BroadRouter
始める

サンプリングレート(sample rate)

更新日

サンプリングレートとは、1 秒間に取り込む音声サンプルの数で、単位はヘルツ(Hz)です。音声認識モデルは一般に 16,000 Hz(16 kHz)のモノラル音声を前提とします。ビット深度、チャンネル数とあわせて、非圧縮音声の 1 分あたりのサイズを決めます。

別名: サンプリング周波数、サンプルレート、標本化周波数、16kHz 音声、sample rate、sampling rate、sampling frequency、audio sample rate、16 kHz audio

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。

よくある質問

音声認識にはどのサンプリングレートを使えばよいですか?

16 kHz モノラルが一般的です。Whisper はすべての入力を 16,000 Hz にリサンプリングし、BroadNet のドキュメントもボイスメッセージを ffmpeg -ar 16000 -ac 1 で変換しています。

16 kHz の WAV は 1 分でどのくらいのサイズですか?

16 ビット・モノラルなら、16,000 サンプル × 2 バイト × 60 秒 = 1,920,000 バイトで、約 1.92 MB に小さなヘッダーが加わります。

サンプリングレートを上げると文字起こしの精度は上がりますか?

モデルが 16 kHz で動くなら上がりません。どのみち音声をダウンサンプリングするからです。レートを上げてもアップロードが大きくなるだけです。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く