OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe ist OpenAIs auf GPT-4o Mini basierendes Modell zur Umwandlung von Sprache in Text. Es nimmt Audio mit optionalen Texthinweisen entgegen und erzeugt den erkannten Wortlaut. Es ist ein anderes Modell als das auf GPT-4o basierende GPT-4o Transcribe und als das neuere Profil GPT Transcribe mit eigenen Feldern für Schlüsselwörter und mehrsprachige Hinweise. Das nützliche Ergebnis ist hier ein Transkript der ursprünglich gesprochenen Wörter, vorbereitet für Suche, Prüfung oder einen nachfolgenden Schritt zur Inhaltsverarbeitung.

Die Aufnahme vorbereiten

OpenAIs Leitfaden zur Dateitranskription akzeptiert Audiouploads bis zu 25 MB. Die aktuelle Endpunktreferenz nennt FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV und WebM mit ausreichenden Metadaten zu Dateinamen und Inhaltstyp, um das Audioformat zu erkennen. Grössere Aufnahmen können komprimiert oder in Teile von jeweils höchstens 25 MB geteilt werden. Erhalten Sie beim Teilen Satzgrenzen und die Zuordnung jedes Teils zu Originalaufnahme und Position, damit sich der Text später in der richtigen Reihenfolge zusammensetzen lässt.

Bewahren Sie für Sprachnotizen ein eindeutig zuordenbares Transkript pro Aufnahme auf und prüfen Sie Namen oder Zahlen, bevor Sie daraus Aufgaben erstellen. Vergleichen Sie bei einer gesprochenen Anleitung den erkannten Wortlaut mit den ursprünglichen Anweisungen, bevor Sie ihn für die Veröffentlichung bearbeiten. Eine hilfreiche Vorbereitung benennt die gesprochene Sprache und Begriffe, die andernfalls falsch verstanden werden könnten. Das Transkribieren der Wörter ist der erste Schritt; eine Interpretation, Zusammenfassung oder Übersetzung kann anschliessend das geprüfte Transkript verwenden.

Prompthinweise und ein einzelner Sprachhinweis

Bestehende GPT-4o Mini Transcribe-Integrationen unterstützen einen frei formulierten Prompt. OpenAI beschreibt Prompts für Namen, Abkürzungen, aufnahmebezogenes Vokabular, Zeichensetzung, Grossschreibung, Füllwörter und das bevorzugte Schriftsystem. Laut Endpunktreferenz sollte der Prompt zur Audiosprache passen und kann Kontext aus einem vorherigen Audiosegment übernehmen. Fügen Sie relevante Schreibweisen oder eine kurze Themenbeschreibung hinzu, statt einen Transkriptionsprompt wie eine uneingeschränkte Chatanweisung einzusetzen.

Der etablierte Sprachhinweis dieses Modells verwendet das einzelne Feld language. Die Herstellerreferenz dokumentiert einen Eingabesprachcode nach ISO 639-1, etwa en. Die separaten Felder keywords und languages sind für GPT Transcribe dokumentiert; sie gehören nicht zu diesem Mini-Profil. Bewahren Sie bei einer Aufnahmeserie die vorgesehene Spracheinstellung zu jeder Eingabe auf, statt sie als Aufforderung zur Übersetzung des Ergebnisses zu interpretieren.

JSON-Ergebnis und optionale Tokenwahrscheinlichkeiten

Die aktuelle Endpunktreferenz dokumentiert JSON als unterstütztes Antwortformat von GPT-4o Mini Transcribe. Der erkannte Wortlaut erscheint im Feld text. Auf Anforderung können Token-Log-Wahrscheinlichkeiten die JSON-Antwort begleiten. Diese Werte beschreiben die Tokenwahrscheinlichkeiten des Modells und können Material für eine genauere Prüfung kennzeichnen. Sie belegen nicht, dass ein Name, eine Zahl oder ein Satz dem Klang entspricht. Entscheiden Sie anhand der Aufnahme, ob ein fragliches Wort korrigiert werden sollte.

Das gewöhnliche Mini-Transkriptionsprofil stellt über diese JSON-Schnittstelle weder native SRT- oder VTT-Ausgaben noch Ausgaben mit ausführlichen Wortzeitstempeln oder Sprecherkennzeichnungen bereit. OpenAI dokumentiert spezialisierte Modelle und Formate für diese Fähigkeiten. Wenn eine Untertitelspur das gewünschte Ergebnis ist, halten Sie das geprüfte Transkript für einen separaten Ablauf zur zeitlichen Zuordnung verfügbar. Setzen Sie nicht voraus, dass ein reines Textergebnis bereits Untertitelgrenzen enthält.

Gestreamte Dateiausgabe und dokumentierte Modi

Der Leitfaden des Herstellers zur Umwandlung von Sprache in Text sagt ausdrücklich, dass bestehende GPT-4o Mini Transcribe-Integrationen Dateistreaming unterstützen. Eine abgeschlossene Aufnahme kann während der Verarbeitung vorläufigen Transkripttext und danach ein fertiges Ergebnis liefern. Bewahren Sie das fertige Transkript als abgeschlossenes Ergebnis auf. Das Erscheinen vorläufigen Texts bedeutet nicht, dass der Dateiablauf fortlaufend Live-Mikrofon-Audio empfängt. Die Modellkarte nennt separat die Endpunktfamilien Transkription und Realtime. Diese Herstellerschnittstellen bedeuten nicht, dass jedes Sitzungsfeld eines anderen Transkriptionsmodells hier gilt.

Kontext, Ausgabebudget und hilfreiche Prüfungen

OpenAIs aktuelle Modellspezifikation nennt ein Kontextfenster von 16’000 Token, eine maximale Ausgabe von 2’000 Token und einen Wissensstand bis zum 1. Juni 2024. Diese Spezifikationswerte sind keine allgemeingültige Minutendauer für eine Audioaufnahme. Die Dateigrössenregel und ein Tokenbudget beschreiben unterschiedliche Einschränkungen. Bereiten Sie umfangreiches Material nach dem dokumentierten Dateiablauf vor, übernehmen Sie relevanten Kontext zwischen Teilen und prüfen Sie, ob der fertige Text das Ende der Quelle enthält.

Ein brauchbares Mini Transcribe-Ergebnis erhält den Wortlaut und seine Beziehung zur Aufnahme. Optionale Wahrscheinlichkeitsdaten bleiben von redaktionellen Korrekturen getrennt. Prüfen Sie unbekanntes Vokabular, Akzente, Hintergrundgeräusche, Sprachwechsel und überlappende Sprache mit dem Originalaudio. Unterscheiden Sie bei einer Überarbeitung zur besseren Lesbarkeit die redaktionelle Fassung vom erkannten Transkript, damit spätere Nutzer erkennen können, welche Wörter aus der Aufnahme stammen und welche bei der Aufbereitung geändert wurden.