OpenAI: GPT Transcribe

GPT Transcribe převádí zaznamenanou řeč na text v původním jazyce, s kontextovými prompty, doslovnými nápovědami klíčových slov a nápovědami více jazyků. OpenAI dokumentuje přepis hotových souborů, streamované výsledky souboru a přepis po potvrzení zvukových vstupů Realtime.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions openai/gpt-transcribe

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

GPT Transcribe je model OpenAI pro převod řeči na text z hotových zvukových souborů, streamovaných přepisů souborů a potvrzených zvukových vstupů v relacích Realtime. Přijímá zvuk s volitelným textovým kontextem a vrací rozpoznaný text. Výrobce jej určuje pro přesný přepis zaznamenané řeči v původním jazyce včetně oborového slovníku, vícejazyčných nahrávek a střídání jazyků. Užitečným výstupem je přepis propojený s nahrávkou a s metadaty rozpoznaných jazyků, pokud model dokáže učinit spolehlivý odhad.

Příprava hotové nahrávky

Postup OpenAI pro přepis souborů přijímá nahrané soubory do 25 MB. Aktuální reference koncového bodu uvádí vstupní formáty FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV a WebM a doporučuje dostatek metadat k určení formátu včetně odpovídající přípony názvu souboru a typu obsahu. U větší nahrávky příručka doporučuje kompresi nebo rozdělení do souborů o velikosti 25 MB či méně. Vyhněte se rozdělení uprostřed věty, protože odstranění okolní řeči může snížit přesnost rozpoznání. Zachovejte pořadí částí a jejich pozice v původní nahrávce.

U schůzky, rozhovoru nebo zaznamenané prezentace dodejte skutečný zvuk a určete téma i terminologii, která pravděpodobně zazní. Užitečným výsledkem je rozpoznané znění místo odvozeného shrnutí diskuse. Uchovejte identifikátor nahrávky s vráceným textem, aby se člověk kontrolující jméno, číslo nebo nejistou frázi mohl vrátit ke správnému zdroji. Přepis pak může sloužit jako materiál pro samostatné shrnutí, překlad nebo redakční zpracování.

Kontext, nápovědy klíčových slov a očekávané jazyky

Výrobce rozlišuje tři druhy vodítek. Prompt poskytuje volný kontext o tématu nebo prostředí nahrávky. Klíčová slova udávají doslovná slova či fráze očekávané v řeči. Seznam languages označuje očekávané mluvené jazyky. U dvojjazyčné produktové diskuse popište situaci v promptu, uveďte příslušné názvy produktů jako klíčová slova a dodejte očekávané jazyky. Jde o nápovědy pro rozpoznání, nikoli pokyny ke vkládání slov, která nikdo nevyslovil.

GPT Transcribe používá pole languages s názvem v množném čísle místo staršího pole language s názvem v jednotném čísle; OpenAI uvádí, že se nemají posílat obě. Příručka přijímá podporované kódy ISO 639-1, vybrané kódy ISO 639-3 a regionální čínské kódy lokalizací; nepodporované nebo chybně zapsané hodnoty se odmítají. Každé klíčové slovo musí zůstat na jednom řádku a nesmí obsahovat úhlovou závorku, znak návratu vozíku ani odřádkování. Neplatné klíčové slovo nebo příliš dlouhý prompt mohou způsobit odmítnutí celého požadavku. Zachovejte relevantní kontext a kontrolujte, zda se naznačené názvy ve zvuku skutečně vyskytují, místo považování seznamu nápověd za přepis.

Výstup JSON a odhady rozpoznaných jazyků

Dokumentovaný výsledek souboru je JSON obsahující přepis a rozpoznané jazyky. Tyto jazykové odhady jsou výstupem modelu, nikoli kopií dodaných jazykových nápověd. Prázdný seznam jazyků je platným výsledkem, pokud model nedokáže učinit spolehlivý odhad; nedokládá, že nahrávka byla tichá nebo že přepis selhal. Uchovávejte rozpoznaný text a jazyková metadata odděleně, aby následné zpracování mohlo každý údaj použít podle jeho významu.

Streamování přepisu souboru

Hotový soubor může při zpracování vytvářet text přepisu postupně. OpenAI dokumentuje události transcript.text.delta pro částečný text a transcript.text.done pro úplný přepis souboru; závěrečná událost zahrnuje také rozpoznané jazyky. Streamuje se výstup již dodané nahrávky. Hodí se to pro zobrazování postupu u dlouhého nahraného souboru, zatímco závěrečná událost stanoví text, který se má uchovat jako dokončený výsledek.

Potvrzené zvukové vstupy v relacích Realtime

GPT Transcribe má také specializovaný postup Realtime přes WebSocket. Zvuk se přidává do vstupní vyrovnávací paměti a aplikace poté výslovně potvrdí zvukový vstup. Přepis začíná pro tento potvrzený úsek a může před událostí dokončení vysílat přírůstky textu, přičemž poskytuje také informace o rozpoznaných jazycích. Model v tomto relačním postupu výrobce automaticky používá dřívější přepsané zvukové vstupy jako kontext. To je odlišné od průběžného vydávání živých titulků při příchodu zvuku z mikrofonu; OpenAI pro tento průběžný postup používá název GPT Live Transcribe.

