Çoğu konuşmadan metne API’si istek başına yaklaşık 25 MB’lık tek bir dosya alır. BroadNet Inference 26.214.400 bayta kadar WAV veya MP3 alıyor. Uzun bir toplantı, ders veya podcast bunu kolayca aşar ve istek 413 ile başarısız olur. Çözüm dört adımdan oluşur: dosyayı küçültün, sessizliklerden bölün, parçaları paralel gönderin ve metni yeniden birleştirin.
Uzun bir kayıt neden başarısız olur?
Sınır dakika üzerinden değil, bayt üzerinden. Kaç dakikanın sığacağı biçime bağlı:
| Biçim | Saniye başına bayt | 26.214.400 bayta sığan |
|---|---|---|
| WAV, 44,1 kHz stereo, 16 bit | 176.400 | Yaklaşık 2,5 dakika |
| WAV, 16 kHz mono, 16 bit | 32.000 | Yaklaşık 13,6 dakika |
| MP3, 64 kbit/s | 8.000 | Yaklaşık 54 dakika |
| MP3, 32 kbit/s | 4.000 | Yaklaşık 109 dakika |
Bunlar basit hesaplar: saniye başına bayt çarpı saniye. Telefon veya dizüstü bilgisayar kayıtları çoğunlukla 44,1 ya da 48 kHz stereodur ve sınırı birkaç dakikada doldurur. Konuşma için buna gerek yok. Önce 16 kHz mono’ya dönüştürmek, tek başına en büyük kazanımdır.
Dosya hâlâ çok büyükse API onu doğrudan reddeder. BroadNet’te yanıt 413, “the request exceeds the endpoint byte or text limit” (BroadRouter çevirisi: istek uç noktanın bayt veya metin sınırını aşıyor), ve hiçbir şey metne çevrilmez. Bkz. hata kodu rehberi.
1. adım: Dosya nasıl küçültülür?
Her şeyden önce 16 kHz mono’ya dönüştürün. Tek bir ffmpeg komutu yeterli:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
BroadNet için çıktı WAV (audio/wav) veya MP3 (audio/mpeg) olmalı. .m4a, .ogg ve .webm gibi biçimlerin zaten dönüştürülmesi gerekiyor; yeniden örneklemeyi de aynı adımda yapın.
WAV mı MP3 mü? WAV kayıpsızdır, hiçbir şey kaybolmaz, ama sınırı yaklaşık 13 dakikada doldurur. 64 kbit/s MP3 istek başına dört kat daha fazla ses sığdırır, ama kayıplıdır. MP3 kullanıyorsanız kısa bir test yapın: aynı beş dakikayı WAV ve MP3 olarak metne çevirip metinleri karşılaştırın. Örnekleme hızı maddesi, konuşma için 16 kHz’in neden yeterli olduğunu açıklıyor.
2. adım: Ses, sözcükleri kesmeden nasıl bölünür?
Bayta göre değil, zamana göre bölün. Bir bayt konumundan kesmek bir ses çerçevesinin ortasına denk gelebilir ve dosya çözülmez. Sabit bir zamandan kesmek ise bir sözcüğün ortasına denk gelebilir. OpenAI’ın kendi rehberi cümle ortasından bölmeye karşı uyarıyor, çünkü bu “can remove context and reduce accuracy” (BroadRouter çevirisi: bağlamı silebilir ve doğruluğu azaltabilir).
Güvenilir yöntem, hedef uzunluğunuza yakın bir sessizliğin içinden kesmektir. Dosya boyutunuza ve sürenize göre hazır komutlar almak için ücretsiz ses bölme komut oluşturucuyu kullanın. Elle şöyle çalışır:
- Sessiz aralıkları listelemek için ffmpeg’in silencedetect filtresini çalıştırın.
- Kaydı baştan sona izleyin. Bir parça yaklaşık 10 dakikaya ulaştığında sonraki sessizlikten kesin.
