OpenAI API 语音转文字和文字转语音怎么调：gpt-transcribe 转写、25 MB 限制，以及多个语音模型的停服日期

本文根据 OpenAI 官方《File transcription》和《Text to speech》整理，资料核对于 2026-11-05。配图为本站整理的示意图，不是界面截图。代码里的模型名取自官方当天页面，请以官方模型页为准。本站（bigolab.com）不是 OpenAI 官方网站。API 是按用量计费的独立服务，与 ChatGPT 订阅分开计算，Key 的获取见 /guides/openai-api-key。

适用于谁

• 想把会议录音、访谈、课程音频转成文字的开发者；
• 想给自己的应用加朗读功能，又看到网上教程里的 tts-1、whisper-1 不知道还能不能用的人；
• 已经能发出第一个请求（见 /guides/openai-api-python-quickstart）的人。

结论先说

1. 语音转文字：官方现在推荐用 gpt-transcribe 转写已经录好的语音，端点是 /v1/audio/transcriptions。
2. 旧模型在走向停服：whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 和 /v1/audio/translations 官方标为弃用，将在 2027 年 2 月 26 日停止服务。
3. 文字转语音：tts-1、tts-1-hd、gpt-4o-mini-tts 同样已弃用，将在 2027 年 1 月 6 日停止服务，官方指向 Realtime API。
4. 文件上限 25 MB，支持 mp3、mp4、mpeg、mpga、m4a、wav、webm。
5. 以上日期和推荐都以官方当天页面为准，这类接口变化比较快，写代码前先看一眼官方弃用公告。

图：本站根据 OpenAI 官方《File transcription》 和 《Text to speech》 整理的示意图

一、语音转文字：最短的例子

Python：

python
from openai import OpenAI

client = OpenAI()

with open("audio.wav", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",  # 以官方模型页当天为准
        file=audio_file,
    )

print(transcription.text)

Node.js（保存为 .mjs）：

javascript
import fs from "fs";
import OpenAI from "openai";

const openai = new OpenAI();

const transcription = await openai.audio.transcriptions.create({
  file: fs.createReadStream("audio.wav"),
  model: "gpt-transcribe", // 以官方模型页当天为准
});

console.log(transcription.text);

官方说，返回的 JSON 里有转写文本，也有检测到的语言，比如：

json
{
  "text": "Bonjour, pouvez-vous m'entendre ?",
  "languages": [{ "code": "fr" }]
}

当模型无法可靠判断语言时，会返回 "languages": []。

二、让专有名词更准：prompt、keywords、languages

官方给 gpt-transcribe 提供了三个辅助信息：

• prompt：关于这段录音的非结构化背景，比如“一通关于高级套餐和账号 AC-42 的客服电话”；
• keywords：你预期会听到的字面词；
• languages：预期的输入语言。

Python 示例（官方写法，keywords 和 languages 通过 extra_body 传）：

python
with open("meeting.wav", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="一通关于高级套餐和账号 AC-42 的客服电话。",
        extra_body={
            "keywords": ["高级套餐", "AC-42", "账单"],
            "languages": ["zh-cn", "en"],
        },
    )
print(transcription.text)

注意几条官方规则：

• 关键词只是提示，不是必须出现的输出。只放相关的词，并自己评估它们有没有让准确度变好，同时没有让没说过的词冒出来；
• 对 gpt-transcribe，languages（复数）取代旧的 language，两个不要同时发；
• 每个关键词必须单独一行，不能含 <、>、回车或换行；
• 只要触犯上面的字符规则，或者 prompt 超过模型的长度限制，整个请求会被拒绝；
• languages 的格式：ISO 639-1 代码（如 en、es、fr）、部分 ISO 639-3 代码（如 yue、cmn），以及地区性的中文代码（如 zh-cn、zh-tw、zh-hk）；不支持或格式错的代码会被拒绝。示例里的 zh-cn 取自官方列出的格式，具体哪些代码可用以官方当天文档为准。