U několika vstupů uchovejte identifikátor vstupní položky s odpovídajícím přepisem. OpenAI upozorňuje, že události dokončení různých vstupů nemusí dorazit v pořadí řeči, proto přiřaďte každý konečný výsledek k jeho potvrzenému vstupu místo sestavování konverzace pouze podle času dokončení. Užitečným artefaktem je seřazený přepis sestavený ze správných konečných položek, v němž je průběžný text chápán jako postup, nikoli samostatná dokončená promluva.

Specializované výstupy a podstatná omezení

Tento profil neposkytuje univerzální kontrakt pro titulky, časové značky, překlad ani označení mluvčích. Migrační příručka OpenAI tyto specializované schopnosti rozlišuje: nativní formáty titulků a časování slov vyžadují kompatibilní model a formát, zatímco označení mluvčích používá GPT-4o Transcribe Diarize. Výsledkem souboru GPT Transcribe je JSON místo přímé náhrady za SRT, VTT nebo odpověď s podrobnými časovými značkami. Přesná karta modelu nezveřejňuje číselnou kapacitu kontextu ani maximálního výstupu, proto se pro přepis zvuku nemá předpokládat tokenové okno chatového modelu.

Proti nahrávce zkontrolujte obtížný slovník, čísla, přízvuky, hluk na pozadí a změny jazyka. Ověřte, že relevantní nápovědy zlepšily rozpoznání bez přidání nevyslovených výrazů a že konečný přepis zahrnuje konec zvuku. U vícejazyčného výsledku zachovejte mluvené znění před přípravou překladu. Tyto kontroly činí přepis užitečným zdrojovým materiálem a současně jasně oddělují kontextové nápovědy, rozpoznané jazyky a rozpoznanou řeč.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions openai/gpt-transcribe

openai/gpt-transcribe

OpenAI /openai/gpt-transcribe

Úvod

Přijímané vstupy: Zvuk
Výsledky: Text

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity openai/gpt-transcribe	Výchozí—
Pole`input_audio`	Typ`object`	PožadavekPovinné	Hodnoty a limity	Výchozí—

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input_audio
Parametr`material_types`	Kontraktaudio
Parametr`material_conditions`	KontraktPříklad načte váš skutečný neprázdný soubor PCM WAV, zakóduje všechny jeho bajty do base64 a odešle input_audio.format s hodnotou wav.

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · přesné task_id z existujícího záznamu média spravovaného službou

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarify

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim: Neuvedeno Při výběru rychlého režimu
Režim flex: Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování: Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Sazby Ailoot

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

Konfigurace	Tabulka sazeb	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Účtovací jednotka—	Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů
Konfiguracesekunda vstupního zvuku	Tabulka sazeb—	Účtovací jednotkaza sekundu vstupního zvuku	Poplatek Vstup · sekunda vstupního zvuku $0.00015 za sekundu vstupního zvuku

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Přepis řeči

curl · skutečný soubor WAV a úplný původní výsledek

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'openai/gpt-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Přijímání a ukládání výsledků

Ailoot Ultra · Přepis řeči

Celé původní tělo odpovědi, stav a předané hlavičky. Tento obslužný kód nepřidává žádnou univerzální strukturu JSON, textové pole ani obalovou strukturu úlohy.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.

Pokud je nutné ověřit původní odpověď

Uchovejte skutečné X-Client-Request-ID a celou odpověď. Načítejte původní soubory spravované službou a jejich přesné podepsané URL obsahu; vytvoření s nejistým výsledkem nikdy znovu neodesílejte.

Pole odpovědi

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaTělo JSON nebo explicitně uvedené kanonické ID modelu jsou neplatné.	Další krokUchovejte odpověď a opravte označené pole požadavku.
Odpověď401 · `authentication_error`	PodmínkaKlíč API Ailoot je neplatný.	Další krokPoužijte svůj autorizovaný klíč API Ailoot.
Odpověď403 · `permission_error`	PodmínkaSkupina klíče nemá přístup k této metodě.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď404 · `not_found_error`	PodmínkaVybraná metoda nemá žádnou trasu s povoleným přístupem.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď422 · `price_unavailable`	PodmínkaPřijatý tarif nedokáže získat potřebné vstupní množství nebo jeho horní mez.	Další krokUchovejte odpověď; použijte způsob zadání vstupu požadovaný přijatým tarifem.
Odpověď503 ·	PodmínkaPotřebné úložiště, trasa, cena metody nebo rezervace nejsou dostupné.	Další krokUchovejte celou původní odpověď. Nejasná rezervace neopravňuje k opětovnému odeslání.
Odpověď502 · `server_error`	PodmínkaPůvodní výsledek, údaje o využití nebo vyúčtování vyžadují kontrolu.	Další krokUchovejte skutečné ID požadavku a původní odpověď. Načítejte existující záznam spravovaný službou; požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra openai/gpt-transcribe

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

openai/gpt-transcribe

FAQ · OpenAI: GPT Transcribe

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · openai/gpt-transcribe: audio → text
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · openai/gpt-transcribe: model, input_audio

OpenAI: GPT Transcribe