- Her parçayı ffmpeg ile bir kesim noktasından diğerine kesin.
16 kHz mono WAV’da on dakika 19,2 MB eder ve sınırın altında pay bırakır. Bir konuşmacı uzun süre ara vermeden konuşursa aşağıdaki betik bunun yerine kesin üst sınırdan keser.
ffmpeg’in segment muxer bileşeni de bir dosyayı tek komutla “of nearly fixed duration” (BroadRouter çevirisi: neredeyse sabit süreli) parçalara bölebilir. Hızlıdır, ama sessizlik aramaz; bu yüzden yalnızca her sınırda bir sözcük kaybı kabul edilebilirse veya örtüşme eklerseniz (aşağıda) kullanın.
Tam betik nasıl görünür?
Bu Python betiği dönüştürür, sessizliklerden böler, aynı anda en fazla dört parça gönderir ve metni birleştirir. BroadNet Inference’a yönlendirilmiş OpenAI SDK’sını kullanır.
# 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"))
Betikle ilgili notlar:
- Dil. BroadNet’in belgeleri
languagedeğerini her zaman göndermenizi söylüyor; aksi hâlde Arapça “can otherwise be transliterated into Latin letters” (BroadRouter çevirisi: Latin harflerine çevriyazı yapılabilir). İngilizce, Fransızca veya desteklenen diğer dillerinden herhangi biri için doğru dil koduylabroadnet/cohere-transcribekullanın. - Eşikler.
-35dBve0.5saniye sessiz bir oda için uygun. Gürültülü odalar daha yüksek bir gürültü değeri ister, örneğin-30dB. Kesim noktalarını bir kez yazdırıp kontrol edin. - Sıra.
pool.mapsonuçları girdi sırasıyla döndürür; parçalar farklı zamanlarda bitse de metin doğru sırayla birleşir.
Aynı anda kaç parça gönderebilirsiniz?
Anahtarınızın izin verdiği kadar. BroadNet kullandıkça öde anahtarı aynı anda 4 isteğe ve dakikada 30 isteğe izin verir; betiğin dört işçi kullanmasının nedeni bu. Aynı anda gönderilen beşinci istek 429 alır. 429 ve 5xx yanıtlarını üstel geri çekilmeyle yeniden deneyin; 413’ü yeniden denemeyin, çünkü aynı dosya yine başarısız olur. 429 hataları nasıl ele alınır yazısında transcribe() etrafına sarabileceğiniz bir yeniden deneme yardımcısı var.
Dört işçiyle, 10 dakikalık parçalara bölünmüş iki saatlik bir kayıt üç dalgada 12 istek olur. Toplam süre on iki değil, kabaca üç parçanın gidiş-dönüş süresi kadardır.
Parçalar arasında örtüşme gerekir mi?
Sessizliklerin içinden kesiyorsanız gerekmez: sınırda kaybedilecek konuşma yoktur. Örtüşme, sabit zamanlı kesimler içindir. Her parçayı öncekinin bittiği yerden bir iki saniye önce başlatın, sonra metni birleştirirken tekrarlanan sözcükleri çıkarın. Olağan yöntem, bir parçanın son birkaç sözcüğünü sonrakinin ilk birkaç sözcüğüyle karşılaştırıp eşleşmeyi atmaktır.
Örtüşmenin küçük bir maliyeti var. 10 dakikalık parça başına iki saniye, ödediğiniz sese yaklaşık %0,3 ekler.
Sonraki parça, önceki parçanın metnini bağlam olarak kullanabilir mi?
