Karamihan sa mga speech-to-text API ay tumatanggap ng iisang file na mga 25 MB kada request. Tumatanggap ang BroadNet Inference ng WAV o MP3 hanggang 26,214,400 byte. Lumalampas diyan ang mahabang meeting, lecture o podcast, at bumabagsak ang request nang may 413. Apat na hakbang ang solusyon: paliitin ang file, hatiin ito sa mga katahimikan, ipadala nang sabay ang mga piraso, at pagdugtungin ulit ang text.
Bakit bumabagsak ang mahabang recording?
Nasa byte ang limit, hindi sa minuto. Kung ilang minuto ang kasya ay depende sa format:
| Format | Byte kada segundo | Kasya sa 26,214,400 byte |
|---|---|---|
| WAV, 44.1 kHz stereo, 16-bit | 176,400 | Mga 2.5 minuto |
| WAV, 16 kHz mono, 16-bit | 32,000 | Mga 13.6 minuto |
| MP3, 64 kbit/s | 8,000 | Mga 54 minuto |
| MP3, 32 kbit/s | 4,000 | Mga 109 minuto |
Simpleng kuwenta lang ang mga ito: byte kada segundo na pinarami sa bilang ng segundo. Kadalasang 44.1 o 48 kHz stereo ang recording sa telepono o laptop, na napupuno ang limit sa ilang minuto lang. Hindi iyan kailangan ng pagsasalita. Ang pinakamalaking panalo ay ang pag-convert muna sa 16 kHz mono.
Kapag masyado pa ring malaki ang file, agad itong tinatanggihan ng API. Sa BroadNet, 413 ang response, “the request exceeds the endpoint byte or text limit” (salin: lumampas ang request sa byte o text limit ng endpoint), at walang ita-transcribe. Tingnan ang gabay sa mga error code.
Hakbang 1: paano paliitin ang file?
I-convert sa 16 kHz mono bago ang lahat. Isang ffmpeg command lang:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
Para sa BroadNet, dapat WAV (audio/wav) o MP3 (audio/mpeg) ang output. Kailangan pa ring i-convert ang mga format gaya ng .m4a, .ogg at .webm, kaya isabay na ang resampling sa parehong hakbang.
WAV ba o MP3 ang pipiliin mo? Lossless ang WAV, kaya walang nawawala, pero napupuno nito ang limit sa mga 13 minuto. Apat na beses na mas maraming audio ang kasya sa MP3 kada request sa 64 kbit/s, pero lossy ito. Kung MP3 ang gagamitin mo, magpatakbo ng maikling test: i-transcribe ang parehong limang minuto bilang WAV at bilang MP3 at ihambing ang text. Ipinapaliwanag ng entry na sample rate kung bakit sapat ang 16 kHz para sa pagsasalita.
Hakbang 2: paano hatiin ang audio nang hindi napuputol ang mga salita?
Hatiin ayon sa oras, hindi kailanman ayon sa byte. Puwedeng tumama sa gitna ng isang audio frame ang hati sa byte offset, at hindi na made-decode ang file. Puwede namang tumama sa gitna ng salita ang hati sa nakapirming oras. Nagbababala mismo ang gabay ng OpenAI laban sa paghahati sa gitna ng pangungusap dahil “can remove context and reduce accuracy” (salin: puwede nitong alisin ang context at bawasan ang accuracy).
Ang maaasahang paraan ay humati sa loob ng katahimikan na malapit sa target mong haba. Para makakuha ng handang command para sa laki at haba ng file mo, gamitin ang libreng audio splitter command builder. Kung mano-mano, ganito ito:
- Patakbuhin ang silencedetect filter ng ffmpeg para ilista ang mga tahimik na puwang.
- Daanan ang recording. Kapag umabot sa mga 10 minuto ang isang chunk, humati sa susunod na katahimikan.
- Gupitin ang bawat chunk gamit ang ffmpeg, mula sa isang cut point hanggang sa susunod.
19.2 MB ang sampung minuto ng 16 kHz mono WAV, kaya may maluwag na espasyo pa sa ilalim ng limit. Kung matagal magsalita ang isang speaker nang walang hinto, sa hard maximum hahati ang script sa ibaba.
Kaya rin ng segment muxer ng ffmpeg na hatiin ang file sa mga piraso “of nearly fixed duration” (salin: na halos nakapirmi ang haba) sa iisang command. Mabilis ito, pero hindi ito naghahanap ng katahimikan, kaya gamitin lang ito kung katanggap-tanggap ang pagkawala ng isang salita sa bawat hangganan, o magdagdag ng overlap (sa ibaba).
Ano ang hitsura ng buong script?
Kino-convert ng Python script na ito ang audio, hinahati sa mga katahimikan, nagpapadala ng hanggang apat na chunk nang sabay at pinagdudugtong ang text. Gumagamit ito ng OpenAI SDK na nakaturo sa 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"))
Mga tala tungkol sa script:
- Wika. Sabi ng docs ng BroadNet, laging ipadala ang
language; kung wala ito, ang Arabic ay “can otherwise be transliterated into Latin letters” (salin: puwedeng ma-transliterate sa Latin na letra). Gamitin angbroadnet/cohere-transcribena may tamang language code para sa English, French o alinman sa iba pa nitong suportadong wika. - Threshold. Bagay ang
-35dBat0.5segundo sa tahimik na kuwarto. Kailangan ng mas mataas na noise value ang maiingay na kuwarto, gaya ng-30dB. I-print minsan ang mga cut point at tingnan. - Pagkakasunod. Ibinabalik ng
pool.mapang resulta ayon sa pagkakasunod ng input, kaya tama ang pagkakadugtong ng text kahit magkakaiba ang oras ng pagtatapos ng mga chunk.
