Sample rate adalah angka pertama yang perlu dicek saat file audio terlalu besar atau permintaan transkripsi ditolak.
Cara kerjanya
Audio digital menyimpan gelombang suara sebagai daftar angka, satu angka per sampel. Pada 16.000 Hz ada 16.000 angka per detik untuk setiap kanal. Setiap angka memakan 2 byte pada kedalaman 16-bit. Karena itu ukuran WAV tanpa kompresi adalah:
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
Model ucapan biasanya dilatih dengan audio 16 kHz. Kode Whisper dari OpenAI menetapkan SAMPLE_RATE = 16000 dan memuat setiap file lewat ffmpeg dengan -ac 1 -ar 16000. Dalam dokumentasi FFmpeg sendiri, -ar mengatur frekuensi sampling audio dan -ac jumlah kanal.
Mengapa penting
- Batas ukuran file. WAV stereo berkualitas CD berukuran 10.584.000 / 1.920.000 = 5,5 kali lebih besar daripada 16 kHz mono, tanpa manfaat apa pun untuk model 16 kHz.
- Waktu upload. File yang lebih kecil sampai ke API lebih cepat, dan ini penting untuk voice bot.
- Kompatibilitas. Tool seperti voice activity detection hanya menerima laju tertentu (WebRTC VAD menerima 8, 16, 32, atau 48 kHz).
- Jangan upsample. Mengonversi panggilan telepon 8 kHz ke 16 kHz membuat file dua kali lebih besar tetapi tidak menambah detail.
Di BroadNet Inference
Endpoint transkripsi BroadNet menerima WAV atau MP3 hingga 26.214.400 byte (25 MiB) per file. Dokumentasinya mengonversi voice note WhatsApp .ogg dan rekaman .m4a dengan:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Berapa banyak audio yang muat dalam satu permintaan sebagai WAV 16-bit:
| Format | Byte per menit | Muat dalam 26.214.400 byte |
|---|---|---|
| 16 kHz mono | 1.920.000 | 26.214.400 / 1.920.000 = 13,65 menit, sekitar 13 menit 39 detik |
| 44,1 kHz stereo | 10.584.000 | 2,48 menit, sekitar 2 menit 29 detik |
Untuk audio yang lebih panjang, pecah menjadi segmen 10 menit (600 detik x 32.000 B/detik = 19.200.000 byte per segmen), seperti di panduan voice note WhatsApp, atau kirim MP3 yang jauh lebih kecil per menitnya. Selalu isi language. Penagihan dihitung per menit audio, bukan per byte, jadi sample rate mengubah ukuran upload tetapi tidak mengubah harga; cek biayanya di kalkulator biaya speech-to-text. Untuk gambaran besarnya, lihat speech-to-text.