主要观点：2025 年 3 月 OpenAI 推出新语音转文本模型，支持实时转录已完成和正在进行的音频，其在多种应用中有用，提供了实时转录 API 可通过 WebSocket 或 webRTC 调用，本文聚焦 Java WebSocket 实现。
关键信息：

• 推出模型：gpt-4o-mini-transcribe和gpt-4o-transcribe。
• 应用场景：语音助手、实时字幕、交互语音应用、会议转录和无障碍工具等。
• WebSockets：双向通信协议，用于客户端与服务器间的持续通信，与 HTTP 不同。
• WebSocket 方法：OnOpen()、onMessage()、onClose()、onError()。
• 实现步骤：添加 Java-WebSocket 依赖，创建SimpleOpenAITranscription和TranscriptionWebSocketClient类，建立连接、设置转录会话、分块流式传输音频数据、实时接收和处理响应。
  重要细节：
• 连接建立：client.connect()，WebSocket 地址为wss://api.openai.com/v1/realtime?intent=transcription，需设置请求头Authorization和openai-beta。
• 配置会话：创建config消息，指定模型名、语言、语音活动检测等，如sendInitialConfig()方法。
• 音频传输：使用input_audio_buffer.append消息类型发送音频块，可手动提交消息以获取转录结果，如sendAudioChunk()和commitAndClearBuffer()方法。
• 接收响应：在onMessage()方法中处理服务器消息，获取转录结果等，如Transcription: + response.getString("transcript")。
• 优化建议：创建计数锁存器跟踪转录会话，调整语音活动检测参数，妥善存储 API 密钥，定期处理音频缓冲区，添加延迟防止连接过载，正确关闭连接等。