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.