OpenAI: GPT Transcribe

GPT Transcribe ist OpenAIs Spracherkennungsmodell mit Textausgabe für abgeschlossene Audiodateien, gestreamte Dateitranskripte und bestätigte Audiobeiträge in Realtime-Sitzungen. Es nimmt Audio mit optionalem Textkontext entgegen und gibt erkannten Text zurück. Der Hersteller positioniert es für die genaue Transkription aufgezeichneter Sprache in ihrer Originalsprache, einschließlich Fachvokabular, mehrsprachiger Aufnahmen und Sprachwechsel. Das nützliche Ergebnis ist ein mit der Aufnahme verknüpftes Transkript, ergänzt um Metadaten zur erkannten Sprache, wenn das Modell eine zuverlässige Vorhersage treffen kann.

Eine abgeschlossene Aufnahme vorbereiten

OpenAIs Ablauf zur Dateitranskription akzeptiert Uploads bis zu 25 MB. Die aktuelle Endpunktreferenz nennt die Eingabeformate FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV und WebM. Sie empfiehlt ausreichende Dateimetadaten zur Formaterkennung, einschließlich einer passenden Dateinamenserweiterung und eines Inhaltstyps. Für eine größere Aufnahme empfiehlt der Leitfaden eine Komprimierung oder Aufteilung in Dateien von höchstens 25 MB. Schneiden Sie nicht mitten im Satz, weil fehlende umgebende Sprache die Erkennung ungenauer machen kann. Bewahren Sie die Reihenfolge der Teile und ihre Positionen in der Originalaufnahme.

Stellen Sie für eine Besprechung, ein Interview oder eine aufgezeichnete Präsentation das tatsächliche Audio bereit und benennen Sie das Thema sowie voraussichtlich gesprochene Fachbegriffe. Ein nützliches Ergebnis ist der erkannte Wortlaut statt einer erschlossenen Zusammenfassung des Gesprächs. Bewahren Sie die Kennung der Aufnahme zusammen mit dem zurückgegebenen Text, damit jemand bei der Prüfung eines Namens, einer Zahl oder einer unsicheren Formulierung zur richtigen Quelle zurückkehren kann. Ein Transkript kann anschließend als Material für einen separaten Zusammenfassungs-, Übersetzungs- oder Redaktionsablauf dienen.

Kontext, Schlüsselbegriffhinweise und erwartete Sprachen

Der Hersteller unterscheidet drei Arten von Hinweisen. Ein Prompt liefert frei formulierten Kontext zum Thema oder zur Situation der Aufnahme. Schlüsselbegriffe nennen wörtlich erwartete Wörter oder Ausdrücke. Eine Sprachenliste bezeichnet die erwarteten gesprochenen Sprachen. Beschreiben Sie bei einem zweisprachigen Produktgespräch die Situation im Prompt, führen Sie die relevanten Produktnamen als Schlüsselbegriffe auf und geben Sie die erwarteten Sprachen an. Dies sind Erkennungshinweise, keine Anweisungen, Vokabular einzufügen, das niemand gesprochen hat.

GPT Transcribe verwendet das Feld languages im Plural statt des älteren Felds language im Singular; laut OpenAI dürfen nicht beide gesendet werden. Der Leitfaden akzeptiert unterstützte ISO 639-1-Codes, ausgewählte ISO 639-3-Codes und regionale chinesische Locale-Codes. Nicht unterstützte oder fehlerhaft formatierte Werte werden abgewiesen. Jeder Schlüsselbegriff muss in einer einzigen Zeile bleiben und darf weder eine spitze Klammer noch einen Wagenrücklauf oder Zeilenvorschub enthalten. Ein ungültiger Schlüsselbegriff oder ein zu langer Prompt kann zur Ablehnung der gesamten Anfrage führen. Halten Sie den Kontext relevant und prüfen Sie, ob die als Hinweis genannten Namen tatsächlich im Audio vorkommen, statt die Hinweisliste als Transkript zu behandeln.

