OpenAI 音频转录流式事件

转录流式事件

事件：transcript.text.segment

说话人分离转录返回带说话人信息的完整片段时发出。仅在创建转录时将stream设为true，且response_format设为diarized_json时发出。

结构定义

结构名称：TranscriptTextSegmentEvent

• id: string

片段的唯一标识。

• end: number（双精度浮点数）

片段结束时间戳，单位为秒。

• speaker: string

此片段的说话人标签。

• start: number（双精度浮点数）

片段开始时间戳，单位为秒。

• text: string

此片段的转录文本。

• type: "transcript.text.segment"

事件类型，固定为transcript.text.segment。

• "transcript.text.segment"

示例

中文说明：以下为原文配置、命令或事件示例，字段名、枚举、标识符及数值保留。

代码内文字译释：

• 你好，我需要说话人分离方面的帮助。

{
  "type": "transcript.text.segment",
  "id": "seg_002",
  "start": 5.2,
  "end": 12.8,
  "text": "Hi, I need help with diarization.",
  "speaker": "A"
}

事件：transcript.text.delta

有新增文本增量时发出，也是转录开始后发出的首个事件。仅在创建转录时将Stream参数设为true时发出。

结构定义

结构名称：TranscriptTextDeltaEvent

• delta: string

新增转录的文本增量。

• type: "transcript.text.delta"

事件类型，固定为transcript.text.delta。

• "transcript.text.delta"

• logprobs: optional array of object { token, bytes, logprob }

增量的对数概率。仅在创建转录时将include[]设为logprobs时包含。

• token: optional string

用于计算对数概率的词元。

• bytes: optional array of number

用于计算对数概率的字节。

• logprob: optional number

词元的对数概率。

• segment_id: optional string

此增量所属的说话人分离片段标识。仅在使用gpt-4o-transcribe-diarize时存在。

示例

中文说明：以下为原文配置、命令或事件示例，字段名、枚举、标识符及数值保留。

代码内文字译释：

• wonderful：美好的。（原词元保留开头空格。）

{
  "type": "transcript.text.delta",
  "delta": " wonderful"
}

事件：transcript.text.done

转录完成时发出，包含完整转录文本。仅在创建转录时将Stream参数设为true时发出。

结构定义

结构名称：TranscriptTextDoneEvent

• text: string

转录得到的文本。

• type: "transcript.text.done"

事件类型，固定为transcript.text.done。

• "transcript.text.done"

• languages: optional array of TranscriptionLanguage

音频中检测到的语言，由gpt-transcribe返回。空数组表示无法可靠检测出任何语言。

• code: string

音频中检测到的语言代码。

• logprobs: optional array of object { token, bytes, logprob }

转录中各词元的对数概率。仅在创建转录时将include[]设为logprobs时包含。

• token: optional string

用于计算对数概率的词元。

• bytes: optional array of number

用于计算对数概率的字节。

• logprob: optional number

词元的对数概率。

• usage: optional object { input_tokens, output_tokens, total_tokens, 2 more }

按词元用量计费的模型的用量统计。

• input_tokens: integer

本次请求计费的输入词元数量。

• output_tokens: integer

生成的输出词元数量。

• total_tokens: integer

使用的总词元数量，即输入加输出。

• type: "tokens"

用量对象类型，此变体固定为tokens。

• "tokens"

• input_token_details: optional object { audio_tokens, text_tokens }

本次请求计费输入词元的详情。

• audio_tokens: optional integer

本次请求计费的音频词元数量。

• text_tokens: optional integer

本次请求计费的文本词元数量。

示例

中文说明：以下为原文配置、命令或事件示例，字段名、枚举、标识符及数值保留。

代码内文字译释：

• 我看见蓝天白云，明亮美好的白昼、幽暗神圣的夜晚；我心想，这世界多么美好。

{
  "type": "transcript.text.done",
  "text": "I see skies of blue and clouds of white, the bright blessed days, the dark sacred nights, and I think to myself, what a wonderful world.",
  "usage": {
    "type": "tokens",
    "input_tokens": 14,
    "input_token_details": {
      "text_tokens": 10,
      "audio_tokens": 4
    },
    "output_tokens": 31,
    "total_tokens": 45
  }
}