대부분의 음성 인식 API는 요청 하나에 약 25MB짜리 파일 하나를 받습니다. BroadNet Inference는 최대 26,214,400바이트의 WAV 또는 MP3를 받습니다. 긴 회의, 강의, 팟캐스트는 이를 훌쩍 넘고, 요청은 413으로 실패합니다. 해결 방법은 네 단계입니다. 파일을 줄이고, 무음 구간에서 나누고, 조각을 병렬로 보내고, 텍스트를 다시 이어 붙입니다.
긴 녹음은 왜 실패하나요?
제한은 분이 아니라 바이트에 걸려 있습니다. 몇 분이 들어가는지는 형식에 따라 다릅니다.
| 형식 | 초당 바이트 | 26,214,400바이트에 들어가는 분량 |
|---|---|---|
| WAV, 44.1 kHz 스테레오, 16비트 | 176,400 | 약 2.5분 |
| WAV, 16 kHz 모노, 16비트 | 32,000 | 약 13.6분 |
| MP3, 64 kbit/s | 8,000 | 약 54분 |
| MP3, 32 kbit/s | 4,000 | 약 109분 |
초당 바이트에 초를 곱한 단순 계산입니다. 휴대폰이나 노트북 녹음은 44.1 또는 48 kHz 스테레오인 경우가 많아서 몇 분 만에 제한을 채웁니다. 음성에는 그만한 품질이 필요하지 않습니다. 먼저 16 kHz 모노로 변환하는 것이 가장 효과가 큰 한 가지입니다.
그래도 파일이 너무 크면 API는 그냥 거부합니다. BroadNet에서는 413 응답, 즉 “the request exceeds the endpoint byte or text limit”(번역: 요청이 엔드포인트의 바이트 또는 텍스트 제한을 넘었습니다)이 오고, 아무것도 전사되지 않습니다. 오류 코드 가이드를 참고하세요.
1단계: 파일은 어떻게 줄이나요?
무엇보다 먼저 16 kHz 모노로 변환하세요. ffmpeg 명령 하나면 됩니다.
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
BroadNet에 보내는 출력은 WAV(audio/wav) 또는 MP3(audio/mpeg)여야 합니다. .m4a, .ogg, .webm 같은 형식은 어차피 변환이 필요하므로, 같은 단계에서 리샘플링까지 하세요.
WAV와 MP3 중 무엇을 고를까요? WAV는 무손실이라 잃는 것이 없지만 약 13분이면 제한이 찹니다. 64 kbit/s MP3는 요청당 네 배의 오디오를 담을 수 있지만 손실 압축입니다. MP3를 쓴다면 짧은 테스트를 하세요. 같은 5분을 WAV와 MP3로 전사해 텍스트를 비교합니다. 음성에 16 kHz면 충분한 이유는 샘플링 레이트 항목에서 설명합니다.
2단계: 단어를 자르지 않고 오디오를 나누려면 어떻게 하나요?
바이트가 아니라 시간으로 나누세요. 바이트 위치에서 자르면 오디오 프레임 중간이 잘려 파일이 디코딩되지 않을 수 있습니다. 고정된 시간에서 자르면 단어 중간이 잘릴 수 있습니다. OpenAI의 가이드도 문장 중간에서 나누면 “can remove context and reduce accuracy”(번역: 컨텍스트가 사라지고 정확도가 떨어질 수 있다)며 피하라고 경고합니다.
믿을 만한 방법은 목표 길이 근처의 무음 구간 안에서 자르는 것입니다. 파일 크기와 길이에 맞는 명령을 바로 얻으려면 무료 오디오 분할 명령 생성기를 쓰세요. 직접 한다면 이렇게 합니다.
- ffmpeg의 silencedetect 필터로 무음 구간 목록을 뽑습니다.
- 녹음을 따라가다가 청크가 약 10분에 이르면 다음 무음 구간에서 자릅니다.
- ffmpeg로 각 청크를 한 절단점에서 다음 절단점까지 잘라 냅니다.
16 kHz 모노 WAV 10분은 19.2 MB라서 제한까지 여유가 있습니다. 화자가 쉬지 않고 오래 말하면, 아래 스크립트는 대신 절대 최대 길이에서 자릅니다.
ffmpeg의 segment 먹서로도 명령 하나로 파일을 “of nearly fixed duration”(번역: 거의 고정된 길이의) 조각으로 나눌 수 있습니다. 빠르지만 무음을 찾지 않으므로, 경계마다 단어 하나쯤 잃어도 괜찮을 때만 쓰거나 겹침(아래 참고)을 추가하세요.
