La plupart des API speech-to-text acceptent un fichier d’environ 25 Mo par requête. BroadNet Inference accepte du WAV ou du MP3 jusqu’à 26 214 400 octets. Une longue réunion, un cours ou un podcast dépasse vite cette limite, et la requête échoue avec 413. La solution tient en quatre étapes : réduire le fichier, le découper aux silences, envoyer les morceaux en parallèle et recoller le texte.
Pourquoi un long enregistrement échoue-t-il ?
La limite porte sur les octets, pas sur les minutes. Le nombre de minutes qui tiennent dépend du format :
| Format | Octets par seconde | Tient dans 26 214 400 octets |
|---|---|---|
| WAV, 44,1 kHz stéréo, 16 bits | 176 400 | Environ 2,5 minutes |
| WAV, 16 kHz mono, 16 bits | 32 000 | Environ 13,6 minutes |
| MP3, 64 kbit/s | 8 000 | Environ 54 minutes |
| MP3, 32 kbit/s | 4 000 | Environ 109 minutes |
Ce sont de simples multiplications : octets par seconde fois secondes. Un enregistrement de téléphone ou d’ordinateur portable est souvent en 44,1 ou 48 kHz stéréo, ce qui remplit la limite en quelques minutes. La parole n’en a pas besoin. Convertir d’abord en mono 16 kHz est le gain le plus important.
Quand un fichier reste trop gros, l’API le refuse d’emblée. Chez BroadNet, la réponse est 413, « the request exceeds the endpoint byte or text limit » (traduction : « la requête dépasse la limite d’octets ou de texte de l’endpoint »), et rien n’est transcrit. Voir le guide des codes d’erreur.
Étape 1 : comment réduire le fichier ?
Convertissez en mono 16 kHz avant toute chose. Une seule commande ffmpeg suffit :
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
Pour BroadNet, la sortie doit être en WAV (audio/wav) ou en MP3 (audio/mpeg). Les formats comme .m4a, .ogg et .webm doivent de toute façon être convertis : faites le rééchantillonnage dans la même étape.
WAV ou MP3 ? Le WAV est sans perte, donc rien n’est perdu, mais il remplit la limite en 13 minutes environ. Le MP3 à 64 kbit/s fait tenir quatre fois plus d’audio par requête, mais il est avec perte. Si vous utilisez le MP3, faites un court test : transcrivez les mêmes cinq minutes en WAV et en MP3 et comparez le texte. L’entrée sur la fréquence d’échantillonnage explique pourquoi 16 kHz suffisent pour la parole.
Étape 2 : comment découper l’audio sans couper de mots ?
Découpez par temps, jamais par octets. Une coupe à un offset d’octets peut tomber au milieu d’une trame audio, et le fichier ne se décodera pas. Une coupe à un instant fixe peut tomber au milieu d’un mot. Le guide d’OpenAI lui-même déconseille de couper au milieu d’une phrase, car cela « can remove context and reduce accuracy » (traduction : « peut retirer du contexte et réduire la précision »).
La méthode fiable consiste à couper dans un silence proche de la durée visée. Pour obtenir des commandes toutes prêtes adaptées à la taille et à la durée de votre fichier, utilisez le générateur gratuit de commandes de découpage audio. À la main, cela se passe ainsi :
- Lancez le filtre silencedetect de ffmpeg pour lister les silences.
- Parcourez l’enregistrement. Quand un morceau atteint environ 10 minutes, coupez au silence suivant.
- Extrayez chaque morceau avec ffmpeg, d’un point de coupe au suivant.
Dix minutes de WAV mono 16 kHz font 19,2 Mo, ce qui laisse de la marge sous la limite. Si quelqu’un parle longtemps sans pause, le script ci-dessous coupe plutôt au maximum strict.
Le muxer segment de ffmpeg peut aussi découper un fichier en morceaux « of nearly fixed duration » (traduction : « de durée presque fixe ») en une seule commande. C’est rapide, mais il ne cherche pas les silences : ne l’utilisez que si un mot perdu à chaque jonction est acceptable, ou ajoutez un chevauchement (voir plus bas).
À quoi ressemble le script complet ?
Ce script Python convertit, découpe aux silences, envoie jusqu’à quatre morceaux à la fois et recolle le texte. Il utilise le SDK OpenAI pointé vers 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"))
Remarques sur le script :
- Langue. La documentation de BroadNet demande de toujours envoyer
language; sans cela, l’arabe « can otherwise be transliterated into Latin letters » (traduction : « peut sinon être translittéré en lettres latines »). Utilisezbroadnet/cohere-transcribeavec le bon code de langue pour l’anglais, le français ou l’une de ses autres langues prises en charge. - Seuils.
-35dBet0.5seconde conviennent à une pièce calme. Les pièces bruyantes demandent une valeur de bruit plus élevée, comme-30dB. Affichez les points de coupe une fois et vérifiez-les. - Ordre.
pool.maprenvoie les résultats dans l’ordre d’entrée : le texte se recolle dans la bonne séquence même si les morceaux se terminent à des moments différents.
