La fréquence d’échantillonnage est le premier chiffre à vérifier quand un fichier audio est trop gros ou qu’une requête de transcription est refusée.
Comment ça marche
L’audio numérique stocke l’onde sonore sous forme d’une liste de nombres, un par échantillon. À 16 000 Hz, cela fait 16 000 nombres par seconde et par canal. Chaque nombre occupe 2 octets en 16 bits. La taille d’un WAV non compressé est donc :
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
Les modèles de parole sont généralement entraînés sur de l’audio à 16 kHz. Le code Whisper d’OpenAI fixe SAMPLE_RATE = 16000 et charge chaque fichier via ffmpeg avec -ac 1 -ar 16000. Dans la documentation de FFmpeg, -ar fixe la fréquence d’échantillonnage audio et -ac le nombre de canaux.
Pourquoi c’est important
- Limites de taille. Un WAV stéréo qualité CD est 10 584 000 / 1 920 000 = 5,5 fois plus gros qu’un 16 kHz mono, sans aucun gain pour un modèle à 16 kHz.
- Temps d’envoi. Des fichiers plus petits atteignent l’API plus vite, ce qui compte pour les voicebots.
- Compatibilité. Des outils comme la détection d’activité vocale n’acceptent que certaines fréquences (WebRTC VAD prend 8, 16, 32 ou 48 kHz).
- Pas de suréchantillonnage. Convertir un appel téléphonique à 8 kHz en 16 kHz double la taille du fichier sans ajouter le moindre détail.
Sur BroadNet Inference
L’endpoint de transcription de BroadNet accepte le WAV ou le MP3 jusqu’à 26 214 400 octets (25 Mio) par fichier. Sa documentation convertit les messages vocaux WhatsApp .ogg et les enregistrements .m4a avec :
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Quantité d’audio qui tient dans une requête en WAV 16 bits :
| Format | Octets par minute | Tient dans 26 214 400 octets |
|---|---|---|
| 16 kHz mono | 1 920 000 | 26 214 400 / 1 920 000 = 13,65 min, environ 13 min 39 s |
| 44,1 kHz stéréo | 10 584 000 | 2,48 min, environ 2 min 29 s |
Au-delà, découpez en segments de 10 minutes (600 s x 32 000 o/s = 19 200 000 octets chacun), comme le montre le guide des messages vocaux WhatsApp, ou envoyez du MP3, bien plus léger par minute. Indiquez toujours language. La facturation se fait à la minute d’audio, pas à l’octet : la fréquence d’échantillonnage change la taille de l’envoi, pas le prix. Vérifiez les coûts dans le calculateur de coût speech-to-text. Pour une vue d’ensemble, voir speech-to-text.