BroadRouter

Chép lời âm thanh dài trên 25 MB: tách, gửi và ghép lại

Đội ngũ BroadNet Inference · 6 phút đọc · Đăng ngày

Phần lớn API chép lời từ chối tệp trên khoảng 25 MB. Trước hết hãy chuyển bản ghi sang mono 16 kHz: riêng bước này đã đưa khoảng 13 phút WAV hoặc 54 phút MP3 64 kbit/s vào giới hạn 26.214.400 byte của BroadNet. Với âm thanh dài hơn, tách tại khoảng lặng bằng ffmpeg, chép lời các đoạn song song rồi nối văn bản theo thứ tự.

Phần lớn API chuyển giọng nói thành văn bản nhận một tệp khoảng 25 MB mỗi request. BroadNet Inference nhận WAV hoặc MP3 tối đa 26.214.400 byte. Một cuộc họp, bài giảng hay podcast dài sẽ vượt xa con số đó, và request thất bại với lỗi 413. Cách khắc phục gồm bốn bước: thu nhỏ tệp, tách tại khoảng lặng, gửi các phần song song, và ghép văn bản lại.

Vì sao bản ghi dài bị lỗi?

Giới hạn áp lên byte, không phải phút. Bao nhiêu phút vừa giới hạn tùy vào định dạng:

Định dạng Byte mỗi giây Vừa trong 26.214.400 byte
WAV, 44,1 kHz stereo, 16-bit 176.400 Khoảng 2,5 phút
WAV, 16 kHz mono, 16-bit 32.000 Khoảng 13,6 phút
MP3, 64 kbit/s 8.000 Khoảng 54 phút
MP3, 32 kbit/s 4.000 Khoảng 109 phút

Đây là phép tính đơn giản: byte mỗi giây nhân số giây. Bản ghi từ điện thoại hoặc laptop thường là 44,1 hoặc 48 kHz stereo, lấp đầy giới hạn chỉ trong vài phút. Giọng nói không cần chừng đó. Chuyển sang mono 16 kHz trước là bước đem lại lợi ích lớn nhất.

Khi tệp vẫn quá lớn, API từ chối ngay. Trên BroadNet, phản hồi là 413, “the request exceeds the endpoint byte or text limit” (bản dịch: request vượt giới hạn byte hoặc văn bản của endpoint), và không có gì được chép lời. Xem hướng dẫn mã lỗi.

Bước 1: thu nhỏ tệp như thế nào?

Chuyển sang mono 16 kHz trước mọi thứ khác. Một lệnh ffmpeg là đủ:

ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav

Với BroadNet, đầu ra phải là WAV (audio/wav) hoặc MP3 (audio/mpeg). Các định dạng như .m4a, .ogg và .webm đằng nào cũng phải chuyển đổi, nên hãy resample ngay trong cùng bước.

Nên chọn WAV hay MP3? WAV là lossless nên không mất gì, nhưng lấp đầy giới hạn trong khoảng 13 phút. MP3 64 kbit/s chứa được gấp bốn lần âm thanh mỗi request, nhưng là nén có mất dữ liệu. Nếu dùng MP3, hãy thử nhanh: chép lời cùng năm phút dưới dạng WAV và MP3 rồi so sánh văn bản. Mục tần số lấy mẫu giải thích vì sao 16 kHz là đủ cho giọng nói.

Bước 2: tách âm thanh thế nào để không cắt ngang từ?

Tách theo thời gian, đừng bao giờ theo byte. Cắt tại một vị trí byte có thể rơi vào giữa một frame âm thanh, và tệp sẽ không giải mã được. Cắt tại một thời điểm cố định có thể rơi vào giữa một từ. Chính hướng dẫn của OpenAI cảnh báo không nên tách giữa câu vì việc đó “can remove context and reduce accuracy” (bản dịch: có thể làm mất context và giảm độ chính xác).

Cách đáng tin cậy là cắt bên trong một khoảng lặng gần độ dài mục tiêu. Để có sẵn lệnh cho kích thước và thời lượng tệp của bạn, hãy dùng công cụ tạo lệnh tách âm thanh miễn phí. Làm bằng tay thì như sau:

  1. Chạy bộ lọc silencedetect của ffmpeg để liệt kê các khoảng lặng.
  2. Đi dọc bản ghi. Khi một đoạn đạt khoảng 10 phút, cắt tại khoảng lặng kế tiếp.
  3. Cắt từng đoạn bằng ffmpeg, từ điểm cắt này tới điểm cắt tiếp theo.

