تقبل معظم واجهات تحويل الكلام إلى نص ملفًا واحدًا بحجم نحو 25 MB في كل طلب. وتقبل BroadNet Inference ملفات WAV أو MP3 حتى 26,214,400 بايت. والاجتماع الطويل أو المحاضرة أو حلقة البودكاست تتجاوز ذلك بسهولة، فيفشل الطلب بالخطأ 413. والحل أربع خطوات: صغّر الملف، وقسّمه عند فترات الصمت، وأرسل الأجزاء بالتوازي، ثم اجمع النص من جديد.
لماذا يفشل التسجيل الطويل؟
الحد مفروض على البايتات لا على الدقائق. وعدد الدقائق التي تتسع لها يعتمد على الصيغة:
| الصيغة | بايت في الثانية | ما يتسع في 26,214,400 بايت |
|---|---|---|
| WAV، 44.1 kHz استيريو، 16 بت | 176,400 | نحو 2.5 دقيقة |
| WAV، 16 kHz أحادي، 16 بت | 32,000 | نحو 13.6 دقيقة |
| MP3، 64 kbit/s | 8,000 | نحو 54 دقيقة |
| MP3، 32 kbit/s | 4,000 | نحو 109 دقائق |
هذه عمليات حسابية بسيطة: البايتات في الثانية مضروبة في عدد الثواني. وتسجيل الهاتف أو الحاسوب المحمول يكون غالبًا بتردد 44.1 أو 48 kHz استيريو، فيملأ الحد في دقائق قليلة. والكلام لا يحتاج إلى ذلك. لذا فإن التحويل إلى 16 kHz أحادي أولًا هو أكبر مكسب منفرد.
وحين يظل الملف كبيرًا، ترفضه الواجهة مباشرة. ففي BroadNet تكون الاستجابة 413، “the request exceeds the endpoint byte or text limit” (الترجمة: الطلب يتجاوز حد البايتات أو النص لنقطة النهاية)، ولا يُفرَّغ شيء. راجع دليل رموز الأخطاء.
الخطوة 1: كيف تصغّر الملف؟
حوّله إلى 16 kHz أحادي قبل أي شيء آخر. يكفي أمر ffmpeg واحد:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
في BroadNet يجب أن يكون الناتج WAV (audio/wav) أو MP3 (audio/mpeg). وصيغ مثل .m4a و.ogg و.webm تحتاج إلى تحويل على أي حال، فأجرِ إعادة التعيين (resampling) في الخطوة نفسها.
هل تختار WAV أم MP3؟ WAV بلا فقد، فلا يضيع شيء، لكنه يملأ الحد في نحو 13 دقيقة. أما MP3 بمعدل 64 kbit/s فيتسع لأربعة أضعاف الصوت في الطلب الواحد، لكنه صيغة مع فقد. فإن استخدمت MP3، فأجرِ اختبارًا قصيرًا: فرّغ الدقائق الخمس نفسها بصيغة WAV وبصيغة MP3 وقارن النصين. ويشرح مدخل معدل العيّنات لماذا يكفي 16 kHz للكلام.
الخطوة 2: كيف تقسّم الصوت دون قطع الكلمات؟
قسّم حسب الزمن، لا حسب البايتات أبدًا. فالقطع عند موضع بايت قد يقع في منتصف إطار صوتي، فلا يمكن فك ترميز الملف. والقطع عند زمن ثابت قد يقع في منتصف كلمة. ويحذّر دليل OpenAI نفسه من التقسيم في منتصف الجملة لأنه “can remove context and reduce accuracy” (الترجمة: قد يُفقد السياق ويقلّل الدقة).
الطريقة الموثوقة هي القطع داخل فترة صمت قريبة من الطول المستهدف. وللحصول على أوامر جاهزة تناسب حجم ملفك ومدته، استخدم منشئ أوامر تقسيم الصوت المجاني. أما يدويًا فتسير العملية هكذا:
- شغّل مرشّح silencedetect في ffmpeg لسرد فجوات الصمت.
- تقدّم عبر التسجيل. وحين يبلغ الجزء نحو 10 دقائق، اقطع عند فترة الصمت التالية.
- اقطع كل جزء بـ ffmpeg، من نقطة قطع إلى التي تليها.
عشر دقائق من WAV أحادي بتردد 16 kHz تساوي 19.2 MB، فيبقى هامش تحت الحد. وإذا تكلّم متحدث مدة طويلة دون توقف، فإن السكربت أدناه يقطع عند الحد الأقصى الصارم بدلًا من ذلك.
ويستطيع segment muxer في ffmpeg أيضًا تقسيم الملف إلى أجزاء “of nearly fixed duration” (الترجمة: بمدة شبه ثابتة) بأمر واحد. وهو سريع، لكنه لا يبحث عن الصمت، فاستخدمه فقط إذا كان فقد كلمة عند كل حدّ مقبولًا، أو أضف تداخلًا (انظر أدناه).
