OpenAI: GPT Transcribe

GPT Transcribe é o modelo de conversão de fala em texto da OpenAI para ficheiros de áudio completos, transcrições de ficheiros transmitidas progressivamente e turnos de áudio finalizados em sessões Realtime. Aceita áudio com contexto textual opcional e devolve o texto reconhecido. O produtor apresenta-o para a transcrição precisa de fala gravada na língua original, incluindo vocabulário especializado, gravações multilingues e alternância de línguas. O resultado útil é uma transcrição ligada à gravação, com metadados sobre as línguas detetadas quando o modelo consegue fazer uma previsão fiável.

Preparar uma gravação completa

O fluxo de transcrição de ficheiros da OpenAI aceita carregamentos até 25 MB. A referência atual do ponto de acesso indica os formatos de entrada FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM e recomenda metadados suficientes para identificar o formato, incluindo uma extensão de nome de ficheiro e um tipo de conteúdo adequados. Para uma gravação maior, o guia recomenda comprimi-la ou dividi-la em ficheiros de 25 MB ou menos. Evite cortar a meio de uma frase, pois retirar a fala envolvente pode reduzir a precisão do reconhecimento. Mantenha as partes pela ordem correta e conserve as respetivas posições na gravação original.

Para uma reunião, entrevista ou apresentação gravada, forneça o áudio real e identifique o tema e a terminologia que poderá ser pronunciada. Um resultado útil é o texto reconhecido, em vez de um resumo inferido da discussão. Guarde o identificador da gravação junto do texto devolvido, para que quem verifica um nome, número ou expressão incerta possa regressar à fonte correta. A transcrição pode depois servir de material para um fluxo separado de resumo, tradução ou revisão editorial.

Contexto, indicações de palavras-chave e línguas esperadas

O produtor distingue três tipos de orientação. Uma instrução fornece contexto livre sobre o tema ou a situação da gravação. As palavras-chave indicam palavras ou expressões literais esperadas na fala. Uma lista de línguas identifica as línguas faladas esperadas. Para uma discussão bilingue sobre um produto, descreva a situação na instrução, indique os nomes relevantes dos produtos como palavras-chave e forneça as línguas esperadas. São indicações para o reconhecimento; não são instruções para inserir vocabulário que ninguém pronunciou.

GPT Transcribe usa o campo plural languages em vez do antigo campo singular language; a OpenAI indica que não se devem enviar ambos. O guia aceita códigos ISO 639-1 suportados, determinados códigos ISO 639-3 e códigos regionais de língua chinesa, rejeitando valores não suportados ou malformados. Cada palavra-chave tem de ficar numa única linha e não pode conter parênteses angulares, um retorno de carro ou uma mudança de linha. Uma palavra-chave inválida ou uma instrução demasiado longa pode levar à rejeição de todo o pedido. Mantenha o contexto pertinente e verifique se os nomes sugeridos ocorrem realmente no áudio, em vez de tratar a lista de indicações como a transcrição.

Saída JSON e previsões de línguas detetadas

O resultado de ficheiro documentado é JSON com a transcrição e as línguas detetadas. Essas previsões linguísticas são uma saída do modelo, não uma cópia das indicações de língua fornecidas. Uma lista de línguas vazia é um resultado válido quando o modelo não consegue fazer uma previsão fiável; não demonstra que a gravação era silenciosa nem que a transcrição falhou. Mantenha o texto reconhecido separado dos metadados linguísticos, para que o processamento posterior possa usar cada um de acordo com o seu significado.

Transmissão progressiva da transcrição de um ficheiro

Um ficheiro completo pode produzir texto de transcrição de forma incremental enquanto é processado. A OpenAI documenta eventos transcript.text.delta para texto parcial e transcript.text.done para a transcrição completa do ficheiro; o evento final também inclui as línguas detetadas. É a transmissão progressiva da saída de uma gravação já fornecida. É útil para apresentar o progresso de um carregamento longo, enquanto o evento final estabelece o texto a guardar como resultado concluído.

Turnos finalizados em sessões Realtime

GPT Transcribe também tem um fluxo Realtime especializado através de WebSocket. O áudio é acrescentado à memória intermédia de entrada e a aplicação finaliza depois explicitamente um turno de áudio. A transcrição começa para esse segmento finalizado e pode emitir incrementos de texto antes do evento de conclusão, incluindo informações sobre as línguas detetadas. O modelo usa automaticamente turnos anteriormente transcritos como contexto neste fluxo de sessão do produtor. Isto é distinto da emissão contínua de legendas em direto à medida que chega áudio do microfone; a OpenAI designa GPT Live Transcribe para esse fluxo contínuo.

Para vários turnos, guarde o identificador do item de entrada junto da transcrição correspondente. A OpenAI alerta que os eventos de conclusão de turnos diferentes podem não chegar pela ordem da fala; associe, por isso, cada resultado final à respetiva entrada finalizada, em vez de ordenar a conversa apenas pelo momento de conclusão. O resultado útil é uma transcrição ordenada, montada a partir dos itens finais corretos, em que o texto intermédio representa progresso e não um enunciado concluído separado.

Saídas especializadas e limites relevantes

Este perfil não fornece um contrato universal de legendas, marcas temporais, tradução ou identificação de intervenientes. O guia de migração da OpenAI distingue essas capacidades especializadas: os formatos nativos de legendas e os tempos por palavra exigem um modelo e um formato compatíveis, enquanto a identificação de intervenientes usa GPT-4o Transcribe Diarize. O resultado de ficheiro do GPT Transcribe é JSON, em vez de uma resposta SRT, VTT ou com marcas temporais detalhadas que se possa substituir diretamente. A ficha deste modelo específico não publica um contexto numérico nem um limite máximo de saída; não se deve, por isso, pressupor uma janela de tokens de um modelo de chat para a transcrição de áudio.

Verifique vocabulário difícil, números, sotaques, ruído de fundo e mudanças de língua face à gravação. Confirme que as indicações pertinentes melhoraram o reconhecimento sem introduzir termos que não foram pronunciados e que a transcrição final inclui o fim do áudio. Num resultado multilingue, preserve as palavras pronunciadas antes de preparar qualquer versão traduzida. Estas verificações tornam a transcrição útil como material de origem, mantendo claramente distintos o contexto sugerido, as línguas detetadas e a fala reconhecida.