Kebanyakan API speech-to-text menerima satu fail kira-kira 25 MB bagi setiap permintaan. BroadNet Inference menerima WAV atau MP3 sehingga 26,214,400 bait. Mesyuarat, kuliah atau podcast yang panjang melepasi had itu, dan permintaan gagal dengan 413. Penyelesaiannya ada empat langkah: kecilkan fail, pecahkan pada bahagian senyap, hantar cebisan secara serentak, dan cantumkan semula teksnya.
Mengapakah rakaman panjang gagal?
Hadnya pada bait, bukan pada minit. Berapa minit yang muat bergantung pada format:
| Format | Bait sesaat | Muat dalam 26,214,400 bait |
|---|---|---|
| WAV, stereo 44.1 kHz, 16-bit | 176,400 | Kira-kira 2.5 minit |
| WAV, mono 16 kHz, 16-bit | 32,000 | Kira-kira 13.6 minit |
| MP3, 64 kbit/s | 8,000 | Kira-kira 54 minit |
| MP3, 32 kbit/s | 4,000 | Kira-kira 109 minit |
Ini kiraan mudah: bait sesaat didarab dengan bilangan saat. Rakaman telefon atau komputer riba selalunya stereo 44.1 atau 48 kHz, yang memenuhi had dalam beberapa minit. Pertuturan tidak memerlukannya. Menukar kepada mono 16 kHz dahulu ialah kemenangan tunggal terbesar.
Apabila fail masih terlalu besar, API terus menolaknya. Di BroadNet responsnya ialah 413, “the request exceeds the endpoint byte or text limit” (Terjemahan: permintaan melebihi had bait atau teks endpoint), dan tiada apa yang ditranskripsi. Lihat panduan kod ralat.
Langkah 1: bagaimanakah anda mengecilkan fail?
Tukar kepada mono 16 kHz sebelum apa-apa yang lain. Satu arahan ffmpeg sudah memadai:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
Untuk BroadNet, output mestilah WAV (audio/wav) atau MP3 (audio/mpeg). Format seperti .m4a, .ogg dan .webm memang perlu ditukar, jadi lakukan pensampelan semula dalam langkah yang sama.
Patutkah anda memilih WAV atau MP3? WAV tanpa kehilangan, jadi tiada apa yang hilang, tetapi ia memenuhi had dalam kira-kira 13 minit. MP3 memuatkan empat kali lebih banyak audio bagi setiap permintaan pada 64 kbit/s, tetapi ia berkehilangan. Jika anda menggunakan MP3, jalankan ujian pendek: transkripsi lima minit yang sama sebagai WAV dan sebagai MP3 dan bandingkan teksnya. Entri kadar sampel menerangkan mengapa 16 kHz mencukupi untuk pertuturan.
Langkah 2: bagaimanakah anda memecahkan audio tanpa memotong perkataan?
Pecah mengikut masa, jangan sekali-kali mengikut bait. Potongan pada ofset bait boleh jatuh di tengah bingkai audio, dan fail tidak dapat dinyahkod. Potongan pada masa tetap boleh jatuh di tengah perkataan. Panduan OpenAI sendiri memberi amaran agar tidak memecah di tengah ayat kerana ia “can remove context and reduce accuracy” (Terjemahan: boleh menghilangkan konteks dan mengurangkan ketepatan).
Kaedah yang boleh dipercayai ialah memotong di dalam bahagian senyap berhampiran panjang sasaran anda. Untuk mendapatkan arahan siap guna bagi saiz dan tempoh fail anda, gunakan pembina arahan pemecah audio percuma. Secara manual, ia berfungsi begini:
- Jalankan penapis silencedetect ffmpeg untuk menyenaraikan jurang senyap.
- Lalui rakaman. Apabila sesuatu cebisan mencapai kira-kira 10 minit, potong pada bahagian senyap seterusnya.
- Potong setiap cebisan dengan ffmpeg, dari satu titik potong ke titik seterusnya.
Sepuluh minit WAV mono 16 kHz ialah 19.2 MB, yang meninggalkan ruang di bawah had. Jika seorang penutur bercakap lama tanpa jeda, skrip di bawah memotong pada maksimum mutlak.
Segment muxer ffmpeg juga boleh memecahkan fail kepada kepingan “of nearly fixed duration” (Terjemahan: dengan tempoh yang hampir tetap) dengan satu arahan. Ia pantas, tetapi ia tidak mencari bahagian senyap, jadi gunakannya hanya apabila kehilangan satu perkataan di setiap sempadan boleh diterima, atau tambah tindihan (di bawah).
Bagaimanakah rupa skrip penuhnya?
Skrip Python ini menukar format, memecah pada bahagian senyap, menghantar sehingga empat cebisan serentak dan mencantumkan teks. Ia menggunakan SDK OpenAI yang dihalakan ke BroadNet Inference.
# 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"))
Catatan tentang skrip:
- Bahasa. Dokumentasi BroadNet menyatakan supaya sentiasa menghantar
language; tanpanya, bahasa Arab “can otherwise be transliterated into Latin letters” (Terjemahan: jika tidak boleh ditransliterasi ke dalam huruf Rumi). Gunakanbroadnet/cohere-transcribedengan kod bahasa yang betul untuk bahasa Inggeris, Perancis atau mana-mana bahasa lain yang disokong. - Ambang.
-35dBdan0.5saat sesuai untuk bilik yang senyap. Bilik yang bising memerlukan nilai hingar yang lebih tinggi, seperti-30dB. Cetak titik potong sekali dan semak. - Urutan.
pool.mapmemulangkan hasil mengikut urutan input, jadi teks dicantum dalam urutan yang betul walaupun cebisan selesai pada masa berbeza.
