語音轉錄可將語音轉成文字。請根據音訊是已錄製完成,還是正在即時傳入,選擇合適的工作流程。每種工作流程都有一個建議優先使用的模型。
選擇轉錄工作流程
| 工作流程 | 適用情境 | 建議模型 |
|---|---|---|
| 檔案轉錄 | 錄音已完成,或單次請求只需處理一段有明確起訖的音訊。上傳檔案後,可以取得完整轉錄稿,也可以在檔案處理期間以串流方式接收文字。 | gpt-transcribe |
即時轉錄 | 音訊來自麥克風、通話或其他即時串流,而且需要在語音傳入時取得文字。 | gpt-live-transcribe |
是否以串流方式輸出文字,與音訊是否即時傳入,是兩個獨立的選擇。處理已錄製完成的檔案時,不必開啟 Realtime 工作階段也能以串流方式接收轉錄結果。只有在音訊即時傳入或需要持續連線時,才使用 Realtime。
選擇特定功能
請先使用所選工作流程的建議模型:
既有整合也可以在支援的情境下使用 gpt-realtime-whisper。建立新的轉錄整合時,不建議優先使用這個模型。
使用已棄用模型的既有整合
whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 和 /v1/audio/translations 均已棄用,將於 2027 年 2 月 26 日停止服務。詳情請參閱棄用公告。建立新的整合時,請使用上方建議的檔案轉錄或即時轉錄工作流程。
在服務終止前,既有整合仍可使用下列範例中的工作流程。遷移前,請確認應用程式所需的輸出格式和中繼資料。只更換模型 ID 無法保留所有功能。
| 需求 | 使用方式 |
|---|---|
| 標示說話者的轉錄稿 | 使用 gpt-4o-transcribe-diarize 進行檔案轉錄。 |
逐詞時間戳記,或 srt 和 vtt 格式的字幕 |
使用 whisper-1 進行檔案轉錄。 |
| 將已錄製完成的音訊翻譯成英文 | 使用 whisper-1 搭配音訊翻譯端點。 |
如需翻譯,請遷移至即時翻譯。即時翻譯使用翻譯工作階段和不同的端點,取代 /v1/audio/translations 的檔案上傳流程。
請參閱轉錄價格,並在切換正式環境的流量前,使用具代表性的音訊測試建議的工作流程。
提高轉錄品質
gpt-transcribe 和 gpt-live-transcribe 接受三種上下文資訊:
prompt:以自由格式描述錄音的背景,例如主題或錄音情境。keywords:列出音訊中可能出現的確切詞彙,例如產品名稱、藥名或縮寫。languages:如果錄音可能包含多種語言,可列出預期的輸入語言。
請只透過這些輸入提供與音訊相關的上下文,請勿重述轉錄任務。關鍵字僅供參考,不必全部輸出。只有音訊中確實出現的關鍵字才應納入轉錄稿。
這些模型使用 languages 欄位,而非單數形式的 language 欄位。接受單一語言提示的既有轉錄模型仍使用 language。
當 gpt-transcribe 在 Realtime API 工作階段中轉錄輸入音訊,或在專用的轉錄工作階段中執行時,會自動將先前各輪發言的轉錄內容作為上下文。
使用具代表性的音訊測試
請在應用程式實際會遇到的音訊條件下測試轉錄效果。測試應涵蓋:
- 目標語言、口音,以及說話時切換語言的常見方式。
- 背景噪音、不同品質的麥克風,以及電話通話音訊。
- 名稱、數字、日期、英數字串和領域專用術語。
- 簡短發言、長時間錄音,以及中途被打斷的語音。
請追蹤會影響應用程式的轉錄錯誤,避免只看詞錯誤率。例如,在醫療工作流程中測試藥名的轉錄效果,或在客服工作流程中測試訂單編號的轉錄效果。