A transcrição converte fala em texto. Escolha o fluxo de trabalho conforme a origem do áudio: uma gravação já concluída ou uma transmissão ao vivo. Cada fluxo tem um modelo recomendado para começar.
Escolha um fluxo de trabalho de transcrição
| Fluxo de trabalho | Quando usar | Modelo recomendado |
|---|---|---|
| Transcrição de arquivos | Você tem uma gravação concluída ou uma solicitação com um trecho de áudio de duração definida. Envie o arquivo para receber a transcrição final ou receba o texto em partes enquanto o arquivo é processado. | gpt-transcribe |
Transcrição em tempo real | Você recebe áudio ao vivo de um microfone, de uma chamada ou de outra fonte e precisa do texto à medida que as pessoas falam. | gpt-live-transcribe |
A escolha de receber o texto em partes independe de o áudio chegar ao vivo. Mesmo com uma gravação já concluída, você pode receber a transcrição em partes sem abrir uma sessão da Realtime API. Use a Realtime API somente quando receber áudio ao vivo ou precisar de uma conexão persistente.
Escolha um recurso especializado
Comece com o modelo recomendado para o seu fluxo de trabalho.
| Se você precisa de | Use |
|---|---|
| Detecção dos idiomas do áudio de entrada | gpt-transcribe com a transcrição de arquivos. |
| Transcrição de um turno confirmado via WebSocket | gpt-transcribe com a transcrição em tempo real. |
As integrações existentes também podem usar o gpt-realtime-whisper quando houver suporte. Esse modelo não é recomendado como ponto de partida para novas integrações de transcrição.
Integrações existentes que usam modelos em processo de descontinuação
whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe,
gpt-4o-transcribe-diarize e /v1/audio/translations estão em processo de descontinuação
e deixarão de funcionar em 26 de fevereiro de 2027. Consulte o aviso de descontinuação. Para novas
integrações, use o fluxo de transcrição de arquivos ou de transcrição em tempo real recomendado acima para o seu áudio.
As integrações existentes podem usar os fluxos de trabalho dos exemplos a seguir até a data de encerramento. Antes de migrar, confira de quais formatos de saída e metadados seu aplicativo precisa. Alterar apenas o ID do modelo não preserva todos os recursos.
| Se você precisa de | Use |
|---|---|
| Transcrições que identificam quem disse cada fala | gpt-4o-transcribe-diarize com a transcrição de arquivos. |
Marcações de tempo por palavra ou legendas nos formatos srt e vtt |
whisper-1 com a transcrição de arquivos. |
| Tradução de uma gravação concluída para o inglês | whisper-1 com o endpoint de tradução de áudio. |
Para tradução, migre para a tradução em tempo real. Ela usa uma sessão de tradução e um endpoint diferente, em vez do fluxo de envio de arquivos usado por /v1/audio/translations.
Consulte os preços de transcrição e teste o fluxo recomendado com amostras representativas de áudio antes de migrar o tráfego de produção.
Melhore a qualidade da transcrição
gpt-transcribe e gpt-live-transcribe aceitam três tipos de contexto:
prompt: Texto livre sobre a gravação, como o assunto abordado ou o ambiente em que ela foi feita.keywords: Termos literais que podem aparecer no áudio, como nomes de produtos ou medicamentos e siglas.languages: Lista dos idiomas esperados no áudio de entrada quando a gravação pode conter mais de um idioma.
Use esses campos apenas para fornecer contexto relevante para o áudio. Não repita a instrução de transcrever. As palavras-chave servem como pistas e não precisam constar na transcrição. A transcrição só deve incluir uma palavra-chave se ela aparecer no áudio.
Esses modelos usam languages no lugar do campo language, no singular. Os modelos de transcrição existentes que aceitam a indicação de um único idioma continuam usando language.
Quando o gpt-transcribe transcreve o áudio de entrada em uma sessão da Realtime API ou é executado em uma sessão dedicada à transcrição, ele usa automaticamente os turnos já transcritos como contexto.
Teste com amostras representativas de áudio
Teste a transcrição nas condições de áudio que o aplicativo encontrará na prática. Inclua nos testes:
- Os idiomas e sotaques esperados, inclusive as formas como as pessoas alternam entre idiomas.
- Ruído de fundo, microfones de diferentes qualidades e áudio de chamadas telefônicas.
- Nomes, números, datas, sequências alfanuméricas e termos específicos da área.
- Falas curtas, gravações longas e falas interrompidas.
Acompanhe os erros que afetam o aplicativo, sem depender apenas da taxa de erro por palavra. Por exemplo, teste nomes de medicamentos em um fluxo de trabalho na área da saúde ou números de pedidos em um fluxo de atendimento ao cliente.