音声ファイルが大きすぎるときや、文字起こしのリクエストが拒否されたとき、最初に確かめるべき数字がサンプリングレートです。
仕組み
デジタル音声は、音の波形を 1 サンプルにつき 1 つの数値の列として保存します。16,000 Hz なら、1 チャンネルにつき毎秒 16,000 個の数値です。16 ビット深度では、各数値が 2 バイトを使います。したがって非圧縮 WAV のサイズは次のとおりです。
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
音声モデルは通常 16 kHz の音声で学習されています。OpenAI の Whisper のコードは SAMPLE_RATE = 16000 を設定し、すべてのファイルを ffmpeg 経由で -ac 1 -ar 16000 を付けて読み込みます。FFmpeg 自身のドキュメントでは、-ar が音声のサンプリング周波数を、-ac がチャンネル数を設定します。
なぜ重要か
- ファイルサイズの上限。 CD 品質のステレオ WAV は 16 kHz モノラルの 10,584,000 / 1,920,000 = 5.5 倍の大きさで、16 kHz のモデルにとっては何の得にもなりません。
- アップロード時間。 ファイルが小さいほど API に早く届きます。音声ボットでは重要です。
- 互換性。 音声区間検出(VAD)などのツールは特定のレートしか受け付けません(WebRTC VAD は 8、16、32、48 kHz)。
- アップサンプリングしない。 8 kHz の通話録音を 16 kHz に変換しても、ファイルが 2 倍になるだけで情報は増えません。
BroadNet Inference の場合
BroadNet の文字起こしエンドポイントは、1 ファイルあたり 26,214,400 バイト(25 MiB)までの WAV または MP3 を受け付けます。ドキュメントでは、WhatsApp の .ogg ボイスメッセージや .m4a の録音を次のコマンドで変換しています。
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
16 ビット WAV で 1 回のリクエストに入る音声の長さは次のとおりです。
| 形式 | 1 分あたりのバイト数 | 26,214,400 バイトに入る長さ |
|---|---|---|
| 16 kHz モノラル | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 分、約 13 分 39 秒 |
| 44.1 kHz ステレオ | 10,584,000 | 2.48 分、約 2 分 29 秒 |
それより長い音声は、WhatsApp ボイスメッセージのガイドのように 10 分ごとのセグメント(600 秒 × 32,000 B/s = 1 つあたり 19,200,000 バイト)に分割するか、1 分あたりのサイズがずっと小さい MP3 で送ってください。language は必ず指定してください。課金はバイトではなく音声の分数単位なので、サンプリングレートはアップロードのサイズを変えても料金は変えません。費用は音声認識の料金計算ツールで確認できます。全体像は音声認識を参照してください。