La frequenza di campionamento è il primo numero da controllare quando un file audio è troppo grande o una richiesta di trascrizione viene rifiutata.
Come funziona
L’audio digitale memorizza l’onda sonora come una lista di numeri, uno per campione. A 16.000 Hz ci sono 16.000 numeri al secondo per canale. Con una profondità di 16 bit ogni numero occupa 2 byte. La dimensione di un WAV non compresso è quindi:
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
I modelli vocali sono addestrati di solito su audio a 16 kHz. Il codice di Whisper di OpenAI imposta SAMPLE_RATE = 16000 e carica ogni file tramite ffmpeg con -ac 1 -ar 16000. Nella documentazione di FFmpeg, -ar imposta la frequenza di campionamento audio e -ac il numero di canali.
Perché è importante
- Limiti di dimensione. Un WAV stereo di qualità CD è 10.584.000 / 1.920.000 = 5,5 volte più grande di un 16 kHz mono, senza alcun vantaggio per un modello a 16 kHz.
- Tempo di upload. I file più piccoli arrivano prima all’API, cosa che conta per i voice bot.
- Compatibilità. Strumenti come la voice activity detection accettano solo certe frequenze (WebRTC VAD accetta 8, 16, 32 o 48 kHz).
- Non sovracampionare. Convertire una telefonata a 8 kHz in 16 kHz raddoppia il file ma non aggiunge dettagli.
Su BroadNet Inference
L’endpoint di trascrizione di BroadNet accetta WAV o MP3 fino a 26.214.400 byte (25 MiB) per file. La sua documentazione converte i vocali WhatsApp .ogg e le registrazioni .m4a con:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Quanto audio sta in una richiesta, come WAV a 16 bit:
| Formato | Byte al minuto | Quanto sta in 26.214.400 byte |
|---|---|---|
| 16 kHz mono | 1.920.000 | 26.214.400 / 1.920.000 = 13,65 min, circa 13 min 39 s |
| 44,1 kHz stereo | 10.584.000 | 2,48 min, circa 2 min 29 s |
Per registrazioni più lunghe, dividi in segmenti da 10 minuti (600 s x 32.000 B/s = 19.200.000 byte ciascuno), come mostra la guida ai vocali WhatsApp, oppure invia MP3, che pesa molto meno al minuto. Imposta sempre language. La fatturazione è per minuto di audio, non per byte, quindi la frequenza di campionamento cambia la dimensione dell’upload ma non il prezzo; verifica i costi con il calcolatore dei costi speech-to-text. Per il quadro generale vedi speech-to-text.