OpenAI 转录概览

转录将讲话转换为文字。应根据音频是已录制完成还是实时到达来选择工作流，每种工作流都有推荐的起始模型。

选择转录工作流

工作流	适用情况	推荐模型
文件转录	有完整录音或有明确边界的音频请求。上传文件，接收最终文本，或在文件处理期间流式收取文字。	`gpt-transcribe`
实时转录	麦克风、通话或其他实时音频流，需要随语音到达获取文字。	`gpt-live-transcribe`

是否流式输出与音频是否实时到达，是两个不同的选择。完整文件也可流式转录，无需建立 Realtime 会话。只有音频实时到达或需要持久连接时才使用 Realtime。

选择专用能力

首先使用工作流推荐模型：

需要的能力	用法
检测输入语言	`gpt-transcribe` 配合文件转录。
在 WebSocket 中转录已提交的轮次	`gpt-transcribe` 配合实时转录。

既有集成也可在支持的场景使用 gpt-realtime-whisper，但不推荐将其作为新转录集成的起点。

使用已弃用模型的既有集成

whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 和 /v1/audio/translations 已弃用，将于 2027年2月26日关闭。见弃用公告。新集成应使用上方推荐的文件或实时转录工作流。

既有集成可在关闭前继续使用下列专用流程。迁移前检查应用需要的输出格式和元数据；仅更改模型 ID 不会保留全部能力。

所需能力	用法
带说话人标签的转录	`gpt-4o-transcribe-diarize` 配合文件转录。
词级时间戳或 `srt`、`vtt` 字幕	`whisper-1` 配合文件转录。
将完整录音译为英语	`whisper-1` 配合音频翻译端点。

翻译应迁移到实时翻译。它使用翻译会话和不同端点，而不是 /v1/audio/translations 的文件上传流程。

生产流量迁移前，查看转录定价，并用代表性音频测试推荐路径。

提高转录质量

gpt-transcribe 与 gpt-live-transcribe 接受三类上下文：

prompt：录音主题、场景等自由格式背景。
keywords：音频可能出现的字面术语，如产品名、药品名或缩写。
languages：录音可能包含多语言时，提供预计输入语言列表。

只提供与音频相关的上下文，不要重述转录任务。关键词是提示，不是强制输出；只有音频实际包含时，转录才应出现该关键词。

这些模型使用 languages，而非单数 language；接受单一语言提示的既有模型继续使用 language。

gpt-transcribe 在 Realtime API 会话中进行输入转录，或在专用转录会话运行时，会自动使用较早已转录轮次作为上下文。

用代表性音频测试

使用应用实际会遇到的音频条件，包括：

目标语言、口音与语码切换模式。
背景噪声、麦克风质量和电话音频。
姓名、数字、日期、字母数字串和领域术语。
短句、长录音和被打断的语音。

追踪对应用重要的错误，不要只依赖词错误率。例如，医疗工作流测试药品名，客服工作流测试订单号。

后续步骤

文件转录。
实时转录。