图：本站根据 OpenAI 官方《File transcription》 整理的示意图，处理办法为本站补充

三、文件超过 25 MB 怎么办

官方说：转写接口接受最大 25 MB 的文件。更大的录音，用压缩格式，或者切成每块不超过 25 MB 的片段。不要在一句话中间切开，那样会丢失上下文、降低准确度。官方示例用的是开源 Python 包 PyDub 来切分（官方注明不对第三方软件的可用性和安全性做保证）：

python
from pydub import AudioSegment

song = AudioSegment.from_wav("good_morning.wav")
ten_minutes = 10 * 60 * 1000          # PyDub 以毫秒计时
first_10_minutes = song[:ten_minutes]
first_10_minutes.export("good_morning_10.wav", format="wav")

分段转写后，如果想让后一段延续前一段的上下文，官方在提示词一节说过可以把上一段的内容作为背景使用，具体做法以官方当天文档为准。

四、边转写边出文字

官方说，对已经录好的文件也可以流式返回：设 stream=True，会先收到一串 transcript.text.delta 事件，最后收到包含完整文本的 transcript.text.done 事件，对 gpt-transcribe，最终事件里还会带检测到的语言。事件循环的写法和文字流式一样，见 /guides/openai-api-streaming。

麦克风、通话这种还在持续到来的音频，官方明确说要用 Realtime transcription，而不是上面的文件流式。Realtime 的概念见 /guides/openai-api-realtime。

五、文字转语音：官方已标为弃用

官方 Text to speech 页顶部的提示：tts-1、tts-1-hd、gpt-4o-mini-tts 已弃用，2027 年 1 月 6 日停止服务；请迁移到 Realtime API 里的 gpt-realtime-2.1-mini。官方强调，这是 API 工作流的变化，gpt-realtime-2.1-mini 不是 /v1/audio/speech 支持的模型，不能只改个模型名。现有集成在停服前仍可使用下面的 speech 接口。

官方页上仍保留的现有写法（Python）：

python
from pathlib import Path
from openai import OpenAI

client = OpenAI()
speech_file_path = Path("speech.mp3")

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",   # 已弃用，仅供现有集成参考
    voice="coral",
    input="今天是做点大家喜欢的东西的好日子。",
    instructions="用愉快积极的语气说。",
) as response:
    response.stream_to_file(speech_file_path)

官方对这个接口的说明：默认输出 MP3，也支持 opus、aac、flac、wav、pcm；声音（voice）有 13 种，官方说目前针对英语优化，也能生成其他语言；追求最快响应推荐 wav 或 pcm 格式。

还有一条使用政策：官方使用政策要求你向终端用户明确披露，他们听到的 TTS 声音是 AI 生成的，而不是真人。

新项目如果需要语音输出，本文不给出自写的替代方案，因为官方的替代方向走 Realtime，工作流不同，请直接看官方 Realtime 指南。

六、翻译接口

/v1/audio/translations（把录音翻译成英文）已弃用，到 2027 年 2 月 26 日停止服务。官方说迁移目标是 Realtime translation，而且它需要翻译会话、流式音频输入和翻译事件，只改模型名并不等于迁移完成。

常见问题

Q：我看到的教程里用 whisper-1，还能用吗？

官方写的是弃用、将在 2027 年 2 月 26 日停止服务，停服前现有集成仍可使用。新项目建议从 gpt-transcribe 开始。

Q：需要说话人区分、逐词时间戳、字幕格式怎么办？

官方说这些专门示例目前用的是弃用模型，仅为现有集成保留到停服。需要时按官方当天的转写工作流页面选择当前方案。

Q：转写要花多少钱？

价格以官方价格页当天为准，见 /guides/openai-api-price-official-table。

参考资料

• OpenAI 官方：File transcription — https://developers.openai.com/api/docs/guides/speech-to-text
• OpenAI 官方：Text to speech — https://developers.openai.com/api/docs/guides/text-to-speech