جب آڈیو فائل بہت بڑی ہو یا ٹرانسکرپشن کی درخواست رد ہو جائے، تو سب سے پہلے سیمپل ریٹ دیکھیں۔
یہ کیسے کام کرتا ہے
ڈیجیٹل آڈیو آواز کی لہر کو اعداد کی فہرست کے طور پر محفوظ کرتا ہے، ہر سیمپل کے لیے ایک عدد۔ 16,000 Hz پر ہر چینل میں فی سیکنڈ 16,000 اعداد ہوتے ہیں۔ 16 بٹ ڈیپتھ پر ہر عدد 2 بائٹ لیتا ہے۔ اس لیے غیر کمپریسڈ WAV کا سائز یہ ہے:
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
اسپیچ ماڈل عموماً 16 kHz آڈیو پر ٹرین ہوتے ہیں۔ OpenAI کا Whisper کوڈ SAMPLE_RATE = 16000 سیٹ کرتا ہے اور ہر فائل ffmpeg سے -ac 1 -ar 16000 کے ساتھ لوڈ کرتا ہے۔ FFmpeg کی اپنی دستاویزات میں -ar آڈیو سیمپلنگ فریکوئنسی سیٹ کرتا ہے اور -ac چینلز کی تعداد۔
یہ کیوں اہم ہے
- فائل سائز کی حدیں۔ CD کوالٹی اسٹیریو WAV، 16 kHz مونو سے 10,584,000 / 1,920,000 = 5.5 گنا بڑی ہوتی ہے، اور 16 kHz ماڈل کو اس سے کوئی فائدہ نہیں ہوتا۔
- اپ لوڈ کا وقت۔ چھوٹی فائلیں API تک جلدی پہنچتی ہیں، جو وائس بوٹس کے لیے اہم ہے۔
- مطابقت۔ وائس ایکٹیویٹی ڈیٹیکشن جیسے ٹولز صرف مخصوص ریٹ لیتے ہیں (WebRTC VAD، 8، 16، 32 یا 48 kHz لیتا ہے)۔
- اپ سیمپل نہ کریں۔ 8 kHz فون کال کو 16 kHz میں بدلنے سے فائل دگنی ہو جاتی ہے، لیکن کوئی نئی تفصیل نہیں آتی۔
BroadNet Inference پر
BroadNet کا ٹرانسکرپشن اینڈ پوائنٹ ہر فائل میں 26,214,400 بائٹ (25 MiB) تک WAV یا MP3 لیتا ہے۔ اس کی دستاویزات WhatsApp کے .ogg نوٹس اور .m4a ریکارڈنگز کو اس کمانڈ سے کنورٹ کرتی ہیں:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
16 بٹ WAV کی صورت میں ایک درخواست میں کتنا آڈیو آتا ہے:
| فارمیٹ | بائٹ فی منٹ | 26,214,400 بائٹ میں کتنا |
|---|---|---|
| 16 kHz مونو | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 منٹ، تقریباً 13 منٹ 39 سیکنڈ |
| 44.1 kHz اسٹیریو | 10,584,000 | 2.48 منٹ، تقریباً 2 منٹ 29 سیکنڈ |
اس سے لمبے آڈیو کے لیے 10 منٹ کے حصے بنائیں (600 s x 32,000 B/s = ہر حصہ 19,200,000 بائٹ)، جیسا کہ WhatsApp وائس نوٹس گائیڈ میں دکھایا گیا ہے، یا MP3 بھیجیں، جو فی منٹ کہیں چھوٹی ہوتی ہے۔ language ہمیشہ سیٹ کریں۔ بلنگ فی آڈیو منٹ ہوتی ہے، فی بائٹ نہیں، اس لیے سیمپل ریٹ اپ لوڈ سائز بدلتا ہے، قیمت نہیں؛ لاگت اسپیچ ٹو ٹیکسٹ کاسٹ کیلکولیٹر میں دیکھیں۔ بڑی تصویر کے لیے دیکھیں اسپیچ ٹو ٹیکسٹ۔