Bazı API’ler buna izin verir. OpenAI, prompt parametresinin kullanım alanlarından biri olarak “carrying context from a previous chunk of a longer recording” (BroadRouter çevirisi: daha uzun bir kaydın önceki parçasından bağlam taşımak) listeliyor. BroadNet’in API başvurusu transkripsiyon için yalnızca model, language ve file alanlarını listeliyor ve text alanlı bir JSON döndürüyor. Bu yüzden BroadNet’te her parçayı bağımsız sayın ve adları ile terimleri sonradan düzeltin. Ucuz bir düzeltme, birleştirilmiş transkripti kişiler, ürünler ve yerler için doğru yazımların listesiyle birlikte bir sohbet modeline göndermektir.
Uzun bir dosya ne kadar tutar?
Konuşmadan metne ses dakikası başına faturalandırılır; bölmek toplamı değiştirmez. BroadNet’in yayımlanan fiyatlarıyla:
| Ses | BroadNet Transcribe Arabic | BroadNet Transcribe (14 dil) |
|---|---|---|
| Dakika başına fiyat | $0.0042 | $0.002 |
| Bir saat | $0.25 | $0.12 |
| 1.000 saat | $252.00 | $120.00 |
Fiyat sayfası ses dakikası başına bir fiyat listeliyor ve dosya başına asgari ücret veya yuvarlama hakkında hiçbir şey söylemiyor. Toplamın ses süresiyle eşleştiğini doğrulamak için ilk toplu işten sonra kullanım sayfanıza bakın. İki transkripsiyon modeli de $5 tutarındaki ücretsiz başlangıç kredisiyle kullanılabilir; bu kredi yaklaşık 1,190 dakika Arapça sesi karşılar. Kendi hacminizi fiyatlandırmak için konuşmadan metne maliyet hesaplayıcısını, sağlayıcıları karşılaştırmak için konuşmadan metne API fiyat veri setini kullanın.
Hangi hatalardan kaçınmalısınız?
- Orijinal dosyayı göndermek. 48 kHz stereo bir WAV, olması gerekenden altı kat büyüktür.
- Bayt konumlarından kesmek. Parça çözülmez veya ilk saniyesi gürültü olur.
- Tam sınırda parçalar. 25,9 MB’lık bir parça bugün geçer, kayıt biraz daha yüksek sesli olduğunda başarısız olur. Pay bırakın.
- Sınırsız paralellik. 50 parçayı aynı anda göndermek çoğuna 429 kazandırır. İşçi sayısını anahtarın eşzamanlı istek sınırıyla sınırlayın.
- Dili unutmak. Her parça ayrı bir istektir; her biri
languagegerektirir.
Parçalama ne zaman yanlış araçtır?
Konuşmacı etiketlerine veya kelime zaman damgalarına ihtiyacınız varsa, düz metin döndüren bir API’de parçalama bunları size vermez. BroadNet’in transkripsiyon yanıtı yalnızca metindir. Konuşmacı ayrıştırma (diarization) ve zaman damgaları döndüren sağlayıcılar uzun dosyaları da daha doğrudan ele alır; Arapça konuşmadan metne alıcı rehberi bunları karşılaştırıyor. Stereo çağrı kayıtlarında zamana göre değil kanala göre bölün: nasıl yapılacağını çağrı merkezi hattı gösteriyor.
BroadNet Inference nereye oturuyor?
BroadNet Transcribe Arabic dakika başına $0.0042 fiyatlı ve BroadNet onun Open Universal Arabic ASR Leaderboard tablosunda 37 model arasında 2. (Eylül 2026 verisi; canlı sıralamada 15 Kasım 2026 itibarıyla 39 model arasında 4.) olduğunu bildiriyor. Ses ve transkriptler istekten sonra saklanmaz. Yukarıdaki gibi böldüğünüzde uzun Arapça kayıtların toplu transkripsiyonu için uygundur. Aynı API’de zaman damgalarına, konuşmacı etiketlerine veya canlı akışa ihtiyacınız varsa size uygun değildir. İlk isteği Arapça konuşmadan metne rehberi anlatıyor; bu yazı ise tek isteğe sığmayacak kadar büyük dosyaları ele alıyor.