كيف يبدو السكربت الكامل؟
يحوّل سكربت Python هذا الملف، ويقسّمه عند فترات الصمت، ويرسل حتى أربعة أجزاء في وقت واحد، ويجمع النص. ويستخدم OpenAI SDK موجّهة إلى BroadNet Inference.
# pip install openai
import os, re, subprocess, tempfile
from concurrent.futures import ThreadPoolExecutor
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
TARGET, HARD_MAX = 600, 750 # seconds: aim for 10 min, never above 12.5 min
def run(*args):
return subprocess.run(args, capture_output=True, text=True, check=True)
def silences(path):
"""Midpoints (in seconds) of silent gaps of 0.5 s or more."""
out = run("ffmpeg", "-i", path, "-af", "silencedetect=noise=-35dB:d=0.5",
"-f", "null", "-").stderr
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", out)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", out)]
return [(s + e) / 2 for s, e in zip(starts, ends)]
def duration(path):
return float(run("ffprobe", "-v", "error", "-show_entries", "format=duration",
"-of", "csv=p=0", path).stdout)
def cut_points(path):
total, gaps, cuts, last = duration(path), silences(path), [0.0], 0.0
while total - last > HARD_MAX:
ok = [g for g in gaps if last + TARGET <= g <= last + HARD_MAX]
last = ok[0] if ok else last + HARD_MAX # no silence: hard cut
cuts.append(last)
return cuts + [total]
def transcribe(chunk):
with open(chunk, "rb") as f:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=f, language="ar").text
def transcribe_long(src):
with tempfile.TemporaryDirectory() as tmp:
wav = os.path.join(tmp, "full.wav")
run("ffmpeg", "-y", "-i", src, "-ac", "1", "-ar", "16000", wav)
cuts, chunks = cut_points(wav), []
for i, (a, b) in enumerate(zip(cuts, cuts[1:])):
out = os.path.join(tmp, f"part{i:03d}.wav")
run("ffmpeg", "-y", "-i", wav, "-ss", str(a), "-to", str(b), out)
chunks.append(out)
with ThreadPoolExecutor(max_workers=4) as pool: # map() keeps order
return "\n".join(pool.map(transcribe, chunks))
print(transcribe_long("meeting.m4a"))
ملاحظات على السكربت:
- اللغة. تقول وثائق BroadNet أن ترسل
languageدائمًا؛ فمن دونها “can otherwise be transliterated into Latin letters” (الترجمة: قد تُكتب العربية بحروف لاتينية). واستخدمbroadnet/cohere-transcribeبرمز اللغة الصحيح للإنجليزية أو الفرنسية أو أي من اللغات المدعومة الأخرى. - العتبات. تناسب القيمتان
-35dBو0.5ثانية غرفة هادئة. وتحتاج الغرف الصاخبة إلى قيمة ضجيج أعلى، مثل-30dB. اطبع نقاط القطع مرة وتحقّق منها. - الترتيب. تعيد
pool.mapالنتائج بترتيب المدخلات، فيُجمع النص بالتسلسل الصحيح رغم أن الأجزاء تنتهي في أوقات مختلفة.
كم جزءًا يمكنك إرساله في وقت واحد؟
بقدر ما يسمح به مفتاحك. فمفتاح الدفع حسب الاستخدام لدى BroadNet يسمح بـ 4 طلبات قيد التنفيذ و30 طلبًا في الدقيقة، ولهذا يستخدم السكربت أربعة عمّال. والطلب الخامس في الوقت نفسه يحصل على 429. أعد محاولة استجابات 429 و5xx مع تأخير أُسّي متزايد؛ ولا تُعد محاولة 413، لأن الملف نفسه سيفشل مجددًا. ويحوي مقال كيف تتعامل مع أخطاء 429 دالة مساعدة لإعادة المحاولة يمكنك إحاطة transcribe() بها.
ومع أربعة عمّال، يصبح تسجيل مدته ساعتان بأجزاء من 10 دقائق اثني عشر طلبًا على ثلاث موجات. فيكون الوقت الإجمالي نحو ثلاث رحلات ذهاب وإياب لجزء واحد، لا اثنتي عشرة.
هل تحتاج إلى تداخل بين الأجزاء؟
لا إذا قطعت داخل فترات الصمت: فلا كلام عند الحدّ ليضيع. التداخل للقطع عند زمن ثابت. ابدأ كل جزء قبل نهاية الجزء السابق بثانية أو ثانيتين، ثم احذف الكلمات المكرّرة عند جمع النص. والطريقة المعتادة مقارنة الكلمات الأخيرة في جزء بالكلمات الأولى في الجزء التالي وحذف المتطابق.
