Skip to Content
ModelosTranscripción GPT

Familia de transcripción GPT

Los modelos de transcripción de voz de OpenAI: se sube el audio a POST /v1/audio/transcriptions y se devuelve el texto.

ID de modelo (cópielos exactamente)
GPT Transcribeopenai/gpt-transcribeSe factura por segundos de audio
GPT-4o mini Transcribeopenai/gpt-4o-mini-transcribeSe factura por token

Los parámetros comunes del endpoint están en Audio Transcriptions API. Los precios actualizados están en la página del modelo . Si necesita marcas de tiempo por palabra o diarización de hablantes, use ElevenLabs Scribe v2.

Ejemplos de llamada

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)

Parámetros y facturación

ClaveAl transcribir chino mandarín, envíe a la vez language y prompt indicando que use chino simplificado; de lo contrario, la salida puede aparecer en caracteres tradicionales.
ElementoDescripción
language y promptEn las pruebas, con gpt-transcribe y solo language: "zh", 1 de cada 4 transcripciones salió en chino tradicional; al añadir también prompt: "以下是普通话的句子，请使用简体中文。" (una indicación en chino de que el audio es mandarín y debe transcribirse en chino simplificado), las 4 salieron en chino simplificado
response_formatSolo admite json (predeterminado). verbose_json, text, srt y vtt devuelven 400
Contenido de la respuestatext y usage, sin marcas de tiempo por palabra
Facturacióngpt-transcribe se factura por segundos de audio, con usage igual a {"type": "duration", "seconds": ...}; gpt-4o-mini-transcribe se factura por token, y usage incluye input_tokens y output_tokens

En las pruebas, una conversación en chino de unos 9 segundos se transcribió en unos 2 a 3 segundos.

Errores habituales

HTTPMensaje de error originalCausaSolución
400response_format 'verbose_json' is not compatible with model 'gpt-transcribe'.Los modelos de transcripción GPT no admiten verbose_jsonUse json
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gatewaySe usó text, srt o vttUse json
400Unsupported file format txtEl archivo subido no es de audioSuba audio mp3, wav, etc.

Más errores en Audio Transcriptions API.

Documentación oficial

Preguntas frecuentes

¿Por qué la transcripción GPT de chino sale en caracteres tradicionales?

Envíe a la vez language: "zh" y prompt: "以下是普通话的句子，请使用简体中文。". En las pruebas, con solo language la salida seguía apareciendo ocasionalmente en chino tradicional; al añadir el prompt, salió de forma estable en chino simplificado.

¿La transcripción GPT puede generar subtítulos srt?

No; solo admite json. Si necesita marcas de tiempo para generar subtítulos, use ElevenLabs Scribe v2, que devuelve los tiempos de inicio y fin de cada palabra.

¿Cómo se facturan gpt-transcribe y gpt-4o-mini-transcribe?

gpt-transcribe se factura por segundos de audio; gpt-4o-mini-transcribe se factura por token, y el consumo figura en usage de la respuesta. Los precios unitarios están en la página del modelo.

Última actualización:
Gemini TTSDeepSeek