语音转写将语音转换为文本。请根据音频是已录制完成还是正在实时传入,选择相应的工作流。每种工作流都有一个推荐的起始模型。
选择转写工作流
| 工作流 | 适用场景 | 推荐模型 |
|---|---|---|
| 文件转写 | 您已有完整的录音,或单次请求中的音频有明确的起止点。上传文件后,您可以获取最终的转写文本,也可以在文件处理期间以流式方式接收文本。 | gpt-transcribe |
实时转写 | 您需要在接收麦克风、通话或其他来源的实时音频流时,同步获取转写文本。 | gpt-live-transcribe |
是否以流式方式输出文本,与输入是否为实时音频是两个独立的问题。对于已录制完成的文件,您无需开启 Realtime 会话即可流式接收转写文本。仅当音频实时传入或需要保持连接时,才使用 Realtime。
选择特定功能
请先使用相应工作流的推荐模型:
现有集成也可以在支持的场景中使用 gpt-realtime-whisper。对于新的转写集成,不建议将其作为起始模型。
使用已弃用模型的现有集成
whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 和 /v1/audio/translations 均已弃用,将于 2027 年 2 月 26 日停止服务。详情请参阅弃用公告。对于新集成,请使用上文推荐的文件转写或实时转写工作流。
在服务停止之前,现有集成仍可使用以下示例中的工作流。迁移前,请确认应用所需的输出格式和元数据。仅更改模型 ID 无法保留所有功能。
| 需求 | 使用方式 |
|---|---|
| 标注说话人的转写文本 | 使用 gpt-4o-transcribe-diarize 进行文件转写。 |
词级时间戳,或 srt 和 vtt 格式的字幕 |
使用 whisper-1 进行文件转写。 |
| 将录制完成的音频译成英文 | 使用 whisper-1 调用音频翻译端点。 |
对于翻译任务,请迁移到实时翻译。实时翻译使用翻译会话和不同的端点,不再采用 /v1/audio/translations 的文件上传工作流。
在切换生产流量之前,请查看转写价格,并使用有代表性的音频测试推荐的工作流。
提高转写质量
gpt-transcribe 和 gpt-live-transcribe 支持三类上下文信息:
prompt:用自由文本描述录音的背景信息,例如主题或录制场景。keywords:音频中可能出现的具体词语,例如产品名称、药名或缩略词。languages:当录音可能包含多种语言时,列出预计会出现的输入语言。
请仅通过这些参数提供与音频相关的上下文,不要重复说明转写任务。关键词仅作提示。只有当音频中确实出现某个关键词时,转写文本才应包含该词。
这些模型使用 languages,而非单数形式的 language 字段。只接受一种语言提示的现有转写模型仍使用 language。
当 gpt-transcribe 在 Realtime API 会话中转写输入音频,或在专用转写会话中运行时,它会自动将此前已转写的对话轮次用作上下文。
使用有代表性的音频进行测试
请在应用实际会遇到的音频条件下测试转写效果。测试应涵盖:
- 目标语言、口音,以及说话时在不同语言之间切换的常见模式。
- 背景噪声、不同的麦克风音质和电话通话音频。
- 名称、数字、日期、字母数字组合和领域术语。
- 简短发言、长录音和中途被打断的发言。
除了词错误率,还应跟踪对应用有实际影响的错误。例如,在医疗工作流中测试药名的转写,在客服工作流中测试订单号的转写。