Zum Hauptinhalt springen

Einführung

Die Speech-to-Text (STT)-API auf Basis der Whisper-Modelle von OpenAI kann Audiodateien in Text umwandeln. Sie unterstützt verschiedene Anwendungsfälle:
  • Transkription von Audiodateien in Text
  • Übersetzung mehrsprachiger Audios ins Englische
  • Unterstützung mehrerer Audio-Eingabeformate
  • Verschiedene Ausgabeformate
Verfügbare Modellliste:
  • whisper-large-v3 —— Neuestes großes Whisper-Modell, unterstützt mehrere Sprachen. Für chinesische Erkennung verwenden Sie geeignete Prompts und niedrige Temperaturwerte
  • whisper-1 —— Ursprüngliches Whisper-Modell, stabil und zuverlässig, unterstützt mehrere Sprachen
  • distil-whisper-large-v3-en —— Distilliertes Modell, schneller, aber leicht verringerte Genauigkeit; empfohlen mit niedrigen Temperaturwerten
Performance-Empfehlungen:
  • Für chinesische Audios wird das Modell whisper-large-v3 mit geeigneten Prompts und niedrigeren Temperaturwerten (z. B. 0.2) empfohlen, um Halluzinationen zu reduzieren
  • Für englische Audios oder schnellere Verarbeitung verwenden Sie das Modell distil-whisper-large-v3-en
  • Unterstützte Audioformate: mp3, mp4, mpeg, mpga, m4a, wav, webm
  • Dateigrößenlimit: maximal 25 MB

Modellverwendung

Sprachtranskription

Verwenden Sie den Endpoint /v1/audio/transcriptions über die Methode client.audio.transcriptions.create(), um Audio in der Originalsprache zu transkribieren.

Sprachübersetzung

Verwenden Sie den Endpoint /v1/audio/translations über die Methode client.audio.translations.create(), um Audio in englischen Text zu übersetzen.

Request-Parameter

Transkriptionsparameter

file
file
erforderlich
Audio-Datei-Objekt zur Transkription. Unterstützte Formate: mp3, mp4, mpeg, mpga, m4a, wav, webm; max. 25 MB.
model
string
erforderlich
Zu verwendende Modell-ID. Optionen: whisper-large-v3, whisper-1, distil-whisper-large-v3-en
language
string
Sprache des Eingabe-Audios im Format ISO-639-1 (z. B. „en”, „zh”). Die Angabe der Sprache kann Genauigkeit und Latenz verbessern.
prompt
string
Optionaler Text-Prompt, um den Stil des Modells zu steuern oder ein vorheriges Audiosegment fortzusetzen. Der Prompt sollte zur Audiosprache passen.
response_format
string
Ausgabeformat der Transkription. Optionen: json (Standard), text, srt, verbose_json, vtt.
temperature
number
Sampling-Temperatur zwischen 0 und 1. Höhere Werte machen die Ausgabe zufälliger, niedrigere Werte machen sie fokussierter und deterministischer. Standard: 0.
timestamp_granularities[]
array
Zeitstempel-Granularitäten. Optionen: word, segment. Nur verfügbar, wenn response_format auf verbose_json gesetzt ist.

Übersetzungsparameter

file
file
erforderlich
Zu übersetzendes Audio-Datei-Objekt. Gleiche Formate wie bei der Transkription.
model
string
erforderlich
Zu verwendende Modell-ID, identisch mit den Transkriptionsparametern.
prompt
string
Optionaler englischer Text-Prompt zur Steuerung des Übersetzungsstils.
response_format
string
Ausgabeformat der Übersetzung, identisch mit den Transkriptionsparametern.
temperature
number
Sampling-Temperatur, identisch mit den Transkriptionsparametern.

Anwendungsbeispiele

Antwortformate

JSON-Format (Standard)

Verbose-JSON-Format (verbose_json)

Text-Format

SRT-Format

VTT-Format

Best Practices

  1. Verarbeitung chinesischer Audios: Verwenden Sie das Modell whisper-large-v3, setzen Sie language="zh", temperature=0.2 und geben Sie geeignete chinesische Prompts an
  2. Verarbeitung englischer Audios: Verwenden Sie distil-whisper-large-v3-en für eine höhere Geschwindigkeit
  3. Umgang mit Geräuschen: Verwenden Sie Prompts, um das Modell anzuweisen, Hintergrundgeräusche zu ignorieren oder Stottern zu bereinigen
  4. Lange Audios: Die API segmentiert lange Audios automatisch; eine Vorverarbeitung der Audioqualität wird für beste Ergebnisse empfohlen
  5. Zeitstempel-Anforderungen: Verwenden Sie verbose_json und timestamp_granularities, wenn präzise Zeitstempel benötigt werden
  6. Untertitelerstellung: Verwenden Sie direkt das Ausgabeformat srt oder vtt, ohne weitere Nachbearbeitung

Zuletzt aktualisiert: 2026-06-01