OpenAI: GPT Transcribe

GPT Transcribe es el modelo de OpenAI que convierte habla en texto para archivos de audio completos, transcripciones de archivos en flujo y turnos de audio confirmados en sesiones Realtime. Acepta audio con contexto textual opcional y devuelve el texto reconocido. El proveedor lo presenta para transcribir con precisión el habla grabada en su idioma original, incluido el vocabulario especializado, las grabaciones multilingües y la alternancia de idiomas. Su resultado útil es una transcripción vinculada a la grabación, con metadatos de los idiomas detectados cuando el modelo puede realizar una predicción fiable.

Preparar una grabación completa

El flujo de transcripción de archivos de OpenAI admite cargas de hasta 25 MB. La referencia actual del punto de acceso incluye los formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, y recomienda aportar suficientes metadatos para identificar el formato, incluida una extensión de archivo y un tipo de contenido adecuados. Para una grabación más grande, la guía recomienda comprimirla o dividirla en archivos de 25 MB o menos. Evita cortar a mitad de una frase, ya que eliminar el habla circundante puede reducir la precisión del reconocimiento. Mantén las partes en orden y conserva sus posiciones en la grabación original.

Para una reunión, una entrevista o una presentación grabada, proporciona el audio real e identifica el tema y la terminología que probablemente se pronuncie. Un resultado útil recoge las palabras reconocidas, en lugar de un resumen inferido de la conversación. Conserva el identificador de la grabación junto con el texto devuelto para que quien revise un nombre, un número o una frase dudosa pueda volver a la fuente correcta. La transcripción puede servir después como material para otro flujo de resumen, traducción o revisión editorial.

Contexto, indicaciones de palabras clave e idiomas esperados

El proveedor distingue tres tipos de orientación. Una instrucción aporta contexto libre sobre el tema o la situación de la grabación. Las palabras clave indican palabras o expresiones literales que se espera oír. Una lista de idiomas identifica los idiomas hablados esperados. Para una conversación bilingüe sobre un producto, describe la situación en la instrucción, enumera los nombres de producto pertinentes como palabras clave y proporciona los idiomas esperados. Son indicaciones para el reconocimiento; no son instrucciones para insertar vocabulario que nadie ha pronunciado.

GPT Transcribe utiliza el campo plural languages en lugar del antiguo campo singular language; OpenAI indica que no se envíen ambos. Su guía admite los códigos ISO 639-1 compatibles, determinados códigos ISO 639-3 y códigos regionales de configuración lingüística del chino, y rechaza los valores incompatibles o mal formados. Cada palabra clave debe ocupar una sola línea y no contener ningún corchete angular, retorno de carro ni salto de línea. Una palabra clave no válida o una instrucción demasiado larga pueden provocar el rechazo de toda la solicitud. Mantén el contexto pertinente y comprueba si los nombres sugeridos aparecen realmente en el audio, en lugar de tratar la lista de indicaciones como si fuera la transcripción.

Salida JSON y predicciones de idiomas detectados

El resultado documentado de un archivo es JSON con la transcripción y los idiomas detectados. Esas predicciones de idiomas son una salida del modelo, no una copia de las indicaciones de idiomas proporcionadas. Una lista de idiomas vacía es un resultado válido cuando el modelo no puede realizar una predicción fiable; no demuestra que la grabación estuviera en silencio ni que la transcripción haya fallado. Mantén separados el texto reconocido y los metadatos de idiomas para que el procesamiento posterior utilice cada uno según su significado.

Recibir en flujo la transcripción de un archivo

Un archivo completo puede producir texto transcrito de forma incremental durante su procesamiento. OpenAI documenta los eventos transcript.text.delta para el texto parcial y transcript.text.done para la transcripción completa del archivo; el evento final también incluye los idiomas detectados. Así se recibe en flujo la salida de una grabación ya proporcionada. Resulta útil para mostrar el progreso de una carga larga, mientras que el evento final establece el texto que debe conservarse como resultado completo.

Turnos confirmados en sesiones Realtime

GPT Transcribe también tiene un flujo especializado de Realtime mediante WebSocket. El audio se añade al búfer de entrada y, después, la aplicación confirma explícitamente un turno de audio. La transcripción comienza para ese segmento confirmado y puede emitir fragmentos de texto antes de su evento de finalización, incluida información de los idiomas detectados. El modelo utiliza automáticamente los turnos transcritos previamente como contexto en este flujo de sesión del proveedor. Esto es distinto de emitir continuamente subtítulos en directo a medida que llega el audio del micrófono; OpenAI denomina GPT Live Transcribe al modelo para ese flujo continuo.

Para varios turnos, conserva el identificador del elemento de entrada junto con la transcripción correspondiente. OpenAI advierte de que los eventos de finalización de distintos turnos no tienen por qué llegar en el orden del habla; por tanto, asocia cada resultado final con su entrada confirmada, en lugar de ordenar una conversación únicamente por la hora de finalización. El entregable útil es una transcripción ordenada, compuesta con los elementos finales correctos, en la que el texto provisional se trata como progreso y no como un enunciado completo independiente.

Salidas especializadas y límites de las funciones

Este perfil no ofrece unas especificaciones universales de subtítulos, marcas de tiempo, traducción o etiquetas de hablantes. La guía de migración de OpenAI distingue esas capacidades especializadas: los formatos nativos de subtítulos y las marcas temporales de cada palabra requieren un modelo y un formato compatibles, mientras que las etiquetas de hablantes utilizan GPT-4o Transcribe Diarize. El resultado de archivo de GPT Transcribe es JSON, en lugar de una respuesta SRT, VTT o con marcas de tiempo detalladas que pueda sustituirse directamente. Su ficha exacta no publica una asignación numérica de contexto o salida máxima, por lo que no debe suponerse que una ventana de tokens de un modelo de chat se aplique a la transcripción de audio.

Contrasta con la grabación el vocabulario difícil, los números, los acentos, el ruido de fondo y los cambios de idioma. Comprueba que las indicaciones pertinentes mejoren el reconocimiento sin introducir términos no pronunciados y que la transcripción final incluya el final del audio. Para un resultado multilingüe, conserva las palabras pronunciadas antes de preparar cualquier versión traducida. Estas comprobaciones hacen que la transcripción sea útil como material fuente y permiten distinguir claramente las indicaciones de contexto, los idiomas detectados y el habla reconocida.