OpenAI: GPT Transcribe

GPT Transcribe to model OpenAI zamieniający mowę na tekst dla ukończonych plików audio, strumieniowanych transkrypcji plików i zatwierdzonych tur audio w sesjach Realtime. Przyjmuje audio z opcjonalnym kontekstem tekstowym i zwraca rozpoznany tekst. Producent przeznacza go do dokładnej transkrypcji nagranej mowy w oryginalnym języku, w tym słownictwa dziedzinowego, nagrań wielojęzycznych i przełączania języków. Przydatnym wyjściem jest transkrypcja powiązana z nagraniem, z metadanymi wykrytych języków, gdy model potrafi przewidzieć je wiarygodnie.

Przygotowanie ukończonego nagrania

Przepływ transkrypcji plików OpenAI przyjmuje pliki do 25 MB. Aktualny opis punktu końcowego wymienia formaty wejściowe FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV i WebM oraz zaleca metadane wystarczające do rozpoznania formatu, w tym odpowiednie rozszerzenie nazwy pliku i typ zawartości. Dla większego nagrania poradnik zaleca kompresję lub podział na pliki po 25 MB lub mniej. Unikaj przecinania zdania, ponieważ usunięcie otaczającej mowy może zmniejszyć dokładność rozpoznawania. Zachowaj kolejność części i ich pozycje w oryginalnym nagraniu.

Dla spotkania, wywiadu lub nagranej prezentacji dostarcz rzeczywiste audio i określ temat oraz terminologię, która może paść. Przydatnym wynikiem jest rozpoznane brzmienie wypowiedzi, a nie wywnioskowane podsumowanie dyskusji. Zachowaj identyfikator nagrania przy zwróconym tekście, aby osoba sprawdzająca nazwę, liczbę lub niepewną frazę mogła wrócić do właściwego źródła. Transkrypcja może następnie służyć jako materiał do osobnego podsumowania, tłumaczenia lub pracy redakcyjnej.

Kontekst, słowa kluczowe i oczekiwane języki

Producent rozróżnia trzy rodzaje wskazówek. Prompt dostarcza swobodnego kontekstu o temacie lub okolicznościach nagrania. Słowa kluczowe podają dosłowne wyrazy lub frazy oczekiwane w mowie. Lista languages określa spodziewane języki wypowiedzi. W dwujęzycznej dyskusji o produkcie opisz sytuację w prompcie, podaj odpowiednie nazwy produktów jako słowa kluczowe i wskaż oczekiwane języki. Są to podpowiedzi dla rozpoznawania, a nie polecenia wstawiania słownictwa, którego nikt nie wypowiedział.

GPT Transcribe używa pola languages w liczbie mnogiej zamiast starszego pola language w liczbie pojedynczej; OpenAI podaje, że nie należy wysyłać obu. Poradnik przyjmuje obsługiwane kody ISO 639-1, wybrane kody ISO 639-3 oraz regionalne chińskie kody lokalizacji, odrzucając wartości nieobsługiwane lub niepoprawnie zapisane. Każde słowo kluczowe musi mieścić się w jednym wierszu i nie może zawierać nawiasu ostrokątnego, znaku powrotu karetki ani znaku nowego wiersza. Nieprawidłowe słowo kluczowe lub zbyt długi prompt mogą spowodować odrzucenie całego żądania. Zachowaj istotny kontekst i sprawdź, czy sugerowane nazwy rzeczywiście występują w audio, zamiast traktować listę podpowiedzi jako transkrypcję.

Wyjście JSON i przewidywania wykrytych języków

Udokumentowany wynik pliku ma postać JSON zawierającą transkrypcję i wykryte języki. Te przewidywania językowe są wyjściem modelu, a nie kopią dostarczonych podpowiedzi językowych. Pusta lista języków jest poprawnym wynikiem, gdy model nie potrafi dokonać wiarygodnego rozpoznania; nie dowodzi ciszy w nagraniu ani niepowodzenia transkrypcji. Przechowuj rozpoznany tekst i metadane językowe oddzielnie, aby dalsze przetwarzanie mogło używać każdego elementu zgodnie z jego znaczeniem.

Strumieniowanie transkrypcji pliku

Ukończony plik może podczas przetwarzania zwracać tekst transkrypcji stopniowo. OpenAI dokumentuje zdarzenia transcript.text.delta dla częściowego tekstu oraz transcript.text.done dla pełnej transkrypcji pliku; zdarzenie końcowe zawiera również wykryte języki. Strumieniowane jest tu wyjście już dostarczonego nagrania. Przydaje się to do wyświetlania postępu przy długim przesłanym pliku, podczas gdy zdarzenie końcowe ustala tekst do zachowania jako ukończony wynik.

Zatwierdzone tury w sesjach Realtime

GPT Transcribe ma również wyspecjalizowany przepływ Realtime przez WebSocket. Audio jest dopisywane do bufora wejściowego, po czym aplikacja jawnie zatwierdza turę audio. Transkrypcja zaczyna się dla tego zatwierdzonego fragmentu i może emitować przyrosty tekstu przed zdarzeniem zakończenia, z informacjami o wykrytych językach. Model automatycznie wykorzystuje wcześniejsze przepisane tury jako kontekst w tym przepływie sesji producenta. Różni się to od ciągłego emitowania tekstu napisów na żywo podczas napływu audio z mikrofonu; OpenAI nazywa ten ciągły przepływ GPT Live Transcribe.

Dla kilku tur zachowaj identyfikator elementu wejściowego przy odpowiedniej transkrypcji. OpenAI ostrzega, że zdarzenia zakończenia różnych tur nie muszą przychodzić w kolejności wypowiedzi, więc przypisuj każdy końcowy wynik do jego zatwierdzonego wejścia zamiast układać rozmowę wyłącznie według czasu zakończenia. Przydatnym artefaktem jest uporządkowana transkrypcja złożona z właściwych końcowych elementów, w której tekst pośredni oznacza postęp, a nie osobną ukończoną wypowiedź.

Wyspecjalizowane wyjścia i istotne ograniczenia

Ten profil nie zapewnia uniwersalnego kontraktu napisów, znaczników czasu, tłumaczenia ani etykiet mówców. Poradnik migracji OpenAI rozróżnia te wyspecjalizowane możliwości: natywne formaty napisów i czas poszczególnych słów wymagają zgodnego modelu i formatu, natomiast etykiety mówców korzystają z GPT-4o Transcribe Diarize. Wynik pliku GPT Transcribe to JSON, który nie zastępuje bezpośrednio SRT, VTT ani odpowiedzi z rozbudowanymi znacznikami czasu. Dokładna karta modelu nie publikuje liczbowego limitu kontekstu ani maksymalnego wyjścia, więc nie należy zakładać okna tokenów modelu czatowego dla transkrypcji audio.

Sprawdź trudne słownictwo, liczby, akcenty, szum tła i zmiany języka względem nagrania. Upewnij się, że istotne podpowiedzi poprawiły rozpoznawanie bez wprowadzania niewypowiedzianych terminów i że końcowa transkrypcja obejmuje koniec audio. W wyniku wielojęzycznym zachowaj wypowiedziane słowa przed przygotowaniem tłumaczenia. Te kontrole sprawiają, że transkrypcja nadaje się na materiał źródłowy, jednocześnie jasno oddzielając wskazówki kontekstowe, wykryte języki i rozpoznaną mowę.