Частота дискретизации — первое, что стоит проверить, когда аудиофайл слишком большой или запрос на транскрибацию отклонён.
Как это работает
Цифровой звук хранит звуковую волну как список чисел, по одному на отсчёт. При 16 000 Гц это 16 000 чисел в секунду на канал. При разрядности 16 бит каждое число занимает 2 байта. Поэтому размер несжатого WAV считается так:
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
Речевые модели обычно обучают на аудио 16 кГц. В коде OpenAI Whisper задано SAMPLE_RATE = 16000, и каждый файл загружается через ffmpeg с -ac 1 -ar 16000. Согласно документации FFmpeg, -ar задаёт частоту дискретизации звука, а -ac — число каналов.
Почему это важно
- Лимиты на размер файла. Стерео-WAV CD-качества в 10 584 000 / 1 920 000 = 5,5 раза больше, чем 16 кГц моно, и для модели на 16 кГц ничего не даёт.
- Время загрузки. Файлы поменьше быстрее доходят до API, что важно для голосовых ботов.
- Совместимость. Инструменты вроде детектора речевой активности (VAD) принимают только определённые частоты (WebRTC VAD — 8, 16, 32 или 48 кГц).
- Не повышайте частоту. Если перевести телефонный звонок с 8 кГц в 16 кГц, файл станет вдвое больше, а деталей не прибавится.
В BroadNet Inference
Эндпоинт транскрибации BroadNet принимает WAV или MP3 размером до 26 214 400 байт (25 МиБ) на файл. В документации голосовые .ogg из WhatsApp и записи .m4a конвертируют так:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Сколько аудио помещается в один запрос в виде 16-битного WAV:
| Формат | Байт в минуту | Помещается в 26 214 400 байт |
|---|---|---|
| 16 кГц моно | 1 920 000 | 26 214 400 / 1 920 000 = 13,65 мин, около 13 мин 39 с |
| 44,1 кГц стерео | 10 584 000 | 2,48 мин, около 2 мин 29 с |
Если запись длиннее, режьте её на 10-минутные фрагменты (600 с × 32 000 Б/с = 19 200 000 байт каждый), как показано в руководстве по голосовым сообщениям WhatsApp, или отправляйте MP3, у которого минута весит гораздо меньше. Всегда указывайте language. Оплата идёт за минуту аудио, а не за байты, поэтому частота дискретизации влияет на размер загрузки, но не на цену; расходы можно посчитать в калькуляторе стоимости распознавания речи. Общая картина — в статье о распознавании речи.