La frecuencia de muestreo es el primer número que conviene revisar cuando un archivo de audio es demasiado grande o se rechaza una solicitud de transcripción.
Cómo funciona
El audio digital guarda la onda sonora como una lista de números, uno por muestra. A 16,000 Hz hay 16,000 números por segundo por canal. Cada número ocupa 2 bytes con 16 bits de profundidad. Por eso, el tamaño de un WAV sin comprimir es:
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
Los modelos de voz suelen entrenarse con audio a 16 kHz. El código de Whisper de OpenAI fija SAMPLE_RATE = 16000 y carga cada archivo con ffmpeg usando -ac 1 -ar 16000. En la propia documentación de FFmpeg, -ar fija la frecuencia de muestreo del audio y -ac el número de canales.
Por qué importa
- Límites de tamaño. Un WAV estéreo con calidad de CD es 10,584,000 / 1,920,000 = 5.5 veces más grande que uno a 16 kHz mono, sin ninguna ganancia para un modelo de 16 kHz.
- Tiempo de subida. Los archivos más pequeños llegan antes a la API, algo importante en los bots de voz.
- Compatibilidad. Herramientas como la detección de actividad de voz solo aceptan ciertas frecuencias (WebRTC VAD admite 8, 16, 32 o 48 kHz).
- No suba la frecuencia. Convertir una llamada telefónica de 8 kHz a 16 kHz duplica el tamaño del archivo pero no añade detalle.
En BroadNet Inference
El endpoint de transcripción de BroadNet acepta WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por archivo. Su documentación convierte las notas .ogg de WhatsApp y las grabaciones .m4a con:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Cuánto audio cabe en una solicitud como WAV de 16 bits:
| Formato | Bytes por minuto | Cabe en 26,214,400 bytes |
|---|---|---|
| 16 kHz mono | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 min, unos 13 min 39 s |
| 44.1 kHz estéreo | 10,584,000 | 2.48 min, unos 2 min 29 s |
Para algo más largo, divídalo en segmentos de 10 minutos (600 s x 32,000 B/s = 19,200,000 bytes cada uno), como muestra la guía de notas de voz de WhatsApp, o envíe MP3, que ocupa mucho menos por minuto. Indique siempre language. La facturación es por minuto de audio, no por byte, así que la frecuencia de muestreo cambia el tamaño de la subida pero no el precio; revise los costos en la calculadora de costo de voz a texto. Para el panorama completo, vea voz a texto.