature mellan 0 och 1, med standardvärdet 0. Tvärt emot en vanlig missuppfattning betyder värdet 0 inte “alltid det mest sannolika ordet”: enligt API-referensen förlitar sig modellen då på sina tokensannolikheter för att själv höja temperaturen i steg, upp till vissa tröskelvärden.
I praktiken bör du lämna standardvärdet. Dokumentationen för gpt-transcribe betonar kontext (prompt, keywords, languages), inte temperaturen; på whisper-1 kan en något högre temperatur (t.ex. 0,2) testas på försämrat ljud från fall till fall.
Förbehandling av ljud
Ingående ljudkvalitet är den mest avgörande faktorn. Investera i förbehandling:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Förbehandlar ljud för optimal transkribering."""
audio = AudioSegment.from_file(input_path)
# 1. Konvertera till mono (stereo tillför inget för röst)
audio = audio.set_channels(1)
# 2. Sampla om till 16 kHz (tillräckligt för Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normalisera volym
audio = normalize(audio)
# 4. Komprimera dynamiskt omfång (minskar gapet mellan högt och tyst)
audio = compress_dynamic_range(audio)
# 5. Exportera som 64 kbps MP3
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Brusreducering
För brusiga inspelningar förbättrar förbehandling med noisereduce resultaten avsevärt:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Reducerar bakgrundsljud före transkribering."""
data, rate = sf.read(input_path)
# Adaptiv brusreducering
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80 % brusreducering
stationary=False # Icke-stationärt brus (t.ex. kafé)
)
sf.write(output_path, reduced, rate)
return output_path
Efterbehandling av transkribering
Även med bra förbehandling kan råtranskriberingen kräva korrigeringar. Använd GPT för efterbehandling:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Korrigerar och formaterar en Whisper-transkribering."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Du är en transkriberingskorrigering. "
"Rätta uppenbara Whisper-fel utan att ändra betydelsen. "
"Lägg till saknad interpunktion. "
"Fixa versaler/gemener för egennamn och akronymer. "
"Sammanfatta eller formulera inte om."
)},
{"role": "user", "content": (
f"Kontext: {context}\n\n"
f"Råtranskribering:\n{raw_text}"
)}
]
)
return response.output_text
Komplett transkriberingspipeline
Sammansätt alla steg till en robust pipeline:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Komplett pipeline för transkribering av hög kvalitet."""
# 1. Förbehandling
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Bygg kontext: endast ifyllda parametrar
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transkribera
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Efterbehandling
context = f"Språk: {language}, Talare: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Viktiga punkter
- Kontext är den mest effektiva hävstången:
prompt,keywordsochlanguagesmedgpt-transcribe; den endaprompt, begränsad till 224 token, medwhisper-1 temperaturehar standardvärdet 0, och vid 0 justerar modellen temperaturen själv vid behov: lämna standardvärdet- Förbehandling av ljud (mono, 16 kHz, normalisering, brusreducering) förbättrar kvaliteten mer än någon API-parameter
- Efterbehandling med GPT korrigerar interpunktion, versaler/gemener och återstående fel
- En komplett pipeline kombinerar förbehandling, kontextuell promptning och efterbehandling för maximal kvalitet