Kadar sampel ialah nombor pertama yang perlu disemak apabila fail audio terlalu besar atau permintaan transkripsi ditolak.
Cara ia berfungsi
Audio digital menyimpan gelombang bunyi sebagai senarai nombor, satu bagi setiap sampel. Pada 16,000 Hz terdapat 16,000 nombor sesaat bagi setiap saluran. Setiap nombor mengambil 2 bait pada kedalaman 16-bit. Oleh itu, saiz WAV tanpa mampatan ialah:
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
Model pertuturan biasanya dilatih pada audio 16 kHz. Kod Whisper OpenAI menetapkan SAMPLE_RATE = 16000 dan memuatkan setiap fail melalui ffmpeg dengan -ac 1 -ar 16000. Dalam dokumentasi FFmpeg sendiri, -ar menetapkan frekuensi pensampelan audio dan -ac bilangan saluran.
Mengapa ia penting
- Had saiz fail. WAV stereo berkualiti CD adalah 10,584,000 / 1,920,000 = 5.5 kali lebih besar daripada 16 kHz mono, tanpa sebarang faedah untuk model 16 kHz.
- Masa muat naik. Fail yang lebih kecil sampai ke API lebih cepat, yang penting untuk bot suara.
- Keserasian. Alat seperti pengesanan aktiviti suara hanya menerima kadar tertentu (WebRTC VAD menerima 8, 16, 32 atau 48 kHz).
- Jangan sampel naik. Menukar panggilan telefon 8 kHz kepada 16 kHz menggandakan saiz fail tetapi tidak menambah butiran.
Di BroadNet Inference
Endpoint transkripsi BroadNet menerima WAV atau MP3 sehingga 26,214,400 bait (25 MiB) setiap fail. Dokumentasinya menukar nota WhatsApp .ogg dan rakaman .m4a dengan:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Berapa banyak audio yang muat dalam satu permintaan sebagai WAV 16-bit:
| Format | Bait seminit | Muat dalam 26,214,400 bait |
|---|---|---|
| 16 kHz mono | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 min, kira-kira 13 min 39 s |
| 44.1 kHz stereo | 10,584,000 | 2.48 min, kira-kira 2 min 29 s |
Untuk audio yang lebih panjang, pecahkan kepada segmen 10 minit (600 s x 32,000 B/s = 19,200,000 bait setiap satu), seperti yang ditunjukkan dalam panduan nota suara WhatsApp, atau hantar MP3, yang jauh lebih kecil bagi setiap minit. Sentiasa tetapkan language. Bil dikira setiap minit audio, bukan setiap bait, jadi kadar sampel mengubah saiz muat naik tetapi bukan harga; semak kos dalam kalkulator kos speech-to-text. Untuk gambaran yang lebih luas, lihat speech-to-text.