A taxa de amostragem é o primeiro número a conferir quando um arquivo de áudio é grande demais ou uma requisição de transcrição é rejeitada.
Como funciona
O áudio digital guarda a onda sonora como uma lista de números, um por amostra. A 16.000 Hz são 16.000 números por segundo por canal. Com profundidade de 16 bits, cada número ocupa 2 bytes. O tamanho de um WAV sem compressão é, portanto:
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
Modelos de fala costumam ser treinados com áudio a 16 kHz. O código do Whisper da OpenAI define SAMPLE_RATE = 16000 e carrega todo arquivo pelo ffmpeg com -ac 1 -ar 16000. Na documentação do próprio FFmpeg, -ar define a frequência de amostragem do áudio e -ac o número de canais.
Por que isso importa
- Limites de tamanho. Um WAV estéreo com qualidade de CD é 10.584.000 / 1.920.000 = 5,5 vezes maior que um 16 kHz mono, sem nenhum ganho para um modelo de 16 kHz.
- Tempo de upload. Arquivos menores chegam mais rápido à API, o que conta para voice bots.
- Compatibilidade. Ferramentas como a detecção de atividade de voz aceitam só certas taxas (o WebRTC VAD aceita 8, 16, 32 ou 48 kHz).
- Não faça upsampling. Converter uma ligação de 8 kHz para 16 kHz dobra o tamanho do arquivo, mas não acrescenta nenhum detalhe.
Na BroadNet Inference
O endpoint de transcrição da BroadNet aceita WAV ou MP3 de até 26.214.400 bytes (25 MiB) por arquivo. A documentação converte áudios .ogg do WhatsApp e gravações .m4a com:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Quanto áudio cabe em uma requisição, como WAV de 16 bits:
| Formato | Bytes por minuto | Cabe em 26.214.400 bytes |
|---|---|---|
| 16 kHz mono | 1.920.000 | 26.214.400 / 1.920.000 = 13,65 min, cerca de 13 min 39 s |
| 44,1 kHz estéreo | 10.584.000 | 2,48 min, cerca de 2 min 29 s |
Para gravações mais longas, divida em segmentos de 10 minutos (600 s x 32.000 B/s = 19.200.000 bytes cada), como mostra o guia de áudios do WhatsApp, ou envie MP3, que é bem menor por minuto. Sempre defina language. A cobrança é por minuto de áudio, não por byte, então a taxa de amostragem muda o tamanho do upload, mas não o preço; confira os custos na calculadora de custo de speech-to-text. Para o panorama geral, veja speech-to-text.