전체 스크립트는 어떻게 생겼나요?
이 Python 스크립트는 변환하고, 무음 구간에서 나누고, 청크를 최대 네 개씩 동시에 보내고, 텍스트를 합칩니다. BroadNet Inference를 가리키는 OpenAI SDK를 씁니다.
# pip install openai
import os, re, subprocess, tempfile
from concurrent.futures import ThreadPoolExecutor
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
TARGET, HARD_MAX = 600, 750 # seconds: aim for 10 min, never above 12.5 min
def run(*args):
return subprocess.run(args, capture_output=True, text=True, check=True)
def silences(path):
"""Midpoints (in seconds) of silent gaps of 0.5 s or more."""
out = run("ffmpeg", "-i", path, "-af", "silencedetect=noise=-35dB:d=0.5",
"-f", "null", "-").stderr
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", out)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", out)]
return [(s + e) / 2 for s, e in zip(starts, ends)]
def duration(path):
return float(run("ffprobe", "-v", "error", "-show_entries", "format=duration",
"-of", "csv=p=0", path).stdout)
def cut_points(path):
total, gaps, cuts, last = duration(path), silences(path), [0.0], 0.0
while total - last > HARD_MAX:
ok = [g for g in gaps if last + TARGET <= g <= last + HARD_MAX]
last = ok[0] if ok else last + HARD_MAX # no silence: hard cut
cuts.append(last)
return cuts + [total]
def transcribe(chunk):
with open(chunk, "rb") as f:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=f, language="ar").text
def transcribe_long(src):
with tempfile.TemporaryDirectory() as tmp:
wav = os.path.join(tmp, "full.wav")
run("ffmpeg", "-y", "-i", src, "-ac", "1", "-ar", "16000", wav)
cuts, chunks = cut_points(wav), []
for i, (a, b) in enumerate(zip(cuts, cuts[1:])):
out = os.path.join(tmp, f"part{i:03d}.wav")
run("ffmpeg", "-y", "-i", wav, "-ss", str(a), "-to", str(b), out)
chunks.append(out)
with ThreadPoolExecutor(max_workers=4) as pool: # map() keeps order
return "\n".join(pool.map(transcribe, chunks))
print(transcribe_long("meeting.m4a"))
스크립트에 관한 참고 사항입니다.
- 언어. BroadNet 문서는 항상
language를 보내라고 합니다. 보내지 않으면 아랍어가 “can otherwise be transliterated into Latin letters”(번역: 라틴 문자로 음역될 수 있다)고 합니다. 영어, 프랑스어 등 다른 지원 언어에는 알맞은 언어 코드와 함께broadnet/cohere-transcribe를 쓰세요. - 임계값.
-35dB와0.5초는 조용한 방에 맞습니다. 시끄러운 방에서는-30dB처럼 더 높은 잡음 값이 필요합니다. 절단점을 한 번 출력해 확인하세요. - 순서.
pool.map은 입력 순서대로 결과를 반환하므로, 청크마다 끝나는 시점이 달라도 텍스트가 올바른 순서로 합쳐집니다.
청크를 한 번에 몇 개까지 보낼 수 있나요?
키가 허용하는 만큼입니다. BroadNet 종량제 키는 동시 요청 4개, 분당 요청 30개를 허용하며, 그래서 스크립트가 워커 네 개를 씁니다. 동시에 다섯 번째 요청을 보내면 429가 옵니다. 429와 5xx 응답은 지수 백오프로 재시도하고, 413은 재시도하지 마세요. 같은 파일은 또 실패합니다. 429 오류 처리 방법에 transcribe()를 감쌀 수 있는 재시도 헬퍼가 있습니다.
워커 네 개라면 2시간 녹음을 10분 청크로 나눈 요청 12개가 세 차례에 걸쳐 처리됩니다. 총 시간은 청크 왕복 12번이 아니라 대략 3번 정도입니다.
청크 사이에 겹침이 필요한가요?
무음 구간 안에서 자른다면 필요 없습니다. 경계에 잃을 음성이 없으니까요. 겹침은 고정 시간 절단용입니다. 각 청크를 이전 청크가 끝나기 1~2초 전부터 시작하고, 텍스트를 합칠 때 반복된 단어를 지우세요. 보통은 한 청크의 마지막 몇 단어와 다음 청크의 처음 몇 단어를 비교해 일치하는 부분을 버립니다.
