Урок из полного доступа, первые уроки курса бесплатно Официальный курс OpenAI Academy на русском
Урок 63 · Текст · ~5 мин

Сравниваем способы распознавания речи в OpenAI API

Урок 63 из 303 курса «OpenAI Cookbook»: официальный курс OpenAI Academy (ОпенАИ) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Этот notebook представляет собой понятное практическое руководство для начинающих по быстрому старту с Speech-to-Text (STT) с использованием OpenAI API. Вы изучите различные практические методы, сценарии их использования и важные аспекты.

По завершении вы сможете выбрать и применить подходящий метод транскрипции для ваших сценариев использования.

Примечание:

  • Этот notebook использует аудиофайлы WAV для простоты. Он **не** демонстрирует потоковую передачу звука с микрофона в реальном времени (например, из веб-приложения или прямого ввода с микрофона).
  • Этот notebook использует WebSockets для подключения к Realtime API. В качестве альтернативы можно использовать WebRTC; подробности см. в документации OpenAI.

Чтобы настроить окружение, раскомментируйте и запустите следующую cell в новом Python-окружении:

Это устанавливает необходимые пакеты для работы с данным notebook.

Прежде чем продолжить, убедитесь, что вы установили свой OpenAI API key в качестве переменной окружения с именем OPENAI_API_KEY. Обычно это можно сделать в вашем терминале или notebook-окружении: export OPENAI_API_KEY="your-api-key-here"

Убедитесь, что ваш API key установлен правильно, запустив следующую cell.

model = gpt-4o-transcribe

  • У вас есть готовый аудиофайл (до 25 МБ). Поддерживаются следующие типы входных файлов: mp3, mp4, mpeg, mpga, m4a, wav и webm.
  • Подходит для задач batch processing, таких как подкасты, записи звонков колл-центров или голосовые заметки.
  • Обратная связь в real-time или частичные результаты не требуются.
  • **Простота использования:** Единый HTTP-запрос – идеально подходит для автоматизации или backend-скриптов.
  • **Точность:** Обрабатывает весь аудиоматериал за один раз, улучшая контекст и качество транскрипции.
  • **Поддержка файлов:** Работает с WAV, MP3, MP4, M4A, FLAC, Ogg и другими форматами.
  • **Отсутствие частичных результатов:** Вы должны дождаться завершения обработки, прежде чем увидите полную транскрипцию.
  • **Задержка масштабируется с длительностью:** Более длинные записи означают более длительное время ожидания.
  • **Ограничение размера файла:** До 25 МБ (≈ 30 мин при 16 кГц моно WAV).
  • **Только для офлайн-использования:** Не предназначен для real-time сценариев, таких как live captioning или conversational AI.

Давайте сначала прослушаем аудиофайл. Я скачал аудиофайл здесь.

План урока

  1. Обзор
  2. 📊 Краткий обзор
  3. Установка (однократная)
  4. Аутентификация
  5. 1 · Speech-to-Text с аудиофайлом
  6. Когда использовать
  7. Как это работает
  8. Преимущества

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы OpenAI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от OpenAI (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Урок входит в темы

Полезные гиды