Combien de morceaux envoyer en même temps ?
Autant que votre clé le permet. Une clé BroadNet en paiement à l’usage autorise 4 requêtes en cours et 30 requêtes par minute, d’où les quatre workers du script. Une cinquième requête simultanée reçoit 429. Relancez les réponses 429 et 5xx avec un backoff exponentiel ; ne relancez pas les 413, car le même fichier échouera de nouveau. Gérer les erreurs 429 propose une fonction de relance à placer autour de transcribe().
Avec quatre workers, un enregistrement de deux heures en morceaux de 10 minutes devient 12 requêtes en trois vagues. Le temps total correspond à peu près à trois allers-retours de morceau, pas douze.
Faut-il un chevauchement entre les morceaux ?
Pas si vous coupez dans les silences : il n’y a pas de parole à perdre à la jonction. Le chevauchement sert aux coupes à instant fixe. Faites commencer chaque morceau une ou deux secondes avant la fin du précédent, puis supprimez les mots répétés en recollant le texte. La méthode habituelle consiste à comparer les derniers mots d’un morceau avec les premiers du suivant et à retirer la partie commune.
Le chevauchement coûte un peu. Deux secondes par morceau de 10 minutes ajoutent environ 0,3 % à l’audio facturé.
Le morceau suivant peut-il utiliser le texte du précédent comme contexte ?
Certaines API le permettent. OpenAI cite « carrying context from a previous chunk of a longer recording » (traduction : « reprendre le contexte d’un morceau précédent d’un enregistrement plus long ») comme usage de son paramètre prompt. La référence de l’API BroadNet ne liste que model, language et file pour la transcription, et renvoie du JSON avec un champ text. Chez BroadNet, traitez donc chaque morceau comme indépendant, et corrigez les noms et les termes ensuite. Une correction peu coûteuse : envoyer la transcription recollée à un modèle de chat avec la liste des orthographes correctes pour les personnes, les produits et les lieux.
Combien coûte un long fichier ?
Le speech-to-text est facturé à la minute d’audio, donc le découpage ne change pas le total. Aux tarifs publiés par BroadNet :
| Audio | BroadNet Transcribe Arabic | BroadNet Transcribe (14 langues) |
|---|---|---|
| Prix par minute | $0.0042 | $0.002 |
| Une heure | $0.25 | $0.12 |
| 1 000 heures | $252.00 | $120.00 |
La page de tarifs indique un prix par minute d’audio et ne dit rien d’un minimum par fichier ou d’un arrondi. Vérifiez votre page d’utilisation après le premier lot pour confirmer que le total correspond à la durée de l’audio. Les deux modèles de transcription sont disponibles avec le crédit de départ gratuit de $5, qui couvre environ 1,190 minutes d’arabe. Pour chiffrer votre propre volume, utilisez le calculateur de coût speech-to-text ; pour comparer les fournisseurs, consultez le jeu de données des prix des API speech-to-text.
Quelles erreurs éviter ?
- Envoyer le fichier d’origine. Un WAV 48 kHz stéréo est six fois plus gros que nécessaire.
- Couper à des offsets d’octets. Le morceau ne se décodera pas, ou la première seconde sera du bruit.
- Des morceaux juste à la limite. Un morceau de 25,9 Mo passe aujourd’hui et échoue dès qu’un enregistrement est un peu plus fort. Gardez de la marge.
- Un parallélisme sans limite. Lancer 50 morceaux d’un coup vaut un 429 à la plupart d’entre eux. Plafonnez les workers à la limite de requêtes en cours de la clé.
- Oublier la langue. Chaque morceau est une requête distincte : chacun a besoin de
language.
Quand le découpage n’est-il pas le bon outil ?
Si vous avez besoin d’étiquettes de locuteurs ou d’horodatages par mot, découper l’audio pour une API qui ne renvoie que du texte ne vous les donnera pas. La réponse de transcription de BroadNet ne contient que du texte. Les fournisseurs qui renvoient la diarisation et les horodatages gèrent aussi les longs fichiers plus directement ; le guide d’achat des API speech-to-text arabes les compare. Pour des enregistrements d’appels en stéréo, découpez par canal plutôt que par temps : le pipeline de centre d’appels montre comment.
La place de BroadNet Inference
BroadNet Transcribe Arabic coûte $0.0042 la minute, et BroadNet le classe #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026) sur l’Open Universal Arabic ASR Leaderboard. L’audio et les transcriptions ne sont pas conservés après la requête. Il convient à la transcription batch de longs enregistrements en arabe, une fois découpés comme ci-dessus. Il ne vous convient pas si vous avez besoin d’horodatages, d’étiquettes de locuteurs ou de streaming en direct dans la même API. Le guide speech-to-text en arabe couvre la première requête ; cet article couvre les fichiers trop gros pour une seule.