Berapa banyak cebisan boleh dihantar serentak?
Sebanyak yang dibenarkan oleh kunci anda. Kunci bayar ikut guna BroadNet membenarkan 4 permintaan serentak dan 30 permintaan seminit, sebab itu skrip menggunakan empat pekerja. Permintaan kelima pada masa yang sama mendapat 429. Cuba semula respons 429 dan 5xx dengan backoff eksponen; jangan cuba semula 413, kerana fail yang sama akan gagal lagi. Cara mengendalikan ralat 429 mempunyai pembantu cubaan semula yang boleh anda balut di sekeliling transcribe().
Dengan empat pekerja, rakaman dua jam dalam cebisan 10 minit menjadi 12 permintaan dalam tiga gelombang. Jumlah masa lebih kurang tiga perjalanan pergi balik cebisan, bukan dua belas.
Adakah anda memerlukan tindihan antara cebisan?
Tidak, jika anda memotong di dalam bahagian senyap: tiada pertuturan di sempadan untuk hilang. Tindihan adalah untuk potongan masa tetap. Mulakan setiap cebisan sesaat dua sebelum cebisan sebelumnya berakhir, kemudian buang perkataan berulang semasa mencantum teks. Cara biasa ialah membandingkan beberapa perkataan terakhir satu cebisan dengan beberapa perkataan pertama cebisan seterusnya dan membuang yang sepadan.
Tindihan ada kosnya sedikit. Dua saat bagi setiap cebisan 10 minit menambah kira-kira 0.3% kepada audio yang anda bayar.
Bolehkah cebisan seterusnya menggunakan teks cebisan sebelumnya sebagai konteks?
Sesetengah API membenarkannya. OpenAI menyenaraikan “carrying context from a previous chunk of a longer recording” (Terjemahan: membawa konteks daripada cebisan sebelumnya dalam rakaman yang lebih panjang) sebagai satu kegunaan parameter promptnya. Rujukan API BroadNet hanya menyenaraikan model, language dan file untuk transkripsi, dan memulangkan JSON dengan medan text. Jadi di BroadNet, anggap setiap cebisan bebas, dan betulkan nama dan istilah kemudian. Satu cara murah ialah menghantar transkrip yang dicantum kepada model chat bersama senarai ejaan yang betul untuk orang, produk dan tempat.
Berapakah kos fail yang panjang?
Speech to text dibilkan bagi setiap minit audio, jadi memecahkan fail tidak mengubah jumlahnya. Pada kadar yang diterbitkan BroadNet:
| Audio | BroadNet Transcribe Arabic | BroadNet Transcribe (14 bahasa) |
|---|---|---|
| Harga seminit | $0.0042 | $0.002 |
| Sejam | $0.25 | $0.12 |
| 1,000 jam | $252.00 | $120.00 |
Halaman harga menyenaraikan harga bagi setiap minit audio dan tidak menyebut apa-apa tentang minimum setiap fail atau pembundaran. Semak halaman penggunaan anda selepas kelompok pertama untuk memastikan jumlahnya sepadan dengan panjang audio. Kedua-dua model transkripsi tersedia dengan kredit permulaan percuma $5, yang menampung kira-kira 1,190 minit bahasa Arab. Untuk menganggar volum anda sendiri, gunakan kalkulator kos speech-to-text; untuk membandingkan penyedia, lihat set data harga API speech-to-text.
Apakah kesilapan yang perlu dielakkan?
- Menghantar fail asal. WAV stereo 48 kHz enam kali lebih besar daripada yang diperlukan.
- Memotong pada ofset bait. Cebisan tidak dapat dinyahkod, atau saat pertama menjadi hingar.
- Cebisan tepat pada had. Cebisan 25.9 MB lulus hari ini dan gagal apabila sesuatu rakaman sedikit lebih kuat. Tinggalkan ruang.
- Keselarian tanpa had. Menghantar 50 cebisan serentak menyebabkan kebanyakannya mendapat 429. Hadkan pekerja kepada had serentak kunci.
- Terlupa bahasa. Setiap cebisan ialah permintaan berasingan, jadi setiap satu memerlukan
language.
Bilakah pemecahan bukan alat yang betul?
Jika anda memerlukan label penutur atau cap masa perkataan, memecahkan fail untuk API teks biasa tidak akan memberikannya. Respons transkripsi BroadNet hanya teks. Penyedia yang memulangkan diarisasi dan cap masa juga mengendalikan fail panjang dengan lebih langsung; panduan pembeli speech-to-text bahasa Arab membandingkannya. Untuk rakaman panggilan stereo, pecahkan mengikut saluran dan bukan mengikut masa: saluran paip pusat panggilan menunjukkan caranya.
Di mana BroadNet Inference sesuai
BroadNet Transcribe Arabic berharga $0.0042 seminit, dan BroadNet melaporkannya pada #2 daripada 37 (angka September 2026; papan kedudukan langsung menyenaraikannya di #4 daripada 39 pada 15 November 2026) di Open Universal Arabic ASR Leaderboard. Audio dan transkrip tidak disimpan selepas permintaan. Ia sesuai untuk transkripsi kelompok rakaman bahasa Arab yang panjang setelah anda memecahkannya seperti di atas. Ia tidak sesuai jika anda memerlukan cap masa, label penutur atau penstriman langsung dalam API yang sama. Panduan speech-to-text bahasa Arab merangkumi permintaan pertama; catatan ini merangkumi fail yang terlalu besar untuk satu permintaan.