وللتداخل تكلفة بسيطة. فثانيتان لكل جزء من 10 دقائق تضيفان نحو 0.3% إلى الصوت الذي تدفع ثمنه.
هل يستطيع الجزء التالي استخدام نص الجزء السابق كسياق؟
بعض الواجهات تسمح بذلك. إذ تذكر OpenAI “carrying context from a previous chunk of a longer recording” (الترجمة: نقل السياق من جزء سابق في تسجيل أطول) كأحد استخدامات المعامل prompt. أما المرجع التقني لواجهة BroadNet فلا يذكر للتفريغ الصوتي إلا model وlanguage وfile، ويعيد JSON فيه الحقل text. لذا تعامل في BroadNet مع كل جزء على أنه مستقل، وصحّح الأسماء والمصطلحات بعد ذلك. ومن الحلول الرخيصة إرسال النص المجمَّع إلى نموذج محادثة مع قائمة بالتهجئة الصحيحة لأسماء الأشخاص والمنتجات والأماكن.
كم يكلّف الملف الطويل؟
يُحاسَب تحويل الكلام إلى نص لكل دقيقة صوت، فلا يغيّر التقسيم الإجمالي. وبالأسعار المنشورة لدى BroadNet:
| الصوت | BroadNet Transcribe Arabic | BroadNet Transcribe (14 لغة) |
|---|---|---|
| السعر للدقيقة | $0.0042 | $0.002 |
| ساعة واحدة | $0.25 | $0.12 |
| 1,000 ساعة | $252.00 | $120.00 |
تذكر صفحة الأسعار سعرًا لكل دقيقة صوت ولا تقول شيئًا عن حد أدنى لكل ملف أو عن التقريب. راجع صفحة الاستخدام بعد أول دفعة للتأكد من أن الإجمالي يطابق طول الصوت. ونموذجا التفريغ الصوتي متاحان على الرصيد المبدئي المجاني البالغ $5، الذي يغطي نحو 1,190 دقيقة من العربية. ولتقدير تكلفة حجمك أنت، استخدم حاسبة تكلفة تحويل الكلام إلى نص؛ وللمقارنة بين المزوّدين، راجع بيانات أسعار API تحويل الكلام إلى نص.
ما الأخطاء التي ينبغي تجنّبها؟
- إرسال الملف الأصلي. ملف WAV استيريو بتردد 48 kHz أكبر بست مرات مما يلزم.
- القطع عند مواضع البايتات. لن يُفك ترميز الجزء، أو ستكون الثانية الأولى ضجيجًا.
- أجزاء عند الحد تمامًا. جزء بحجم 25.9 MB يمرّ اليوم ويفشل حين يكون التسجيل أعلى صوتًا قليلًا. اترك هامشًا.
- توازٍ بلا حدود. إطلاق 50 جزءًا دفعة واحدة يجعل معظمها يحصل على 429. اجعل عدد العمّال بحد الطلبات قيد التنفيذ للمفتاح.
- نسيان اللغة. كل جزء طلب مستقل، فيحتاج كل منها إلى
language.
متى يكون التقسيم الأداة الخطأ؟
إذا كنت تحتاج إلى تسميات المتحدثين أو توقيتات الكلمات، فلن يمنحك تقسيم الملفات لواجهة تعيد نصًا فقط ذلك. فاستجابة التفريغ الصوتي في BroadNet نص فقط. والمزوّدون الذين يعيدون فصل المتحدثين والتوقيتات يتعاملون أيضًا مع الملفات الطويلة بشكل أكثر مباشرة؛ ويقارن بينهم دليل شراء API تحويل الكلام العربي إلى نص. ولتسجيلات المكالمات الاستيريو، قسّم حسب القناة لا حسب الزمن: ويبيّن خط إنتاج مراكز الاتصال كيف.
أين تناسب BroadNet Inference
سعر BroadNet Transcribe Arabic هو $0.0042 للدقيقة، وتفيد BroadNet بأنه في المرتبة #2 من أصل 37 (وهو رقمها لشهر سبتمبر 2026؛ وأدرجته اللوحة المباشرة في المرتبة #4 من أصل 39 في 15 نوفمبر 2026) على Open Universal Arabic ASR Leaderboard. ولا يُحتفظ بالصوت ولا بالنصوص المفرَّغة بعد الطلب. وهو يناسب التفريغ الدفعي للتسجيلات العربية الطويلة بعد تقسيمها كما سبق. ولا يناسبك إذا كنت تحتاج إلى توقيتات أو تسميات متحدثين أو بث مباشر في الواجهة نفسها. ويغطي دليل تحويل الكلام العربي إلى نص الطلب الأول؛ ويغطي هذا المقال الملفات الأكبر من أن تُرسل في طلب واحد.
