译者说明：译自 OpenAI 官方 Cookbook。模型名与参数名原样保留。 值得配着站上那篇给 Whisper 写提示词读——那一篇讲的技巧，在新模型上换了一种形态。
关于日期：Cookbook 是持续更新的仓库，页面上没有发布日期。本文的日期取自 OpenAI 官方 Cookbook 索引（
registry.yaml）里为这一篇登记的日期，也就是这份内容第一次被生产出来的时间。
没变的部分
整体结构还是那一套：处理完整录音走音频接口，实时场景走长连接会话，应用照样是「送音频、拿文字、处理报错」。
变了的三处
① 换模型
| 原来 | 现在 |
|---|---|
whisper-1（处理完整录音） |
gpt-transcribe |
gpt-realtime-whisper（实时字幕） |
gpt-live-transcribe |
实时场景里如果更看重准确度，也可以在会话里用 gpt-transcribe——它按提交的音频块来处理。
② 参数换了一套
- 原来只有一个
language提示，现在是languages数组，支持一段录音里有多种语言 - 新增
keywords，专门放领域词汇（产品名、编号、专有名词）——这和自由文本的prompt是分开的两样 - 实时模型多了一个
delay，用来在「快」和「准」之间调
第二条是最实际的改进。 原来要把专有名词塞进一段自由文本的提示里，现在有了专门的位置——原文说这样能减少幻觉，也更准。
③ 输出格式收窄了
新模型默认返回 JSON。Whisper 那种灵活的多格式（纯文本、详细 JSON、SRT、VTT）没有了。
得到了什么
- 完整录音也能边转边出。 处理过程中就有增量事件，界面可以逐步更新，不用一直空等
- 返回里带语言检测结果
- 专有名词单独给，比塞在提示里准
失去了什么
原文老实列了四样没有直接替代的：
- 字幕格式 —— 要原生的 SRT 或 VTT，得继续用 Whisper
- 时间戳 —— 要词级或段级的时间信息，得用明确支持的模型
- 翻译 —— 翻译是另一个接口，新模型不做
- 说话人分离 —— 要说话人标签，用专门的那个模型
这四条决定了「能不能直接换」。 如果你的流程依赖其中任何一样，直接把模型名替换掉就会坏。
六个容易踩的坑
① 把「输出流式」当成「输入实时」。 原文的原话：流式说的是转录输出，不是音频输入。 一个已经录完的文件也能边转边出事件，但文件必须已经存在。
② 语言提示的新旧参数一起发。 老的 language 和新的 languages 同时给，请求直接坏掉。另外，keywords 只是提示，不是强制——它不保证一定出现在结果里。
③ 把空的语言检测结果当成报错。 空数组是合法的返回，意思是「没法可靠判断」，不是「处理失败」。
④ 以为新模型不能用在实时会话里。 能用，只是按提交的音频块处理，不是连续处理。
⑤ 以为所有转录模型在实时会话里功能一样。 不一样——不同模型支持的语音活动检测和延迟控制不同。
⑥ 换之前没查格式兼容。 见上面那四条「失去了什么」。
一句可以带走的
这一篇的价值不在于具体的参数，在于它示范了一份诚实的迁移文档长什么样：
它把「失去了什么」和「得到了什么」放在同样的篇幅里讲。
而绝大多数升级说明只讲后者。下次评估任何一次「新版本更好」的时候，先去找那份「失去了什么」的清单——找不到的话，那份清单仍然存在，只是没人写给你。