JSON-Ausgabe und Vorhersagen erkannter Sprachen

Das dokumentierte Dateiergebnis ist JSON mit dem Transkript und den erkannten Sprachen. Diese Sprachvorhersagen sind eine Modellausgabe und keine Kopie der bereitgestellten Sprachhinweise. Eine leere Sprachenliste ist ein gültiges Ergebnis, wenn das Modell keine zuverlässige Vorhersage treffen kann; sie belegt weder eine stille Aufnahme noch eine fehlgeschlagene Transkription. Halten Sie den erkannten Text und die Sprachmetadaten getrennt, damit nachfolgende Verarbeitungsschritte beides seiner jeweiligen Bedeutung entsprechend nutzen können.

Ein Dateitranskript streamen

Eine abgeschlossene Datei kann während ihrer Verarbeitung schrittweise Transkripttext liefern. OpenAI dokumentiert Ereignisse vom Typ transcript.text.delta für Teiltext und transcript.text.done für das vollständige Dateitranskript; das abschließende Ereignis enthält außerdem erkannte Sprachen. Dabei wird die Ausgabe einer bereits bereitgestellten Aufnahme gestreamt. Dies eignet sich zur Fortschrittsanzeige bei einem langen Upload, während das abschließende Ereignis den Text festlegt, der als vollständiges Ergebnis bewahrt werden soll.

Bestätigte Audiobeiträge in Realtime-Sitzungen

GPT Transcribe besitzt außerdem einen spezialisierten Realtime-Ablauf über WebSocket. Audio wird an den Eingabepuffer angehängt, anschließend bestätigt die Anwendung ausdrücklich einen Audiobeitrag. Die Transkription beginnt für diesen bestätigten Block und kann vor dem Abschlussereignis Textänderungen ausgeben, einschließlich Informationen zur erkannten Sprache. In diesem Sitzungsablauf des Herstellers nutzt das Modell frühere transkribierte Beiträge automatisch als Kontext. Das unterscheidet sich davon, fortlaufend Live-Untertitel auszugeben, während Mikrofon-Audio eingeht; OpenAI nennt für diesen kontinuierlichen Ablauf GPT Live Transcribe.

Bewahren Sie bei mehreren Beiträgen die Kennung des Eingabeelements zusammen mit dem zugehörigen Transkript. OpenAI weist darauf hin, dass Abschlussereignisse verschiedener Beiträge nicht in der Reihenfolge des Gesprochenen eintreffen müssen. Ordnen Sie daher jedes Endergebnis seiner bestätigten Eingabe zu, statt ein Gespräch allein nach Abschlusszeiten anzuordnen. Das nützliche Ergebnis ist ein geordnetes Transkript aus den richtigen abschließenden Elementen. Zwischenstände gelten als Fortschritt und nicht als separate abgeschlossene Äußerung.

Spezialisierte Ausgaben und wesentliche Grenzen

Dieses Profil legt keinen universellen Ausgabeumfang für Untertitel, Zeitstempel, Übersetzung oder Sprecherkennzeichnungen fest. OpenAIs Migrationsleitfaden unterscheidet diese spezialisierten Funktionen: Native Untertitelformate und Zeitangaben für einzelne Wörter benötigen ein kompatibles Modell und Format, während Sprecherkennzeichnungen GPT-4o Transcribe Diarize verwenden. Das Dateiergebnis von GPT Transcribe ist JSON und kein direkter Ersatz für eine Antwort im SRT- oder VTT-Format oder eine Antwort mit ausführlichen Zeitstempeln. Seine genaue Modellkarte veröffentlicht keine zahlenmäßige Kontext- oder Maximalausgabegrenze. Ein Tokenfenster eines Chatmodells darf deshalb nicht für die Audiotranskription vorausgesetzt werden.

Prüfen Sie schwieriges Vokabular, Zahlen, Akzente, Hintergrundgeräusche und Sprachwechsel anhand der Aufnahme. Prüfen Sie, ob relevante Hinweise die Erkennung verbessert haben, ohne ungesprochene Begriffe einzuführen, und ob das abschließende Transkript das Ende des Audios enthält. Bewahren Sie bei einem mehrsprachigen Ergebnis den gesprochenen Wortlaut, bevor Sie eine übersetzte Fassung erstellen. Diese Prüfungen machen das Transkript als Quellenmaterial nützlich und halten dabei Kontexthinweise, erkannte Sprachen und den tatsächlich erkannten Wortlaut klar auseinander.