Mười phút WAV mono 16 kHz là 19,2 MB, còn dư chỗ dưới giới hạn. Nếu một người nói rất lâu không ngừng, script bên dưới sẽ cắt tại mức tối đa cứng.

Segment muxer của ffmpeg cũng có thể tách tệp thành các phần “of nearly fixed duration” (bản dịch: có thời lượng gần như cố định) chỉ với một lệnh. Cách này nhanh, nhưng không tìm khoảng lặng, nên chỉ dùng khi chấp nhận mất một từ ở mỗi ranh giới, hoặc thêm phần chồng lấn (bên dưới).

Script đầy đủ trông như thế nào?

Script Python này chuyển đổi, tách tại khoảng lặng, gửi tối đa bốn đoạn cùng lúc và nối văn bản. Nó dùng OpenAI SDK trỏ tới BroadNet Inference.

# 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"))

Ghi chú về script:

  • Ngôn ngữ. Tài liệu BroadNet yêu cầu luôn gửi language; nếu không, tiếng Ả Rập “can otherwise be transliterated into Latin letters” (bản dịch: có thể bị phiên âm sang chữ Latin). Dùng broadnet/cohere-transcribe với mã ngôn ngữ phù hợp cho tiếng Anh, tiếng Pháp hay bất kỳ ngôn ngữ được hỗ trợ nào khác.
  • Ngưỡng. -35dB và 0.5 giây hợp với phòng yên tĩnh. Phòng ồn cần giá trị nhiễu cao hơn, chẳng hạn -30dB. Hãy in các điểm cắt ra một lần và kiểm tra.
  • Thứ tự. pool.map trả kết quả theo thứ tự đầu vào, nên văn bản được nối đúng trình tự dù các đoạn hoàn thành vào thời điểm khác nhau.

Có thể gửi bao nhiêu đoạn cùng lúc?

Bao nhiêu tùy key của bạn cho phép. Key trả theo mức dùng của BroadNet cho phép 4 request cùng lúc và 30 request mỗi phút, đó là lý do script dùng bốn worker. Request thứ năm cùng lúc sẽ nhận 429. Thử lại phản hồi 429 và 5xx với exponential backoff; đừng thử lại 413, vì cùng tệp đó sẽ lại lỗi. Cách xử lý lỗi 429 có hàm thử lại mà bạn có thể bọc quanh transcribe().

Với bốn worker, một bản ghi hai giờ chia thành các đoạn 10 phút trở thành 12 request trong ba đợt. Tổng thời gian xấp xỉ ba lượt xử lý đoạn, không phải mười hai.

Có cần chồng lấn giữa các đoạn không?

Không, nếu bạn cắt bên trong khoảng lặng: không có lời nói nào ở ranh giới để mất. Chồng lấn dành cho kiểu cắt theo thời gian cố định. Bắt đầu mỗi đoạn sớm một hai giây trước khi đoạn trước kết thúc, rồi xóa các từ lặp khi nối văn bản. Cách thường dùng là so vài từ cuối của một đoạn với vài từ đầu của đoạn sau và bỏ phần trùng.

Chồng lấn tốn thêm một chút. Hai giây cho mỗi đoạn 10 phút làm tăng khoảng 0,3% lượng âm thanh bạn trả tiền.

Đoạn sau có dùng văn bản của đoạn trước làm context được không?

Một số API cho phép. OpenAI liệt kê “carrying context from a previous chunk of a longer recording” (bản dịch: mang context từ đoạn trước của một bản ghi dài hơn) là một công dụng của tham số prompt. Tài liệu API của BroadNet chỉ liệt kê model, language và file cho chép lời, và trả về JSON có trường text. Vì vậy trên BroadNet, hãy coi mỗi đoạn là độc lập, và sửa tên, thuật ngữ sau đó. Một cách sửa rẻ là gửi bản chép lời đã nối cho một model chat kèm danh sách cách viết đúng của tên người, sản phẩm và địa điểm.

Một tệp dài tốn bao nhiêu?

Chuyển giọng nói thành văn bản tính phí theo phút âm thanh, nên tách tệp không làm thay đổi tổng. Theo giá BroadNet công bố:

Âm thanh BroadNet Transcribe Arabic BroadNet Transcribe (14 ngôn ngữ)
Giá mỗi phút $0.0042 $0.002
Một giờ $0.25 $0.12
1.000 giờ $252.00 $120.00

Trang giá ghi giá mỗi phút âm thanh và không nói gì về mức tối thiểu hay làm tròn theo tệp. Hãy kiểm tra trang usage sau batch đầu tiên để xác nhận tổng khớp với độ dài âm thanh. Cả hai model chép lời đều dùng được với tín dụng ban đầu miễn phí $5, đủ cho khoảng 1,190 phút tiếng Ả Rập. Để tính giá cho khối lượng của bạn, dùng máy tính chi phí chuyển giọng nói thành văn bản; để so sánh nhà cung cấp, xem bộ dữ liệu giá API chuyển giọng nói thành văn bản.

