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
- Обзор
- 📊 Краткий обзор
- Установка (однократная)
- Аутентификация
- 1 · Speech-to-Text с аудиофайлом
- Когда использовать
- Как это работает
- Преимущества
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.