语音转文本（Speech to text）

学习如何将音频转换为文本。

介绍

语音转文本 API 提供了两个端点，即基于我们最先进的开源大型-v2 Whisper 模型的转录和翻译。它们可以用于：​

•
将音频转录为任何语言。​

•
将音频翻译并转录成英语。​

目前文件上传限制为 25 MB，并支持以下输入文件类型：mp3、mp4、mpeg、mpga、m4a、wav 和 webm。​

快速入门

转录

转录 API 的输入是您要进行转录的音频文件以及所需输出格式的音频文字稿。我们目前支持多种输入和输出文件格式。​

代码块

# Note: you need to be using OpenAI Python v0.27.0 for the code below to work​
import openai​
audio_file= open("/path/to/file/audio.mp3", "rb")​
transcript = openai.Audio.transcribe("whisper-1", audio_file)​

默认情况下，响应类型将是包含原始文本的 JSON。

代码块

{​
  "text": "Imagine the wildest idea that you've ever had, and you're curious about how it might scale to something that's a 100, a 1,000 times bigger.​
....​
}​

要在请求中设置其他参数，您可以添加更多带有相关选项的--form行。例如，如果您想将输出格式设置为文本，则应添加以下行：​

代码块

...​
--form file=@openai.mp3 \​
--form model=whisper-1 \​
--form response_format=text​

翻译

翻译API以任何支持的语言作为输入音频文件，并在必要时将音频转录成英文。这与我们的/Transcriptions端点不同，因为输出不是原始输入语言，而是被翻译成英文文本。​

代码块

# Note: you need to be using OpenAI Python v0.27.0 for the code below to work​
import openai​
audio_file= open("/path/to/file/german.mp3", "rb")​
transcript = openai.Audio.translate("whisper-1", audio_file)​

在这种情况下，输入的音频是德语，输出的文本看起来像：

代码块

Hello, my name is Wolfgang and I come from Germany. Where are you heading today?​

我们目前仅支持英语翻译。

支持的语言

我们目前通过转录和翻译端点支持以下语言：

南非荷兰语，阿拉伯语，亚美尼亚语，阿塞拜疆语，白俄罗斯语，波斯尼亚文，保加利亚文，加泰罗尼亚文，中文，克罗地亚文、捷克文、丹麦文、荷兰文、英国英语、爱沙尼亚文、芬兰文、法国法式英語, 加利西亞語, 德國語, 希臘語, 希伯來語, 印地語, 匈牙利語, 冰島icelandic 読音: [ˈaɪsləndɪk], 印度尼西雅Indonesian 読音: [indoneˈsia], 意大利Italian 読音: [iːtæljən], 日本Japanese 読音: [dʒæpəniːz], 卡纳达Kannada 読音: [kʌn'na:dʌ] ,哈萨克Kazakh 読音:[kɑzɑx] , 韩国Korean 读作：[hanguk] ，拉脫維Latvian 读作：[lætvijan] ，立陶宛Lithuanian 读作：[liθu'einjən] ，马其顿Macedonian 读作：[mækidouniən ] ，马来Malay 读作：['meilei ] ，馬拉地Marathi 讀作:[ma'rathi ],毛里求斯Maori 讀作:[mauri ], 尼泊尔Nepali 讀作:[ne'pa:l ],挪威Norwegian 讀作:['no:wijiən ] ， 波斯Persian讀做[persi'an ] , 波蘇尼Serbian讀做sǎrbijǝTagalog讀做tӕgӕ'lɔg，坦米爾Tamil讀做'tæmil, 泰Thai讀做[tai], 土耳其Turkish讀健[turki'sh], 烏Crainian(乌克兰)Ukrainian 讀健[jukreinjǝn ], 烏Urdu(乌尔都)Urdu 讓你[u:rdu:],越南Vietnamese (越南)Vietnamese 和威尔士Welsh。​

虽然底层模型是在98种不同的语言上进行了培训。但我们只列出了超过50%单词错误率（WER）的标准行业基准测试所支持的那些。该模型将返回未列出以上列表中的其他所有可能存在输入结果但质量会较低。​

更长输入

默认情况下Whisper API仅支持小于25 MB 的文件。如果您有一个比这更长的音频文件，则需要将其分成每个小于25 MB 的块或使用压缩后格式。为了获得最佳性能，请避免在句子中间断开声音以避免丢失一些上下文字信息。 处理此问题的一种方法是使用PyDub开源Python软件包来拆分声频文件。​

代码块

from pydub import AudioSegment​
​
song = AudioSegment.from_mp3("good_morning.mp3")​
​
# PyDub handles time in milliseconds​
ten_minutes = 10 * 60 * 1000​
​
first_10_minutes = song[:ten_minutes]​
​
first_10_minutes.export("good_morning_10.mp3", format="mp3")​

语音转文本（Speech to text）​

语音转文本（Speech to text）