Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Optimera transkriberingskvaliteten

Lektion 9 av 18 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Optimera transkriberingskvaliteten
  2. Parametern prompt
  3. Parametern temperature
  4. Förbehandling av ljud
  5. Efterbehandling av transkribering
  6. Komplett transkriberingspipeline
  7. Viktiga punkter

Uppdatering 2 november 2026 — Ljudmodeller. Flera modeller i denna kurs är avvecklade: tts-1, tts-1-hd och gpt-4o-mini-tts slutar fungera den 6 januari 2027 (den angivna ersättaren är gpt-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-realtime och äldre ljudmodeller den 20 januari 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe och /v1/audio/translations den 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 till gpt-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-1 går allt genom den enda parametern prompt, 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 i keywords, 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, keywords och languages med gpt-transcribe; den enda prompt, begränsad till 224 token, med whisper-1
  • temperature har 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