BroadRouter
Comenzar

Frecuencia de muestreo (sample rate)

Actualizado

La frecuencia de muestreo es la cantidad de muestras de audio capturadas por segundo, medida en hercios (Hz). Los modelos de reconocimiento de voz suelen esperar audio mono a 16,000 Hz (16 kHz). Junto con la profundidad de bits y el número de canales, determina cuánto ocupa por minuto un archivo de audio sin comprimir.

También llamado: tasa de muestreo, frecuencia de muestreo de audio, audio a 16 kHz, sample rate, sampling rate, sampling frequency, audio sample rate, 16 kHz audio

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.

Preguntas frecuentes

¿Qué frecuencia de muestreo debo usar para voz a texto?

16 kHz mono es la opción habitual. Whisper remuestrea toda la entrada a 16,000 Hz, y la documentación de BroadNet convierte las notas de voz con ffmpeg -ar 16000 -ac 1.

¿Cuánto ocupa un minuto de WAV a 16 kHz?

En 16 bits mono, 16,000 muestras x 2 bytes x 60 segundos = 1,920,000 bytes, unos 1.92 MB, más una pequeña cabecera.

¿Una frecuencia de muestreo más alta mejora la transcripción?

No si el modelo trabaja a 16 kHz, porque de todos modos reduce el audio a esa frecuencia. Una frecuencia más alta solo hace más grande la subida.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity