오디오 파일이 너무 크거나 전사 요청이 거부될 때 가장 먼저 확인할 숫자가 샘플링 레이트입니다.
작동 방식
디지털 오디오는 음파를 숫자 목록으로 저장하며, 샘플 하나에 숫자 하나입니다. 16,000Hz라면 채널당 초당 16,000개의 숫자가 있습니다. 16비트 깊이에서는 숫자 하나가 2바이트입니다. 따라서 비압축 WAV 크기는 다음과 같습니다.
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
음성 모델은 대개 16kHz 오디오로 학습합니다. OpenAI의 Whisper 코드는 SAMPLE_RATE = 16000으로 설정하고 모든 파일을 ffmpeg의 -ac 1 -ar 16000으로 불러옵니다. FFmpeg 문서에 따르면 -ar은 오디오 샘플링 주파수를, -ac는 채널 수를 설정합니다.
왜 중요한가
- 파일 크기 제한. CD 음질 스테레오 WAV는 16kHz 모노보다 10,584,000 / 1,920,000 = 5.5배 크지만, 16kHz 모델에는 아무 이득이 없습니다.
- 업로드 시간. 파일이 작을수록 API에 빨리 도착하며, 음성 봇에서는 이것이 중요합니다.
- 호환성. 음성 구간 검출(VAD) 같은 도구는 특정 레이트만 받습니다(WebRTC VAD는 8, 16, 32, 48kHz).
- 업샘플링하지 마세요. 8kHz 전화 통화를 16kHz로 변환하면 파일은 두 배가 되지만 디테일은 늘지 않습니다.
BroadNet Inference에서는
BroadNet의 전사 엔드포인트는 파일당 최대 26,214,400바이트(25MiB)의 WAV 또는 MP3를 받습니다. 문서에서는 WhatsApp .ogg 음성 메시지와 .m4a 녹음을 다음 명령으로 변환합니다.
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
16비트 WAV로 요청 하나에 들어가는 오디오 길이는 다음과 같습니다.
| 형식 | 분당 바이트 | 26,214,400바이트에 들어가는 길이 |
|---|---|---|
| 16kHz 모노 | 1,920,000 | 26,214,400 / 1,920,000 = 13.65분, 약 13분 39초 |
| 44.1kHz 스테레오 | 10,584,000 | 2.48분, 약 2분 29초 |
이보다 길면 WhatsApp 음성 메시지 가이드처럼 10분 단위로 나누거나(600초 x 32,000B/s = 각 19,200,000바이트), 분당 용량이 훨씬 작은 MP3로 보내세요. language는 항상 지정하세요. 과금은 바이트가 아니라 오디오 분 단위이므로, 샘플링 레이트는 업로드 크기를 바꿀 뿐 가격은 바꾸지 않습니다. 비용은 음성 인식 비용 계산기에서 확인하세요. 전체적인 내용은 음성 인식을 참고하세요.