Ilang chunk ang puwedeng ipadala nang sabay?
Kasindami ng pinapayagan ng key mo. Pinapayagan ng pay-as-you-go key ng BroadNet ang 4 request nang sabay at 30 request kada minuto, kaya apat na worker ang gamit ng script. 429 ang makukuha ng ikalimang sabay na request. Ulitin ang mga response na 429 at 5xx nang may exponential backoff; huwag ulitin ang 413, dahil babagsak ulit ang parehong file. May retry helper sa paano hawakan ang mga 429 error na puwede mong ipalibot sa transcribe().
Sa apat na worker, ang dalawang-oras na recording sa mga chunk na 10 minuto ay nagiging 12 request sa tatlong bugso. Mga tatlong round-trip ng chunk ang kabuuang oras, hindi labindalawa.
Kailangan ba ng overlap sa pagitan ng mga chunk?
Hindi, kung sa loob ng katahimikan ka humahati: walang pagsasalita sa hangganan na puwedeng mawala. Para sa hati sa nakapirming oras ang overlap. Simulan ang bawat chunk isa o dalawang segundo bago natapos ang nauna, saka alisin ang mga naulit na salita kapag pinagdugtong mo ang text. Ang karaniwang paraan ay ihambing ang huling ilang salita ng isang chunk sa unang ilang salita ng susunod at alisin ang tugma.
May kaunting gastos ang overlap. Ang dalawang segundo kada 10-minutong chunk ay nagdadagdag ng mga 0.3% sa audio na binabayaran mo.
Puwede bang gamitin ng susunod na chunk ang text ng nauna bilang context?
Pinapayagan ito ng ilang API. Inililista ng OpenAI ang “carrying context from a previous chunk of a longer recording” (salin: pagdadala ng context mula sa naunang chunk ng mas mahabang recording) bilang gamit ng prompt parameter nito. model, language at file lang ang inililista ng API reference ng BroadNet para sa transcription, at JSON na may text field ang ibinabalik nito. Kaya sa BroadNet, ituring na hiwalay ang bawat chunk, at ayusin ang mga pangalan at termino pagkatapos. Isang murang paraan ay ipadala ang pinagdugtong na transcript sa isang chat model kasama ang listahan ng tamang spelling ng mga tao, produkto at lugar.
Magkano ang mahabang file?
Kada minuto ng audio ang singil ng speech to text, kaya hindi binabago ng paghahati ang kabuuan. Sa mga inilathalang rate ng BroadNet:
| Audio | BroadNet Transcribe Arabic | BroadNet Transcribe (14 na wika) |
|---|---|---|
| Presyo kada minuto | $0.0042 | $0.002 |
| Isang oras | $0.25 | $0.12 |
| 1,000 oras | $252.00 | $120.00 |
Naglilista ang pricing page ng presyo kada minuto ng audio at walang sinasabi tungkol sa minimum kada file o rounding. Tingnan ang usage page mo pagkatapos ng unang batch para masigurong tugma ang kabuuan sa haba ng audio. Available ang dalawang transcription model sa libreng panimulang credit na $5, na sumasaklaw sa mga 1,190 minuto ng Arabic. Para tantiyahin ang sarili mong volume, gamitin ang speech-to-text cost calculator; para ihambing ang mga provider, tingnan ang dataset ng presyo ng speech-to-text API.
Anong mga pagkakamali ang dapat iwasan?
- Pagpapadala ng orihinal na file. Anim na beses na mas malaki kaysa kailangan ang 48 kHz stereo WAV.
- Paghahati sa byte offset. Hindi made-decode ang chunk, o ingay ang unang segundo.
- Mga chunk na saktong nasa limit. Pumapasa ngayon ang 25.9 MB na chunk at babagsak kapag medyo mas malakas ang isang recording. Mag-iwan ng palugit.
- Walang hangganang parallelism. Kapag sabay-sabay na pinaputok ang 50 chunk, 429 ang makukuha ng karamihan. Limitahan ang mga worker sa in-flight limit ng key.
- Pagkalimot sa language. Hiwalay na request ang bawat chunk, kaya kailangan ng bawat isa ang
language.
Kailan maling kasangkapan ang chunking?
Kung kailangan mo ng speaker label o word timestamp, hindi mo iyon makukuha sa pag-chunk ng plain-text na API. Text lang ang transcription response ng BroadNet. Ang mga provider na nagbabalik ng diarization at timestamp ay mas direktang humahawak din ng mahahabang file; inihahambing sila ng buyer’s guide sa Arabic speech-to-text. Para sa stereo na call recording, hatiin ayon sa channel sa halip na sa oras: ipinapakita ng call center pipeline kung paano.
Saan pumapasok ang BroadNet Inference
$0.0042 kada minuto ang presyo ng BroadNet Transcribe Arabic, at iniulat ng BroadNet na nasa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ito sa Open Universal Arabic ASR Leaderboard. Hindi itinatago ang audio at transcript pagkatapos ng request. Bagay ito sa batch transcription ng mahahabang Arabic na recording kapag nahati mo na ang mga ito gaya ng nasa itaas. Hindi ito bagay kung kailangan mo ng timestamp, speaker label o live streaming sa iisang API. Sinasaklaw ng gabay sa Arabic speech-to-text ang unang request; sinasaklaw ng post na ito ang mga file na masyadong malaki para sa isa.
