Skip to Content
ModelleGPT-Transkription

GPT-Transkriptionsreihe

Die Transkriptionsmodelle von OpenAI: Sie laden Audio über POST /v1/audio/transcriptions hoch und erhalten Text zurück.

Modell-IDs (exakt kopieren)
GPT Transcribeopenai/gpt-transcribeAbrechnung nach Audiosekunden
GPT-4o mini Transcribeopenai/gpt-4o-mini-transcribeAbrechnung nach Tokens

Die allgemeinen Parameter des Endpunkts finden Sie unter Audio Transcriptions API. Aktuelle Preise stehen auf der Modellseite . Wenn Sie Zeitstempel pro Wort oder Sprechertrennung benötigen, verwenden Sie ElevenLabs Scribe v2.

Aufrufbeispiele

gpt_transcribe.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.io/v1", api_key=os.environ["OFOX_API_KEY"])
 
with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="openai/gpt-transcribe",
        file=f,
        language="zh",
        prompt="以下是普通话的句子，请使用简体中文。",
    )
print(result.text)
print(result.usage)

Parameter und Abrechnung

Kurz gesagtÜbergeben Sie beim Transkribieren von Mandarin sowohl language als auch prompt und legen Sie damit vereinfachtes Chinesisch fest; andernfalls kann die Ausgabe in Langzeichen (traditionellem Chinesisch) erfolgen.
PunktBeschreibung
language und promptIn unseren Tests lieferte gpt-transcribe mit nur language: "zh" in 1 von 4 Durchläufen traditionelle Zeichen; mit zusätzlichem prompt: "以下是普通话的句子，请使用简体中文。" (Anweisung, vereinfachtes Chinesisch zu verwenden) waren alle 4 Durchläufe in vereinfachten Zeichen
response_formatNur json (Standard) wird unterstützt. verbose_json, text, srt und vtt liefern 400
Rückgabetext und usage, keine Zeitstempel pro Wort
Abrechnunggpt-transcribe nach Audiosekunden, usage ist {"type": "duration", "seconds": ...}; gpt-4o-mini-transcribe nach Tokens, usage enthält input_tokens und output_tokens

In unseren Tests war die Transkription eines etwa 9 Sekunden langen chinesischen Gesprächs nach rund 2 bis 3 Sekunden fertig.

Häufige Fehler

HTTPFehlermeldung (Original)UrsacheLösung
400response_format 'verbose_json' is not compatible with model 'gpt-transcribe'.Die GPT-Transkriptionsmodelle unterstützen verbose_json nichtjson verwenden
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gatewaytext, srt oder vtt verwendetjson verwenden
400Unsupported file format txtDie hochgeladene Datei ist keine AudiodateiAudio wie mp3 oder wav hochladen

Weitere Fehler finden Sie unter Audio Transcriptions API.

Offizielle Dokumentation

FAQ

Die GPT-Transkription gibt Chinesisch in Langzeichen aus?

Übergeben Sie sowohl language: "zh" als auch prompt: "以下是普通话的句子，请使用简体中文。". In unseren Tests kamen mit nur language gelegentlich noch traditionelle Zeichen vor; mit zusätzlichem prompt war die Ausgabe zuverlässig in vereinfachten Zeichen.

Kann die GPT-Transkription srt-Untertitel ausgeben?

Nein, unterstützt wird nur json. Wenn Sie Zeitstempel für Untertitel benötigen, verwenden Sie ElevenLabs Scribe v2, das Start- und Endzeit für jedes Wort liefert.

Wie werden gpt-transcribe und gpt-4o-mini-transcribe abgerechnet?

gpt-transcribe wird nach Audiosekunden abgerechnet, gpt-4o-mini-transcribe nach Tokens; den Verbrauch finden Sie in usage der Antwort. Die Preise stehen auf der Modellseite.

Zuletzt aktualisiert am
Gemini TTSDeepSeek