Sample rate ang unang numerong dapat tingnan kapag masyadong malaki ang audio file o tinanggihan ang isang transcription request.
Paano ito gumagana
Iniimbak ng digital audio ang sound wave bilang listahan ng mga numero, isa kada sample. Sa 16,000 Hz, may 16,000 numero kada segundo kada channel. Tig-2 byte ang bawat numero sa 16-bit na depth. Kaya ito ang laki ng hindi naka-compress na WAV:
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
Kadalasang sinanay ang mga speech model sa 16 kHz na audio. Itinatakda ng code ng Whisper ng OpenAI ang SAMPLE_RATE = 16000 at nilo-load nito ang bawat file sa ffmpeg gamit ang -ac 1 -ar 16000. Sa sariling dokumentasyon ng FFmpeg, itinatakda ng -ar ang audio sampling frequency at ng -ac ang bilang ng channel.
Bakit ito mahalaga
- Mga limit sa laki ng file. Ang stereo WAV na kalidad-CD ay 10,584,000 / 1,920,000 = 5.5 beses na mas malaki kaysa sa 16 kHz mono, nang walang pakinabang para sa 16 kHz na model.
- Tagal ng upload. Mas mabilis makarating sa API ang mas maliliit na file, na mahalaga para sa mga voice bot.
- Compatibility. May mga tool gaya ng voice activity detection na ilang rate lang ang tinatanggap (8, 16, 32 o 48 kHz lang sa WebRTC VAD).
- Huwag mag-upsample. Dodoble ang laki ng file kapag ginawang 16 kHz ang 8 kHz na tawag sa telepono, pero walang nadadagdag na detalye.
Sa BroadNet Inference
Tumatanggap ang transcription endpoint ng BroadNet ng WAV o MP3 na hanggang 26,214,400 byte (25 MiB) kada file. Kino-convert ng docs nito ang mga .ogg na voice note ng WhatsApp at mga .m4a na recording gamit ang:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Gaano karaming audio ang kasya sa isang request bilang 16-bit na WAV:
| Format | Byte kada minuto | Kasya sa 26,214,400 byte |
|---|---|---|
| 16 kHz mono | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 min, mga 13 min 39 s |
| 44.1 kHz stereo | 10,584,000 | 2.48 min, mga 2 min 29 s |
Para sa mas mahaba, hatiin sa tig-10 minutong segment (600 s x 32,000 B/s = 19,200,000 byte bawat isa), gaya ng ipinapakita sa gabay sa WhatsApp voice notes, o magpadala ng MP3, na mas maliit nang husto kada minuto. Laging i-set ang language. Kada minuto ng audio ang singil, hindi kada byte, kaya binabago ng sample rate ang laki ng upload pero hindi ang presyo; tingnan ang gastos sa speech-to-text cost calculator. Para sa mas malawak na larawan, tingnan ang speech-to-text.