OpenAI: GPT-4o Transcribe

GPT-4o Transcribe es el modelo de voz a texto de OpenAI basado en GPT-4o. Su entrada es audio con indicaciones textuales opcionales y su salida es texto reconocido. Es independiente de la edición GPT-4o Mini Transcribe y de GPT-4o Transcribe Diarize, el modelo especializado en etiquetado de hablantes. Utiliza este perfil para preparar un registro textual fiel del material hablado, conservando la grabación de origen para revisión y trabajo editorial posterior.

Entrada de archivos y preparación de material largo

La guía de transcripción de OpenAI documenta cargas de hasta 25 MB. La referencia actual del punto de acceso admite FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM y recomienda metadatos de archivo que identifiquen el formato, incluidos un nombre de archivo con extensión y un tipo de contenido apropiado. Para una grabación más grande, la compresión o las partes ordenadas de 25 MB o menos siguen las indicaciones del proveedor para entradas largas. Evita dividir en mitad de una frase y conserva la posición de cada parte en la grabación completa.

Para una entrevista, asocia cada archivo de entrada con la grabación y el pasaje que cubre. Para una presentación técnica, prepara los nombres de productos, las siglas y el vocabulario del ámbito pertinentes como contexto y comprueba esas grafías frente a lo que realmente dijo el hablante. Para una explicación grabada con valores numéricos, revisa la transcripción junto con la fuente antes de convertirla en un procedimiento escrito. El primer entregable deseado es la voz reconocida en forma de texto; un informe condensado o un documento traducido pueden prepararse a partir de ese texto como un paso independiente.

Instrucciones específicas de la grabación y elección del idioma

La guía del proveedor incluye explícitamente GPT-4o Transcribe entre los modelos que admiten instrucciones textuales. Estas pueden proporcionar grafías correctas, contexto de un segmento anterior y preferencias de puntuación, mayúsculas, muletillas o sistema de escritura. La referencia indica que deben coincidir con el idioma de la grabación. Una descripción breve y pertinente del tema y del vocabulario aporta contexto útil a la transcripción sin tratar términos no pronunciados como una salida obligatoria.

Este perfil admite la indicación de idioma language en singular, documentada en formato ISO 639-1. Proporcionar el idioma real de entrada puede ayudar al reconocimiento. Los campos más recientes keywords y languages en plural de GPT Transcribe pertenecen a ese modelo identificado por separado y no deben suponerse disponibles para GPT-4o Transcribe. Mantén el ajuste de idioma vinculado a la voz que transcribes y conserva las palabras originales antes de cualquier traducción o reescritura estilística posterior.

Formato del resultado, probabilidades y salidas especializadas

La referencia actual del punto de acceso documenta JSON como formato de respuesta admitido para GPT-4o Transcribe. El resultado contiene texto reconocido y pueden solicitarse logaritmos opcionales de las probabilidades de los tokens con ese formato JSON. Los datos de probabilidad describen la selección de tokens del modelo. Pueden orientar qué pasajes requieren revisión, pero la comparación con el audio establece si la transcripción reproduce un nombre, un número o una frase difíciles.

El resultado JSON del perfil estándar no proporciona formatos nativos de subtítulos, marcas de tiempo detalladas por palabra ni asignaciones de hablantes. OpenAI documenta otras opciones de modelo y formato cuando se necesitan esas salidas; GPT-4o Transcribe Diarize es la edición independiente de etiquetado de hablantes. Para una tarea de subtitulado, conserva una transcripción comprobada para un paso de sincronización adecuado. Para una conversación, no inventes nombres de hablantes simplemente porque un párrafo de la transcripción parezca cambiar de tema o de voz.

Resultados transmitidos desde un archivo finalizado

La guía de voz a texto de OpenAI indica que las integraciones existentes de GPT-4o Transcribe admiten transmisión de archivos en continuo. La aplicación proporciona primero la grabación y después recibe el texto de transcripción a medida que se procesa esa grabación y conserva el resultado completado. Esto transmite la transcripción de una grabación finalizada, en lugar de aceptar audio del micrófono a medida que llega. La ficha exacta del modelo también enumera las familias de puntos de acceso de transcripción y Realtime; el comportamiento de sesión específico del modelo debe mantenerse asociado a este perfil, sin tomarlo de un modelo más reciente de transmisión continua.

Límites del modelo y comprobación del entregable final

La especificación actual de GPT-4o Transcribe indica una ventana de contexto de 16,000 tokens, una salida máxima de 2,000 tokens y una fecha límite de conocimientos del 1 de junio de 2024. Estos límites de tokens no son una duración fija de audio y no sustituyen las reglas de preparación de la transcripción de archivos. Para una grabación extensa, conserva el orden de la fuente y el contexto anterior pertinente y comprueba que el texto completado llegue hasta el final de cada segmento previsto.

Una transcripción final útil puede convertirse en material de entrevista donde realizar búsquedas, una fuente de documentación técnica o el texto para un flujo posterior de subtitulado. Revisa el vocabulario incierto, las cantidades, la puntuación, los acentos y las voces solapadas frente a la grabación. Mantén el texto reconocido separado de las correcciones o los resúmenes posteriores y conserva el vínculo con la fuente mediante identificadores en el flujo de trabajo que lo rodea. El modelo proporciona un registro textual; una preparación cuidadosa de la entrada y la revisión de la fuente determinan si ese registro es adecuado para el siguiente uso.