Nên tránh những sai lầm nào?

  • Gửi tệp gốc. Một tệp WAV 48 kHz stereo lớn gấp sáu lần mức cần thiết.
  • Cắt theo vị trí byte. Đoạn sẽ không giải mã được, hoặc giây đầu tiên là nhiễu.
  • Đoạn sát giới hạn. Một đoạn 25,9 MB qua được hôm nay và lỗi khi bản ghi to hơn một chút. Hãy chừa khoảng trống.
  • Song song không giới hạn. Bắn 50 đoạn cùng lúc thì phần lớn sẽ nhận 429. Giới hạn số worker bằng giới hạn request đồng thời của key.
  • Quên ngôn ngữ. Mỗi đoạn là một request riêng, nên đoạn nào cũng cần language.

Khi nào chia đoạn là công cụ sai?

Nếu bạn cần nhãn người nói hoặc timestamp theo từ, chia đoạn cho một API chỉ trả văn bản sẽ không cho bạn những thứ đó. Phản hồi chép lời của BroadNet chỉ có văn bản. Các nhà cung cấp trả về phân tách người nói và timestamp cũng xử lý tệp dài trực tiếp hơn; hướng dẫn chọn API chuyển giọng nói tiếng Ả Rập so sánh chúng. Với bản ghi cuộc gọi stereo, hãy tách theo kênh thay vì theo thời gian: pipeline tổng đài chỉ cách làm.

BroadNet Inference phù hợp ở đâu?

BroadNet Transcribe Arabic có giá $0.0042 mỗi phút, và BroadNet cho biết model đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard. Âm thanh và bản chép lời không được lưu giữ sau request. Nó hợp với chép lời batch các bản ghi tiếng Ả Rập dài, một khi bạn tách chúng như trên. Nó không hợp nếu bạn cần timestamp, nhãn người nói hoặc streaming trực tiếp trong cùng API. Hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản nói về request đầu tiên; bài này nói về những tệp quá lớn cho một request.

Câu hỏi thường gặp

Làm sao chép lời tệp âm thanh lớn hơn 25 MB?

Trước hết chuyển nó sang mono 16 kHz, thường như vậy đã đủ để xuống dưới giới hạn. Nếu vẫn quá lớn, dùng ffmpeg tách thành các đoạn khoảng 10 phút tại điểm lặng, chép lời từng đoạn với cùng thiết lập ngôn ngữ, rồi nối văn bản theo thứ tự.

25 MB chứa được bao nhiêu phút âm thanh?

Tùy định dạng. WAV mono 16 kHz 16-bit dùng 32.000 byte mỗi giây, nên 26.214.400 byte chứa khoảng 13,6 phút. MP3 64 kbit/s chứa khoảng 54 phút. WAV stereo hoặc 44,1 kHz chứa ít hơn nhiều.

Điều gì xảy ra nếu tôi tải lên tệp vượt giới hạn?

Request bị từ chối. BroadNet Inference trả về 413, mà tài liệu định nghĩa là request vượt giới hạn byte hoặc văn bản của endpoint. Không có gì được chép lời, nên hãy tách và gửi lại.

Tôi có mất từ ở ranh giới giữa các đoạn không?

Có thể, nếu bạn cắt tại một thời điểm cố định giữa lúc đang nói. Hãy cắt bên trong khoảng lặng. Nếu buộc phải cắt theo thời gian cố định, cho các đoạn chồng lên nhau một hai giây và xóa các từ bị lặp khi nối.

Tách tệp có tốn thêm tiền không?

Bạn trả theo phút âm thanh, nên tổng độ dài không đổi. Trang giá của BroadNet ghi giá mỗi phút âm thanh và không nhắc tới mức tối thiểu hay làm tròn theo tệp; hãy kiểm tra trang usage sau batch đầu tiên để xác nhận.

Có thể gửi văn bản của đoạn trước làm context không?

Một số API nhận prompt cho việc đó; OpenAI liệt kê việc mang context từ đoạn trước là một công dụng của tham số prompt. Tài liệu BroadNet chỉ liệt kê model, language và file, nên đừng dựa vào prompt ở đó.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity