Bir ses dosyası çok büyük olduğunda veya bir transkripsiyon isteği reddedildiğinde ilk bakılacak sayı örnekleme hızıdır.
Nasıl çalışır
Dijital ses, ses dalgasını her örnek için bir sayı olmak üzere bir sayı listesi olarak saklar. 16.000 Hz’de kanal başına saniyede 16.000 sayı vardır. 16 bit derinlikte her sayı 2 bayt tutar. Sıkıştırılmamış WAV boyutu bu yüzden şöyledir:
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
Konuşma modelleri genellikle 16 kHz ses üzerinde eğitilir. OpenAI’nin Whisper kodu SAMPLE_RATE = 16000 değerini ayarlar ve her dosyayı ffmpeg üzerinden -ac 1 -ar 16000 ile yükler. FFmpeg’in kendi belgelerinde -ar ses örnekleme frekansını, -ac kanal sayısını ayarlar.
Neden önemli
- Dosya boyutu sınırları. CD kalitesinde stereo bir WAV, 16 kHz mono’dan 10.584.000 / 1.920.000 = 5,5 kat büyüktür ve 16 kHz’lik bir model için hiçbir kazanç sağlamaz.
- Yükleme süresi. Küçük dosyalar API’ye daha hızlı ulaşır; bu, sesli botlar için önemlidir.
- Uyumluluk. Ses etkinliği algılama gibi araçlar yalnızca belirli hızları kabul eder (WebRTC VAD 8, 16, 32 veya 48 kHz alır).
- Yukarı örneklemeyin. 8 kHz’lik bir telefon görüşmesini 16 kHz’e dönüştürmek dosyayı iki kat büyütür ama hiçbir ayrıntı eklemez.
BroadNet Inference’ta
BroadNet’in transkripsiyon uç noktası dosya başına 26.214.400 bayta (25 MiB) kadar WAV veya MP3 kabul eder. Belgeleri WhatsApp .ogg notlarını ve .m4a kayıtlarını şu komutla dönüştürür:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
16 bit WAV olarak bir isteğe ne kadar ses sığar:
| Format | Dakika başına bayt | 26.214.400 bayta sığan |
|---|---|---|
| 16 kHz mono | 1.920.000 | 26.214.400 / 1.920.000 = 13,65 dk, yaklaşık 13 dk 39 sn |
| 44,1 kHz stereo | 10.584.000 | 2,48 dk, yaklaşık 2 dk 29 sn |
Daha uzun kayıtları WhatsApp sesli not rehberinde gösterildiği gibi 10 dakikalık parçalara bölün (her biri 600 sn x 32.000 B/sn = 19.200.000 bayt) veya dakika başına çok daha küçük olan MP3 gönderin. language parametresini her zaman ayarlayın. Faturalandırma bayt başına değil ses dakikası başınadır; yani örnekleme hızı yükleme boyutunu değiştirir ama fiyatı değiştirmez. Maliyetleri konuşmadan metne maliyet hesaplayıcısında kontrol edin. Genel resim için bkz. konuşmadan metne.