जब ऑडियो फ़ाइल बहुत बड़ी हो या ट्रांसक्रिप्शन अनुरोध रिजेक्ट हो जाए, तो सबसे पहले सैंपल रेट जाँचें।
यह कैसे काम करता है
डिजिटल ऑडियो साउंड वेव को संख्याओं की सूची के रूप में सेव करता है, हर सैंपल के लिए एक संख्या। 16,000 Hz पर हर चैनल में प्रति सेकंड 16,000 संख्याएँ होती हैं। 16-बिट डेप्थ पर हर संख्या 2 बाइट लेती है। इसलिए बिना कंप्रेशन वाली WAV का साइज़ यह है:
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
स्पीच मॉडल आम तौर पर 16 kHz ऑडियो पर ट्रेन होते हैं। OpenAI का Whisper कोड SAMPLE_RATE = 16000 सेट करता है और हर फ़ाइल को ffmpeg से -ac 1 -ar 16000 के साथ लोड करता है। FFmpeg के अपने डॉक्यूमेंटेशन में -ar ऑडियो सैंपलिंग फ़्रीक्वेंसी सेट करता है और -ac चैनलों की संख्या।
यह क्यों मायने रखता है
- फ़ाइल साइज़ की सीमा. CD-क्वालिटी स्टीरियो WAV, 16 kHz मोनो से 10,584,000 / 1,920,000 = 5.5 गुना बड़ी होती है, और 16 kHz मॉडल को इससे कोई फ़ायदा नहीं होता।
- अपलोड समय. छोटी फ़ाइलें API तक जल्दी पहुँचती हैं, जो वॉइस बॉट के लिए मायने रखता है।
- कम्पैटिबिलिटी. वॉइस एक्टिविटी डिटेक्शन जैसे टूल कुछ ख़ास रेट ही लेते हैं (WebRTC VAD 8, 16, 32 या 48 kHz लेता है)।
- अपसैंपल न करें. 8 kHz फ़ोन कॉल को 16 kHz में बदलने से फ़ाइल दोगुनी हो जाती है, लेकिन कोई नई डिटेल नहीं जुड़ती।
BroadNet Inference पर
BroadNet का ट्रांसक्रिप्शन एंडपॉइंट हर फ़ाइल में 26,214,400 बाइट (25 MiB) तक की WAV या MP3 लेता है। इसके डॉक्स WhatsApp के .ogg नोट्स और .m4a रिकॉर्डिंग को इस कमांड से कन्वर्ट करते हैं:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
16-बिट WAV के रूप में एक अनुरोध में कितना ऑडियो आता है:
| फ़ॉर्मैट | बाइट प्रति मिनट | 26,214,400 बाइट में कितना |
|---|---|---|
| 16 kHz मोनो | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 मिनट, लगभग 13 मिनट 39 सेकंड |
| 44.1 kHz स्टीरियो | 10,584,000 | 2.48 मिनट, लगभग 2 मिनट 29 सेकंड |
इससे लंबे ऑडियो के लिए 10 मिनट के सेगमेंट बनाएँ (600 s x 32,000 B/s = हर सेगमेंट 19,200,000 बाइट), जैसा WhatsApp वॉइस नोट्स गाइड में दिखाया गया है, या MP3 भेजें, जो प्रति मिनट कहीं छोटी होती है। language हमेशा सेट करें। बिलिंग प्रति ऑडियो मिनट होती है, प्रति बाइट नहीं, इसलिए सैंपल रेट अपलोड साइज़ बदलता है, कीमत नहीं; लागत स्पीच-टू-टेक्स्ट कॉस्ट कैलकुलेटर में जाँचें। पूरी तस्वीर के लिए देखें स्पीच-टू-टेक्स्ट।