OpenAI: GPT Transcribe

GPT Transcribe est le modèle de transcription de la parole d’OpenAI pour les fichiers audio complets, les transcriptions de fichiers diffusées progressivement et les tours audio explicitement clôturés dans les sessions Realtime. Il accepte de l’audio avec un contexte textuel facultatif et renvoie le texte reconnu. Le concepteur le présente pour la transcription précise de la parole enregistrée dans sa langue d’origine, notamment le vocabulaire spécialisé, les enregistrements multilingues et l’alternance entre langues. Sa sortie utile est une transcription qui reste liée à l’enregistrement, avec des métadonnées de langues détectées lorsque le modèle peut formuler une prédiction fiable.

Préparer un enregistrement complet

Le processus de transcription de fichiers d’OpenAI accepte des envois jusqu’à 25 MB. La référence actuelle du point de terminaison répertorie les formats d’entrée FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV et WebM et recommande assez de métadonnées de fichier pour identifier le format, notamment une extension de nom de fichier et un type de contenu adaptés. Pour un enregistrement plus volumineux, le guide recommande de le compresser ou de le découper en fichiers de 25 MB ou moins. Évitez de couper au milieu d’une phrase, car retirer la parole environnante peut réduire la précision de reconnaissance. Gardez les parties dans l’ordre et conservez leurs positions dans l’enregistrement d’origine.

Pour une réunion, un entretien ou une présentation enregistrée, fournissez l’audio réel et indiquez le sujet ainsi que toute terminologie susceptible d’être prononcée. Un résultat utile restitue les paroles reconnues plutôt qu’un résumé déduit de la discussion. Conservez l’identifiant de l’enregistrement avec le texte renvoyé afin qu’une personne vérifiant un nom, un nombre ou une expression incertaine puisse revenir à la bonne source. Une transcription peut ensuite servir de matériau à un processus distinct de résumé, de traduction ou de traitement éditorial.

Contexte, indications de mots-clés et langues attendues

Le concepteur distingue trois types d’indications. Un prompt donne un contexte libre sur le sujet ou la situation de l’enregistrement. Les mots-clés donnent les mots ou expressions littéraux attendus dans la parole. Une liste de langues indique les langues parlées attendues. Pour une discussion bilingue sur un produit, décrivez la situation dans le prompt, répertoriez les noms de produits pertinents comme mots-clés et fournissez les langues attendues. Ce sont des indications de reconnaissance ; elles ne demandent pas d’insérer du vocabulaire que personne n’a prononcé.

GPT Transcribe utilise le champ pluriel languages à la place de l’ancien champ singulier language ; OpenAI indique de ne pas envoyer les deux. Son guide accepte les codes ISO 639-1 pris en charge, certains codes ISO 639-3 et des codes régionaux de locale chinoise, avec rejet des valeurs non prises en charge ou mal formées. Chaque mot-clé doit tenir sur une seule ligne et ne doit contenir ni chevron, ni retour chariot, ni saut de ligne. Un mot-clé invalide ou un prompt trop long peut entraîner le rejet de toute la requête. Gardez un contexte pertinent et vérifiez si les noms suggérés figurent réellement dans l’audio plutôt que de traiter la liste d’indications comme la transcription.

Sortie JSON et prédictions de langues détectées

Le résultat de fichier documenté est un objet JSON contenant la transcription et les langues détectées. Ces prédictions de langues sont la sortie du modèle, sans être une copie des indications de langues fournies. Une liste de langues vide est un résultat valide lorsque le modèle ne peut pas formuler une prédiction fiable ; elle n’établit pas que l’enregistrement était silencieux ou que la transcription a échoué. Gardez le texte reconnu et les métadonnées de langue distincts afin que les traitements suivants puissent utiliser chaque élément selon sa signification.

Diffuser progressivement la transcription d’un fichier

Un fichier complet peut produire progressivement du texte transcrit pendant son traitement. OpenAI documente les événements transcript.text.delta pour le texte partiel et transcript.text.done pour la transcription complète du fichier ; l’événement final comprend aussi les langues détectées. Ce processus diffuse progressivement la sortie d’un enregistrement déjà fourni. Il permet d’afficher l’avancement d’un long envoi, tandis que l’événement final établit le texte à conserver comme résultat achevé.

Tours audio explicitement clôturés dans les sessions Realtime

GPT Transcribe possède aussi un processus Realtime spécialisé par WebSocket. L’audio est ajouté au tampon d’entrée, puis l’application marque explicitement la fin d’un tour audio. La transcription commence pour ce segment clôturé et peut émettre des fragments de texte avant son événement d’achèvement, avec des informations de langues détectées. Le modèle utilise automatiquement les tours déjà transcrits comme contexte dans ce processus de session du concepteur. Cela se distingue de l’émission continue de sous-titres en direct à mesure que l’audio du microphone arrive ; OpenAI nomme GPT Live Transcribe pour ce processus continu.

Pour plusieurs tours, conservez l’identifiant de l’élément d’entrée avec la transcription correspondante. OpenAI avertit que les événements d’achèvement de tours différents peuvent arriver dans un autre ordre que celui de la parole : associez donc chaque résultat final à son entrée clôturée plutôt que d’ordonner une conversation uniquement selon l’heure d’achèvement. Le résultat utile est une transcription ordonnée assemblée à partir des bons éléments finaux, le texte intermédiaire étant traité comme un avancement plutôt que comme un énoncé achevé distinct.

Sorties spécialisées et limites de fond

Ce profil ne fournit pas un contrat universel de sous-titres, d’horodatages, de traduction ou d’étiquettes de locuteurs. Le guide de migration d’OpenAI distingue ces capacités spécialisées : les formats de sous-titres pris en charge nativement et les repères temporels par mot nécessitent un modèle et un format compatibles, tandis que les étiquettes de locuteurs utilisent GPT-4o Transcribe Diarize. Le résultat de fichier de GPT Transcribe est JSON plutôt qu’une réponse directement substituable à SRT, VTT ou à des horodatages détaillés. Sa fiche de modèle exacte ne publie pas de valeur numérique de contexte ou de plafond de sortie : il ne faut donc pas supposer qu’une fenêtre de tokens de modèle de chat s’applique à la transcription audio.

Vérifiez le vocabulaire difficile, les nombres, les accents, le bruit de fond et les changements de langue par rapport à l’enregistrement. Vérifiez que les indications pertinentes ont amélioré la reconnaissance sans introduire de termes non prononcés et que la transcription finale comprend la fin de l’audio. Pour un résultat multilingue, préservez les paroles prononcées avant de préparer une version traduite. Ces vérifications rendent la transcription utile comme matériau source tout en distinguant clairement les indications de contexte, les langues détectées et la parole reconnue.