Skip to Content
ModelosTranscrição GPT

Série de transcrição GPT

Os modelos de transcrição de voz da OpenAI: envie o áudio por POST /v1/audio/transcriptions e receba o texto.

IDs de modelo (copie exatamente)
GPT Transcribeopenai/gpt-transcribeCobrança por segundos de áudio
GPT-4o mini Transcribeopenai/gpt-4o-mini-transcribeCobrança por token

Os parâmetros gerais do endpoint estão em Audio Transcriptions API. Os preços atualizados estão na página do modelo . Se precisar de timestamps por palavra ou separação de falantes, use o ElevenLabs Scribe v2.

Exemplos de chamada

gpt_transcribe.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/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)

Parâmetros e cobrança

ResumoAo transcrever mandarim, envie language e prompt juntos, indicando chinês simplificado; caso contrário, a saída pode vir em caracteres tradicionais.
ItemDescrição
language e promptNos testes, com gpt-transcribe recebendo apenas language: "zh", 1 em cada 4 execuções ainda saiu em chinês tradicional; ao enviar também prompt: "以下是普通话的句子，请使用简体中文。" (instrução em chinês: “as frases a seguir estão em mandarim; use chinês simplificado”), as 4 execuções saíram em chinês simplificado
response_formatApenas json (padrão). verbose_json, text, srt e vtt retornam 400
Conteúdo retornadotext e usage, sem timestamps por palavra
Cobrançagpt-transcribe cobra por segundos de áudio, com usage no formato {"type": "duration", "seconds": ...}; gpt-4o-mini-transcribe cobra por token, com input_tokens e output_tokens em usage

Nos testes, um diálogo em chinês de cerca de 9 segundos foi transcrito em cerca de 2 a 3 segundos.

Erros comuns

HTTPMensagem de erro originalCausaSolução
400response_format 'verbose_json' is not compatible with model 'gpt-transcribe'.Os modelos de transcrição GPT não suportam verbose_jsonUse json
400Unsupported response_format 'srt'. Only 'json' and 'verbose_json' are supported on this gatewayFoi usado text, srt ou vttUse json
400Unsupported file format txtO arquivo enviado não é de áudioEnvie áudio como mp3 ou wav

Mais erros em Audio Transcriptions API.

Documentação oficial

Perguntas frequentes

A transcrição GPT de chinês saiu em caracteres tradicionais?

Envie language: "zh" junto com prompt: "以下是普通话的句子，请使用简体中文。". Nos testes, só com language a saída ainda vinha às vezes em chinês tradicional; com o prompt, passou a sair consistentemente em chinês simplificado.

A transcrição GPT pode gerar legendas srt?

Não, apenas json é suportado. Se precisar de timestamps para gerar legendas, use o ElevenLabs Scribe v2, que retorna os tempos de início e fim de cada palavra.

Como são cobrados o gpt-transcribe e o gpt-4o-mini-transcribe?

O gpt-transcribe é cobrado por segundos de áudio; o gpt-4o-mini-transcribe é cobrado por token, com o consumo em usage na resposta. Os preços unitários estão na página do modelo.

Última atualização em
Gemini TTSDeepSeek