La transcripción convierte el habla en texto. Elige un flujo de trabajo según si el audio ya está grabado o si lo recibes en vivo. Cada flujo de trabajo tiene un modelo recomendado para empezar.
Elige un flujo de trabajo de transcripción
| Flujo de trabajo | Cuándo usarlo | Modelo recomendado |
|---|---|---|
| Transcripción de archivos | Tienes una grabación completa o una solicitud con una cantidad limitada de audio. Sube el archivo y recibe la transcripción final, o recibe el texto por partes mientras se procesa el archivo. | gpt-transcribe |
Transcripción en tiempo real | Recibes audio en vivo de un micrófono, una llamada u otra fuente y necesitas el texto a medida que se habla. | gpt-live-transcribe |
Puedes decidir por separado si quieres recibir el texto por partes y si vas a usar audio en vivo. Puedes recibir por partes la transcripción de un archivo ya grabado sin abrir una sesión de Realtime. Usa Realtime solo si recibes el audio en vivo o necesitas una conexión persistente.
Elige una función especializada
Empieza con el modelo recomendado para tu flujo de trabajo:
| Si necesitas | Usa |
|---|---|
| Detectar los idiomas del audio de entrada | gpt-transcribe con transcripción de archivos. |
| Transcribir un turno confirmado a través de WebSocket | gpt-transcribe con transcripción en tiempo real. |
Las integraciones existentes también pueden usar gpt-realtime-whisper si son compatibles con el modelo. No es el modelo recomendado para iniciar una nueva integración de transcripción.
Integraciones existentes con modelos en desuso
whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe,
gpt-4o-transcribe-diarize y /v1/audio/translations están en desuso y
dejarán de funcionar el 26 de febrero de 2027. Consulta el aviso de retirada. Para las nuevas
integraciones, usa el flujo de trabajo recomendado más arriba para transcribir
archivos o audio en tiempo real.
Las integraciones existentes pueden usar los flujos de trabajo de estos ejemplos especializados hasta la fecha de retirada. Antes de migrar, revisa los formatos de salida y los metadatos que necesita tu aplicación. Cambiar solo el ID del modelo no conserva todas las funciones.
| Si necesitas | Usa |
|---|---|
| Transcripciones que identifiquen a cada hablante | gpt-4o-transcribe-diarize con transcripción de archivos. |
Marcas de tiempo por palabra o subtítulos en srt y vtt |
whisper-1 con transcripción de archivos. |
| Traducir al inglés una grabación completa | whisper-1 con el punto de acceso para traducir audio. |
Para traducir audio, migra a la traducción en tiempo real. Este flujo usa una sesión de traducción y un punto de acceso distinto en lugar del flujo de carga de archivos de /v1/audio/translations.
Consulta los precios de transcripción y prueba el flujo recomendado con audio representativo antes de migrar el tráfico de producción.
Mejora la calidad de la transcripción
gpt-transcribe y gpt-live-transcribe aceptan tres tipos de contexto:
prompt: texto libre que aporta contexto sobre la grabación, como el tema que se trata o el entorno en el que se grabó.keywords: términos literales que podrían aparecer en el audio, como nombres de productos o medicamentos, o siglas.languages: lista de los idiomas de entrada previstos cuando la grabación podría contener más de un idioma.
Usa estas entradas solo para aportar contexto relevante para el audio. Evita repetir la instrucción de transcribirlo. Las palabras clave sirven de orientación y no es obligatorio incluirlas en el texto. La transcripción solo debe incluir una palabra clave si aparece en el audio.
Estos modelos usan languages en lugar del campo en singular language. Los modelos de transcripción existentes que permiten indicar un solo idioma como referencia siguen usando language.
Cuando gpt-transcribe transcribe el audio de entrada en una sesión de Realtime API o se ejecuta en una sesión dedicada a la transcripción, usa automáticamente los turnos ya transcritos como contexto.
Haz pruebas con audio representativo
Prueba la transcripción en las condiciones de audio que encontrará tu aplicación. Incluye:
- Los idiomas y acentos previstos, así como los patrones de alternancia entre idiomas.
- Ruido de fondo, distintas calidades de micrófono y audio telefónico.
- Nombres, números, fechas, cadenas alfanuméricas y terminología del área.
- Intervenciones breves, grabaciones largas e interrupciones al hablar.
Lleva un registro de los errores que afectan a la aplicación en lugar de basarte solo en la tasa de error por palabra. Por ejemplo, comprueba cómo se transcriben los nombres de medicamentos en un flujo de atención médica o los números de pedido en uno de soporte.