OpenAI API 語音轉文字和文字轉語音怎麼調：gpt-transcribe 轉寫、25 MB 限制，以及多個語音模型的停服日期

本文根據 OpenAI 官方《File transcription》和《Text to speech》整理，資料核對於 2026-11-05。配圖為本站整理的示意圖，不是介面截圖。代碼裏的模型名取自官方當天頁面，請以官方模型頁為準。本站（bigolab.com）不是 OpenAI 官方網站。API 是按用量計費的獨立服務，與 ChatGPT 訂閱分開計算，Key 的獲取見 /guides/openai-api-key。

適用於誰

• 想把會議錄音、訪談、課程音頻轉成文字的開發者；
• 想給自己的應用加朗讀功能，又看到網上教學裏的 tts-1、whisper-1 不知道還能不能用的人；
• 已經能發出第一個請求（見 /guides/openai-api-python-quickstart）的人。

結論先說

1. 語音轉文字：官方現在推薦用 gpt-transcribe 轉寫已經錄好的語音，端點是 /v1/audio/transcriptions。
2. 舊模型在走向停服：whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 和 /v1/audio/translations 官方標為棄用，將在 2027 年 2 月 26 日停止服務。
3. 文字轉語音：tts-1、tts-1-hd、gpt-4o-mini-tts 同樣已棄用，將在 2027 年 1 月 6 日停止服務，官方指向 Realtime API。
4. 文件上限 25 MB，支持 mp3、mp4、mpeg、mpga、m4a、wav、webm。
5. 以上日期和推薦都以官方當天頁面為準，這類接口變化比較快，寫代碼前先看一眼官方棄用公告。

圖：本站根據 OpenAI 官方《File transcription》 和 《Text to speech》 整理的示意圖

一、語音轉文字：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",  # 以官方模型頁當天為準
        file=audio_file,
    )

print(transcription.text)

Node.js（儲存為 .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", // 以官方模型頁當天為準
});

console.log(transcription.text);

官方說，返回的 JSON 裏有轉寫文本，也有檢測到的語言，比如：

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

當模型無法可靠判斷語言時，會返回 "languages": []。

二、讓專有名詞更準：prompt、keywords、languages

官方給 gpt-transcribe 提供了三個輔助資訊：

• prompt：關於這段錄音的非結構化背景，比如“一通關於高級套餐和帳號 AC-42 的客服電話”；
• keywords：你預期會聽到的字面詞；
• languages：預期的輸入語言。

Python 示例（官方寫法，keywords 和 languages 通過 extra_body 傳）：

python
with open("meeting.wav", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="一通關於高級套餐和帳號 AC-42 的客服電話。",
        extra_body={
            "keywords": ["高級套餐", "AC-42", "帳單"],
            "languages": ["zh-cn", "en"],
        },
    )
print(transcription.text)

注意幾條官方規則：

• 關鍵詞只是提示，不是必須出現的輸出。只放相關的詞，並自己評估它們有沒有讓準確度變好，同時沒有讓沒說過的詞冒出來；
• 對 gpt-transcribe，languages（複數）取代舊的 language，兩個不要同時發；
• 每個關鍵詞必須單獨一行，不能含 <、>、回車或換行；
• 只要觸犯上面的字符規則，或者 prompt 超過模型的長度限制，整個請求會被拒絕；
• languages 的格式：ISO 639-1 代碼（如 en、es、fr）、部分 ISO 639-3 代碼（如 yue、cmn），以及地區性的中文代碼（如 zh-cn、zh-tw、zh-hk）；不支持或格式錯的代碼會被拒絕。示例裏的 zh-cn 取自官方列出的格式，具體哪些代碼可用以官方當天文檔為準。

圖：本站根據 OpenAI 官方《File transcription》 整理的示意圖，處理辦法為本站補充

三、文件超過 25 MB 怎麼辦

官方說：轉寫接口接受最大 25 MB 的文件。更大的錄音，用壓縮格式，或者切成每塊不超過 25 MB 的片段。不要在一句話中間切開，那樣會丟失上下文、降低準確度。官方示例用的是開源 Python 包 PyDub 來切分（官方註明不對第三方軟件的可用性和安全性做保證）：

python
from pydub import AudioSegment

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

分段轉寫後，如果想讓後一段延續前一段的上下文，官方在提示詞一節說過可以把上一段的內容作為背景使用，具體做法以官方當天文檔為準。

四、邊轉寫邊出文字

官方說，對已經錄好的文件也可以流式返回：設 stream=True，會先收到一串 transcript.text.delta 事件，最後收到包含完整文本的 transcript.text.done 事件，對 gpt-transcribe，最終事件裏還會帶檢測到的語言。事件循環的寫法和文字流式一樣，見 /guides/openai-api-streaming。

麥克風、通話這種還在持續到來的音頻，官方明確說要用 Realtime transcription，而不是上面的文件流式。Realtime 的概念見 /guides/openai-api-realtime。

五、文字轉語音：官方已標為棄用

官方 Text to speech 頁頂部的提示：tts-1、tts-1-hd、gpt-4o-mini-tts 已棄用，2027 年 1 月 6 日停止服務；請遷移到 Realtime API 裏的 gpt-realtime-2.1-mini。官方強調，這是 API 工作流的變化，gpt-realtime-2.1-mini 不是 /v1/audio/speech 支持的模型，不能只改個模型名。現有集成在停服前仍可使用下面的 speech 接口。

官方頁上仍保留的現有寫法（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",   # 已棄用，僅供現有集成參考
    voice="coral",
    input="今天是做點大家喜歡的東西的好日子。",
    instructions="用愉快積極的語氣說。",
) as response:
    response.stream_to_file(speech_file_path)

官方對這個接口的說明：預設輸出 MP3，也支持 opus、aac、flac、wav、pcm；聲音（voice）有 13 種，官方說目前針對英語優化，也能生成其他語言；追求最快響應推薦 wav 或 pcm 格式。

還有一條使用政策：官方使用政策要求你向終端用戶明確披露，他們聽到的 TTS 聲音是 AI 生成的，而不是真人。

新項目如果需要語音輸出，本文不給出自寫的替代方案，因為官方的替代方向走 Realtime，工作流不同，請直接看官方 Realtime 指南。

六、翻譯接口

/v1/audio/translations（把錄音翻譯成英文）已棄用，到 2027 年 2 月 26 日停止服務。官方說遷移目標是 Realtime translation，而且它需要翻譯會話、流式音頻輸入和翻譯事件，只改模型名並不等於遷移完成。

常見問題

Q：我看到的教學裏用 whisper-1，還能用嗎？

官方寫的是棄用、將在 2027 年 2 月 26 日停止服務，停服前現有集成仍可使用。新項目建議從 gpt-transcribe 開始。

Q：需要說話人區分、逐詞時間戳、字幕格式怎麼辦？

官方說這些專門示例目前用的是棄用模型，僅為現有集成保留到停服。需要時按官方當天的轉寫工作流頁面選擇當前方案。

Q：轉寫要花多少錢？

價格以官方價格頁當天為準，見 /guides/openai-api-price-official-table。

參考資料

• 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