OpenAI: GPT Transcribe

GPT Transcribe è il modello di OpenAI per trascrivere il parlato di file audio completi, restituire progressivamente trascrizioni di file e trascrivere turni audio finalizzati nelle sessioni Realtime. Accetta audio con contesto testuale opzionale e restituisce testo riconosciuto. Il produttore lo presenta per la trascrizione precisa del parlato registrato nella lingua originale, compresi vocabolario specialistico, registrazioni multilingue e alternanza tra lingue. Il risultato utile è una trascrizione che resta collegata alla registrazione, con metadati sulle lingue rilevate quando il modello può formulare una previsione affidabile.

Preparare una registrazione completa

Il flusso di trascrizione di file di OpenAI accetta caricamenti fino a 25 MB. L’attuale riferimento dell’endpoint elenca i formati in ingresso FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM e raccomanda metadati sufficienti per identificare il formato, compresi un’estensione del nome del file e un tipo di contenuto adeguati. Per una registrazione più grande, la guida raccomanda di comprimerla o dividerla in file da 25 MB o meno. Evitate di tagliare a metà di una frase, perché rimuovere il parlato circostante può ridurre la precisione del riconoscimento. Mantenete le parti in ordine e conservatene le posizioni nella registrazione originale.

Per una riunione, un’intervista o una presentazione registrata, fornite l’audio effettivo e identificate l’argomento e la terminologia che potrebbe essere pronunciata. Un risultato utile riporta le parole riconosciute anziché un riassunto dedotto della discussione. Preservate l’identificatore della registrazione con il testo restituito, affinché chi verifica un nome, un numero o una frase incerta possa tornare alla fonte corretta. La trascrizione può poi diventare materiale per un flusso separato di riassunto, traduzione o revisione editoriale.

Contesto, parole chiave e lingue attese

Il produttore distingue tre tipi di indicazioni. Un prompt fornisce contesto libero sull’argomento o sulla situazione della registrazione. Le parole chiave indicano parole o espressioni letterali attese nel parlato. Un elenco di lingue identifica le lingue parlate previste. Per una discussione bilingue su un prodotto, descrivete la situazione nel prompt, elencate i nomi dei prodotti pertinenti come parole chiave e fornite le lingue attese. Sono indicazioni per il riconoscimento, non istruzioni per inserire vocaboli che nessuno ha pronunciato.

GPT Transcribe usa il campo plurale languages anziché il precedente campo singolare language; OpenAI dice di non inviarli entrambi. La guida accetta codici ISO 639-1 supportati, alcuni codici ISO 639-3 e codici regionali delle impostazioni locali cinesi, rifiutando valori non supportati o malformati. Ogni parola chiave deve stare su una sola riga e non deve contenere parentesi angolari, ritorni carrello o avanzamenti di riga. Una parola chiave non valida o un prompt troppo lungo possono far rifiutare l’intera richiesta. Mantenete pertinente il contesto e verificate se i nomi suggeriti compaiono effettivamente nell’audio, anziché trattare l’elenco delle indicazioni come la trascrizione.

Uscita JSON e previsioni delle lingue rilevate

Il risultato documentato per i file è JSON contenente la trascrizione e le lingue rilevate. Queste previsioni sulle lingue sono l’uscita del modello, non una copia delle indicazioni linguistiche fornite. Un elenco di lingue vuoto è un risultato valido quando il modello non può formulare una previsione affidabile; non dimostra che la registrazione fosse silenziosa o che la trascrizione sia fallita. Tenete separati testo riconosciuto e metadati linguistici, affinché l’elaborazione successiva possa usare ciascuno secondo il suo significato.

Trasmettere progressivamente la trascrizione di un file

Un file completo può produrre testo trascritto in modo incrementale durante l’elaborazione. OpenAI documenta eventi transcript.text.delta per il testo parziale e transcript.text.done per la trascrizione completa del file; l’evento finale include anche le lingue rilevate. Si trasmette così progressivamente l’uscita di una registrazione già fornita. È utile per mostrare l’avanzamento di un caricamento lungo, mentre l’evento finale stabilisce il testo da conservare come risultato completato.

Turni finalizzati nelle sessioni Realtime

GPT Transcribe ha anche un flusso Realtime specializzato tramite WebSocket. L’audio viene aggiunto al buffer di ingresso, poi l’applicazione finalizza esplicitamente un turno audio. La trascrizione inizia per quel segmento finalizzato e può emettere porzioni di testo prima dell’evento di completamento, comprese informazioni sulle lingue rilevate. Il modello usa automaticamente i turni già trascritti come contesto in questo flusso di sessione del produttore. È distinto dall’emissione continua di sottotitoli in diretta mentre arriva l’audio del microfono; OpenAI indica GPT Live Transcribe per quel flusso continuo.

Per più turni, conservate l’identificatore dell’elemento in ingresso con la trascrizione corrispondente. OpenAI avverte che gli eventi di completamento di turni diversi non arrivano necessariamente nell’ordine del parlato: associate quindi ogni risultato finale al suo ingresso finalizzato, anziché ordinare una conversazione soltanto in base all’ora di completamento. Il risultato utile è una trascrizione ordinata assemblata dagli elementi finali corretti, con il testo provvisorio trattato come avanzamento anziché come un enunciato completato separato.

Uscite specializzate e limiti delle funzionalità

Questo profilo non fornisce un contratto universale per sottotitoli, riferimenti temporali, traduzione o etichette dei parlanti. La guida alla migrazione di OpenAI distingue tali capacità specializzate: i formati nativi dei sottotitoli e i riferimenti temporali delle parole richiedono un modello e un formato compatibili, mentre le etichette dei parlanti usano GPT-4o Transcribe Diarize. Il risultato per i file di GPT Transcribe è JSON, non una risposta direttamente sostituibile a SRT, VTT o a una risposta con riferimenti temporali dettagliati. La scheda esatta del modello non pubblica un limite numerico per il contesto o per l’uscita massima, quindi non va presunta una finestra di token da modello di chat per la trascrizione audio.

Verificate rispetto alla registrazione i vocaboli difficili, i numeri, gli accenti, il rumore di fondo e i cambi di lingua. Controllate che le indicazioni pertinenti abbiano migliorato il riconoscimento senza introdurre termini non pronunciati e che la trascrizione finale includa la fine dell’audio. Per un risultato multilingue, preservate le parole pronunciate prima di preparare una versione tradotta. Questi controlli rendono la trascrizione utile come materiale di origine, mantenendo chiaramente distinti contesto suggerito, lingue rilevate e parlato riconosciuto.