겹침에는 약간의 비용이 듭니다. 10분 청크마다 2초를 겹치면 과금되는 오디오가 약 0.3% 늘어납니다.
다음 청크가 이전 청크의 텍스트를 컨텍스트로 쓸 수 있나요?
일부 API는 허용합니다. OpenAI는 “carrying context from a previous chunk of a longer recording”(번역: 긴 녹음의 이전 청크에서 컨텍스트를 이어 주기)을 prompt 파라미터의 용도로 안내합니다. BroadNet API 레퍼런스에는 전사용으로 model, language, file만 나와 있고, 응답은 text 필드가 있는 JSON입니다. 따라서 BroadNet에서는 각 청크를 독립적으로 다루고, 이름과 용어는 나중에 바로잡으세요. 저렴한 방법 하나는 합친 전사본을 사람, 제품, 장소의 올바른 표기 목록과 함께 채팅 모델에 보내는 것입니다.
긴 파일의 비용은 얼마인가요?
음성 인식은 오디오 분당 과금되므로 분할해도 총액은 변하지 않습니다. BroadNet의 공시 요금 기준입니다.
| 오디오 | BroadNet Transcribe Arabic | BroadNet Transcribe(14개 언어) |
|---|---|---|
| 1분당 가격 | $0.0042 | $0.002 |
| 1시간 | $0.25 | $0.12 |
| 1,000시간 | $252.00 | $120.00 |
가격 페이지는 오디오 분당 가격을 안내하며, 파일당 최소 요금이나 반올림에 대해서는 언급하지 않습니다. 첫 배치 후 사용량 페이지에서 총액이 오디오 길이와 맞는지 확인하세요. 두 전사 모델 모두 $5 상당의 무료 초기 크레딧으로 쓸 수 있으며, 아랍어 약 1,190분 분량입니다. 자신의 사용량으로 가격을 계산하려면 음성 인식 비용 계산기를, 제공업체를 비교하려면 음성 인식 API 가격 데이터셋을 보세요.
어떤 실수를 피해야 하나요?
- 원본 파일을 그대로 보내기. 48 kHz 스테레오 WAV는 필요한 크기의 여섯 배입니다.
- 바이트 위치에서 자르기. 청크가 디코딩되지 않거나 첫 1초가 잡음이 됩니다.
- 제한에 딱 맞는 청크. 25.9 MB 청크는 오늘은 통과해도 녹음 음량이 조금 크면 실패합니다. 여유를 두세요.
- 무제한 병렬 처리. 청크 50개를 한꺼번에 보내면 대부분 429를 받습니다. 워커 수를 키의 동시 요청 한도로 제한하세요.
- 언어 누락. 청크마다 별도 요청이므로 각각
language가 필요합니다.
청크 분할이 맞지 않는 경우는 언제인가요?
화자 레이블이나 단어 타임스탬프가 필요하다면, 텍스트만 반환하는 API에 청크를 보내서는 얻을 수 없습니다. BroadNet의 전사 응답은 텍스트뿐입니다. 화자 분리와 타임스탬프를 반환하는 제공업체는 긴 파일도 더 직접적으로 처리합니다. 아랍어 음성 인식 구매 가이드에서 비교합니다. 스테레오 통화 녹음이라면 시간이 아니라 채널로 나누세요. 방법은 콜센터 파이프라인에 있습니다.
BroadNet Inference는 어디에 맞나요?
BroadNet Transcribe Arabic은 1분당 $0.0042 요금이며, BroadNet에 따르면 Open Universal Arabic ASR Leaderboard에서 37개 중 2위 (2026년 9월 기준 수치이며, 2026년 11월 15일 실시간 리더보드에서는 39개 중 4위) 순위입니다. 오디오와 전사본은 요청 후 보관되지 않습니다. 위와 같이 나눈다면 긴 아랍어 녹음의 배치 전사에 잘 맞습니다. 같은 API에서 타임스탬프, 화자 레이블, 실시간 스트리밍이 필요하다면 맞지 않습니다. 첫 요청은 아랍어 음성 인식 가이드에서 다루고, 이 글은 요청 하나에 담기에 너무 큰 파일을 다룹니다.
