OpenAI新转录模型使用指南：3分钱/分钟把语音转成文字，5分钟上手（附代码）

7月29日，OpenAI发布了两款新转录模型：GPT-Transcribe和GPT-Live-Transcribe。前者适合把录好的音频批量转成文字，每分钟只要0.0045美元，约合人民币3分钱；后者适合实时字幕和在线会议，每分钟约0.12元。

这篇文章带你从零开始，用Python把一段录音转成文字，再扩展到3个实用场景。

一、准备工作：申请OpenAI API Key

1. 打开 platform.openai.com，登录你的OpenAI账号。
2. 点击右上角个人头像 → API keys → Create new secret key。
3. 给Key起个名字（如“transcribe-demo”），复制生成的字符串，只显示一次，务必保存好。
4. 新账号通常有5美元试用额度，足够测试。

注意：国内网络访问OpenAI API可能需要特殊环境，请自行准备。

二、安装Python环境

确保电脑已安装Python 3.11或更高版本，然后打开终端执行：

pip install --upgrade openai

安装完成后，新建一个文件夹，里面放你的音频文件，比如 meeting.wav。

三、最简示例：把录音转成文字

在同文件夹下新建 transcribe.py，写入以下代码：

import os
from openai import OpenAI

# 把这里换成你的API Key
client = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxx")

audio_file = open("meeting.wav", "rb")

transcript = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    response_format="json",
    prompt="这是一段中文会议录音，讨论的是产品上线计划。",
    extra_body={
        "keywords": ["上线", "排期", "负责人"],
        "languages": ["zh"]
    }
)

print(transcript.text)

保存后运行：

python transcribe.py

几秒后，你就会看到转录出的文字。

四、实时转录：边说边出字

如果你要做直播字幕或在线会议实时字幕，需要用 GPT-Live-Transcribe，通过OpenAI的Realtime API连接WebSocket。

这里给一个简化的Python示例（需要 websockets 库）：

import asyncio
import websockets
import json
import base64

async def live_transcribe():
    url = "wss://api.openai.com/v1/realtime?intent=transcription"
    headers = {
        "Authorization": "Bearer sk-xxxxxxxxxxxxxxxxxxxxxxxx",
        "OpenAI-Beta": "realtime=v1"
    }

    async with websockets.connect(url, extra_headers=headers) as ws:
        # 配置转录会话
        await ws.send(json.dumps({
            "type": "transcription_session.update",
            "session": {
                "input_audio_transcription": {"model": "gpt-live-transcribe"},
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # 这里循环读取麦克风音频并发送（伪代码）
        # audio_chunk = get_microphone_audio()
        # await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": base64_audio}))

        async for message in ws:
            event = json.loads(message)
            if event["type"] == "conversation.item.input_audio_transcription.completed":
                print("实时转录：", event["transcript"])

asyncio.run(live_transcribe())

完整实时音频采集需要配合PyAudio等库，这里展示的是核心逻辑。

五、3个实用场景

场景1：自动整理会议纪要

把会议录音转成文字后，再用AI提炼要点。提示词：

请根据以下会议录音文字，整理出：1. 讨论了哪几个议题；2. 每个议题的结论；3. 下一步行动项及负责人；4. 截止时间。

场景2：播客/视频字幕

自媒体人可以把视频或播客的音轨导出为MP3/WAV，用GPT-Transcribe批量生成字幕稿，再导入剪映等剪辑软件自动生成字幕。

场景3：采访录音整理

记者、写作者可以把采访录音转成文字，再用提示词区分发言人：

以下是一段采访录音文字，请按“记者：”和“受访者：”的格式整理成对话体，并标出每个人的关键观点。

六、提升准确率的3个技巧

1. 用prompt描述场景：告诉模型“这是一段客服电话”或“这是医学讲座”，准确率会明显提升。
2. 用keywords标注专有名词：人名、产品名、药品名等容易听错的词，提前写进keywords。
3. 用languages指定语言：如果录音里有中英文混说，写成 ["zh", "en"]。

七、费用参考

八、国内替代方案

如果你暂时无法使用OpenAI API，这些国内工具也能实现类似效果：

• 通义听悟：阿里云出品，支持会议记录、音视频转写，每天有免费额度。
• 讯飞听见：科大讯飞产品，中文识别准确率高，适合采访和会议。
• 飞书妙记：上传音视频自动生成文字稿和会议纪要，免费好用。

以上就是OpenAI新转录模型的完整上手教程。只要有API Key和一段录音，5分钟就能跑通。如果你用上了，欢迎回来分享效果。