BroadRouter
Loslegen

Abtastrate (Sample Rate)

Aktualisiert

Die Abtastrate (Sample Rate) ist die Zahl der Audio-Samples, die pro Sekunde erfasst werden, gemessen in Hertz (Hz). Spracherkennungsmodelle erwarten meist 16.000 Hz (16 kHz) mono. Zusammen mit Bittiefe und Kanalzahl bestimmt die Abtastrate, wie groß eine unkomprimierte Audiodatei pro Minute ist.

Auch genannt: Abtastrate, Samplerate, Abtastfrequenz, Sample Rate, 16-kHz-Audio, sample rate, sampling rate, sampling frequency, audio sample rate, 16 kHz audio

Die Abtastrate ist die erste Zahl, die Sie prüfen sollten, wenn eine Audiodatei zu groß ist oder eine Transkriptionsanfrage abgelehnt wird.

So funktioniert es

Digitales Audio speichert die Schallwelle als Liste von Zahlen, eine pro Sample. Bei 16.000 Hz sind das 16.000 Zahlen pro Sekunde und Kanal. Jede Zahl belegt bei 16 Bit Tiefe 2 Bytes. Die Größe einer unkomprimierten WAV-Datei ist daher:

bytes per second = sample rate x bytes per sample x channels
16 kHz, 16-bit, mono:    16,000 x 2 x 1 = 32,000 B/s  -> x 60 = 1,920,000 B per minute
44.1 kHz, 16-bit, stereo: 44,100 x 2 x 2 = 176,400 B/s -> x 60 = 10,584,000 B per minute

Sprachmodelle werden meist mit 16-kHz-Audio trainiert. Der Whisper-Code von OpenAI setzt SAMPLE_RATE = 16000 und lädt jede Datei über ffmpeg mit -ac 1 -ar 16000. In der FFmpeg-Dokumentation setzt -ar die Abtastfrequenz des Audios und -ac die Zahl der Kanäle.

Warum es wichtig ist

  • Dateigrößenlimits. Eine Stereo-WAV in CD-Qualität ist 10.584.000 / 1.920.000 = 5,5-mal so groß wie 16 kHz mono, ohne jeden Gewinn für ein 16-kHz-Modell.
  • Upload-Zeit. Kleinere Dateien erreichen die API schneller, was bei Voicebots zählt.
  • Kompatibilität. Werkzeuge wie Voice Activity Detection akzeptieren nur bestimmte Raten (WebRTC VAD nimmt 8, 16, 32 oder 48 kHz).
  • Nicht hochrechnen. Wer einen Telefonmitschnitt mit 8 kHz auf 16 kHz umrechnet, verdoppelt die Dateigröße, gewinnt aber kein Detail.

Bei BroadNet Inference

Der Transkriptions-Endpoint von BroadNet akzeptiert WAV oder MP3 bis 26.214.400 Bytes (25 MiB) pro Datei. Die Dokumentation konvertiert WhatsApp-Sprachnachrichten (.ogg) und .m4a-Aufnahmen so:

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

So viel Audio passt als 16-Bit-WAV in eine Anfrage:

Format Bytes pro Minute Passt in 26.214.400 Bytes
16 kHz mono 1.920.000 26.214.400 / 1.920.000 = 13,65 min, etwa 13 min 39 s
44,1 kHz stereo 10.584.000 2,48 min, etwa 2 min 29 s

Teilen Sie längere Aufnahmen in 10-Minuten-Segmente (600 s x 32.000 B/s = je 19.200.000 Bytes), wie die Anleitung zu WhatsApp-Sprachnachrichten zeigt, oder senden Sie MP3, das pro Minute weit kleiner ist. Setzen Sie immer language. Abgerechnet wird pro Audiominute, nicht pro Byte: Die Abtastrate ändert also die Upload-Größe, nicht den Preis. Kosten prüfen Sie im Speech-to-Text-Kostenrechner. Den größeren Zusammenhang erklärt Speech-to-Text.

Häufige Fragen

Welche Abtastrate sollte ich für Speech-to-Text verwenden?

16 kHz mono ist die übliche Wahl. Whisper rechnet jede Eingabe auf 16.000 Hz um, und die Dokumentation von BroadNet konvertiert Sprachnachrichten mit ffmpeg -ar 16000 -ac 1.

Wie groß ist eine Minute WAV mit 16 kHz?

Bei 16 Bit mono sind es 16.000 Samples x 2 Bytes x 60 Sekunden = 1.920.000 Bytes, etwa 1,92 MB, plus ein kleiner Header.

Verbessert eine höhere Abtastrate die Transkription?

Nicht, wenn das Modell mit 16 kHz arbeitet, denn es rechnet das Audio ohnehin herunter. Eine höhere Rate macht nur den Upload größer.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen