Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du .md an die URL der Seite anhängst.
Hauptnavigation
Design

Transkription

Wähle den passenden Workflow für Aufnahmen oder Live-Audio.

Bei der Transkription wird gesprochene Sprache in Text umgewandelt. Wähle den Workflow danach aus, ob du bereits eine Aufnahme hast oder die Audiodaten live empfängst. Für jeden Workflow gibt es ein empfohlenes Modell für den Einstieg.

Workflow für die Transkription auswählen

WorkflowWann du ihn verwendestEmpfohlenes Modell
Dateitranskription

Du hast eine fertige Aufnahme oder sendest einen zeitlich begrenzten Audioabschnitt in einer Anfrage. Lade die Datei hoch, um das fertige Transkript zu erhalten. Du kannst den Text auch schon während der Verarbeitung als Stream empfangen.

gpt-transcribe

Echtzeittranskription

Du empfängst Live-Audio von einem Mikrofon, aus einem Telefonat oder aus einem anderen Audiostream und brauchst den Text, sobald jemand spricht.

gpt-live-transcribe

Ob du den Text als Stream empfangen möchtest, kannst du unabhängig davon entscheiden, ob du Live-Audio verarbeitest. Du kannst die Transkription einer fertigen Datei als Stream empfangen, ohne eine Realtime-Sitzung zu öffnen. Verwende Realtime nur, wenn du Audiodaten live empfängst oder eine dauerhafte Verbindung brauchst.

Modell für eine bestimmte Funktion auswählen

Starte mit dem empfohlenen Modell für deinen Workflow:

Was du brauchst Was du verwendest
Erkennung der Eingabesprachen gpt-transcribe mit Dateitranskription.
Transkription eines bestätigten Redebeitrags über WebSocket gpt-transcribe mit Echtzeittranskription.

Bestehende Integrationen können auch gpt-realtime-whisper verwenden, sofern das Modell unterstützt wird. Für den Einstieg in eine neue Transkriptionsintegration wird dieses Modell nicht empfohlen.

Bestehende Integrationen mit abgekündigten Modellen

whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, gpt-4o-transcribe-diarize und /v1/audio/translations sind abgekündigt und werden am 26. Februar 2027 abgeschaltet. Einzelheiten findest du in der Mitteilung zur Abkündigung. Verwende für neue Integrationen den oben empfohlenen Workflow für die Datei- oder Echtzeittranskription.

Bis zur Abschaltung kannst du in bestehenden Integrationen die Workflows aus den folgenden Beispielen verwenden. Prüfe vor der Migration, welche Ausgabeformate und Metadaten deine Anwendung benötigt. Wenn du nur die Modell-ID änderst, bleiben nicht alle Funktionen erhalten.

Was du brauchst Was du verwendest
Transkripte mit Kennzeichnung, wer spricht gpt-4o-transcribe-diarize mit Dateitranskription.
Zeitstempel für einzelne Wörter oder Untertitel in den Formaten srt und vtt whisper-1 mit Dateitranskription.
Übersetzung einer fertigen Aufnahme ins Englische whisper-1 mit dem Endpunkt für Audioübersetzungen.

Wechsle für Übersetzungen zur Echtzeitübersetzung. Sie verwendet eine Übersetzungssitzung und einen anderen Endpunkt als der Workflow, bei dem du eine Datei über /v1/audio/translations hochlädst.

Informiere dich über die Preise für die Transkription und teste den empfohlenen Workflow mit repräsentativen Audiodaten, bevor du Anfragen im Produktivbetrieb darauf umstellst.

Transkriptionsqualität verbessern

gpt-transcribe und gpt-live-transcribe unterstützen drei Arten von Kontext:

  • prompt: Frei formulierte Angaben zur Aufnahme, etwa zum Thema oder zur Aufnahmesituation.
  • keywords: Begriffe in ihrem genauen Wortlaut, die in der Aufnahme vorkommen könnten, etwa Produktnamen, Medikamentennamen oder Akronyme.
  • languages: Eine Liste der erwarteten Eingabesprachen, wenn die Aufnahme mehrere Sprachen enthalten kann.

Gib nur Kontext an, der für die Audiodaten relevant ist. Wiederhole die Anweisung zur Transkription nicht. Schlüsselwörter dienen als Hinweise. Ein Schlüsselwort sollte nur dann im Transkript stehen, wenn es in der Aufnahme tatsächlich vorkommt.

Diese Modelle verwenden languages anstelle des Felds language im Singular. Bestehende Transkriptionsmodelle, die eine einzelne Sprachangabe akzeptieren, verwenden weiterhin language.

Wenn gpt-transcribe die Audioeingabe in einer Sitzung der Realtime API transkribiert oder in einer eigenen Transkriptionssitzung läuft, nutzt das Modell automatisch zuvor transkribierte Redebeiträge als Kontext.

Mit repräsentativen Audiodaten testen

Teste die Transkription unter den Audiobedingungen, die deine Anwendung in der Praxis vorfindet. Berücksichtige dabei:

  • Zielsprachen, Akzente und typische Wechsel zwischen Sprachen.
  • Hintergrundgeräusche, Mikrofonqualität und Audio aus Telefonaten.
  • Namen, Zahlen, Datumsangaben, alphanumerische Zeichenfolgen und Fachbegriffe.
  • Kurze Äußerungen, lange Aufnahmen und unterbrochene Redebeiträge.

Erfasse die Fehler, die für deine Anwendung relevant sind, statt dich allein auf die Wortfehlerrate zu verlassen. Teste zum Beispiel, wie gut die Transkription Medikamentennamen im Gesundheitswesen oder Bestellnummern im Support erfasst.

Nächste Schritte