BroadRouter
Começar

Taxa de amostragem (sample rate)

Atualizado em

Taxa de amostragem (sample rate) é o número de amostras de áudio capturadas por segundo, medido em hertz (Hz). Modelos de reconhecimento de fala costumam esperar áudio mono a 16.000 Hz (16 kHz). Junto com a profundidade de bits e o número de canais, ela define quanto um arquivo de áudio sem compressão ocupa por minuto.

Também chamado de: taxa de amostragem, frequência de amostragem, áudio 16 kHz, sample rate, sampling rate, sampling frequency, audio sample rate, 16 kHz audio

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.

Perguntas frequentes

Qual taxa de amostragem usar para speech-to-text?

16 kHz mono é a escolha comum. O Whisper reamostra toda entrada para 16.000 Hz, e a documentação da BroadNet converte áudios de voz com ffmpeg -ar 16000 -ac 1.

Quanto ocupa um minuto de WAV a 16 kHz?

Em mono de 16 bits, 16.000 amostras x 2 bytes x 60 segundos = 1.920.000 bytes, cerca de 1,92 MB, mais um pequeno cabeçalho.

Uma taxa de amostragem maior melhora a transcrição?

Não, se o modelo trabalha em 16 kHz, porque ele reamostra o áudio para baixo de qualquer jeito. Uma taxa maior só deixa o upload maior.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity