BroadRouter
Bắt đầu

Tần số lấy mẫu (sample rate)

Cập nhật

Tần số lấy mẫu (sample rate) là số mẫu âm thanh ghi được mỗi giây, đo bằng hertz (Hz). Model nhận dạng giọng nói thường cần audio mono 16.000 Hz (16 kHz). Cùng với bit depth và số kênh, sample rate quyết định dung lượng mỗi phút của file audio không nén.

Còn gọi là: sample rate là gì, tần số lấy mẫu, tốc độ lấy mẫu, audio 16 kHz, sample rate, sampling rate, sampling frequency, audio sample rate, 16 kHz audio

Sample rate là con số đầu tiên cần kiểm tra khi file audio quá lớn hoặc request phiên âm bị từ chối.

Cách hoạt động

Audio số lưu sóng âm dưới dạng một danh sách số, mỗi mẫu một số. Ở 16.000 Hz có 16.000 số mỗi giây cho mỗi kênh. Ở độ sâu 16-bit, mỗi số chiếm 2 byte. Vì vậy dung lượng WAV không nén là:

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

Model giọng nói thường được huấn luyện trên audio 16 kHz. Code Whisper của OpenAI đặt SAMPLE_RATE = 16000 và nạp mọi file qua ffmpeg với -ac 1 -ar 16000. Theo tài liệu của chính FFmpeg, -ar đặt tần số lấy mẫu audio còn -ac đặt số kênh.

Vì sao quan trọng

  • Giới hạn dung lượng file. Một file WAV stereo chất lượng CD lớn gấp 10.584.000 / 1.920.000 = 5,5 lần so với 16 kHz mono, mà không đem lại lợi ích gì cho model 16 kHz.
  • Thời gian upload. File nhỏ hơn đến API nhanh hơn, điều này quan trọng với voice bot.
  • Tương thích. Các công cụ như phát hiện giọng nói (VAD) chỉ nhận một số tần số nhất định (WebRTC VAD nhận 8, 16, 32 hoặc 48 kHz).
  • Đừng upsample. Chuyển một cuộc gọi điện thoại 8 kHz lên 16 kHz làm file nặng gấp đôi nhưng không thêm chi tiết nào.

Trên BroadNet Inference

Endpoint phiên âm của BroadNet nhận WAV hoặc MP3 tối đa 26.214.400 byte (25 MiB) mỗi file. Tài liệu của BroadNet chuyển đổi tin nhắn thoại WhatsApp .ogg và bản ghi .m4a bằng lệnh:

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

Lượng audio vừa một request khi dùng WAV 16-bit:

Định dạng Byte mỗi phút Vừa trong 26.214.400 byte
16 kHz mono 1.920.000 26.214.400 / 1.920.000 = 13,65 phút, khoảng 13 phút 39 giây
44,1 kHz stereo 10.584.000 2,48 phút, khoảng 2 phút 29 giây

Với audio dài hơn, hãy chia thành các đoạn 10 phút (600 giây x 32.000 B/s = 19.200.000 byte mỗi đoạn) như hướng dẫn phiên âm tin nhắn thoại WhatsApp, hoặc gửi MP3, vốn nhẹ hơn nhiều mỗi phút. Luôn đặt language. Phí tính theo phút audio, không theo byte, nên sample rate thay đổi dung lượng upload chứ không thay đổi giá; kiểm tra chi phí bằng công cụ tính chi phí speech-to-text. Để có bức tranh tổng thể, xem chuyển giọng nói thành văn bản.

Câu hỏi thường gặp

Nên dùng sample rate bao nhiêu cho speech-to-text?

16 kHz mono là lựa chọn phổ biến. Whisper resample mọi input về 16.000 Hz, và tài liệu của BroadNet chuyển đổi tin nhắn thoại bằng ffmpeg -ar 16000 -ac 1.

Một phút WAV 16 kHz nặng bao nhiêu?

Với 16-bit mono, 16.000 mẫu x 2 byte x 60 giây = 1.920.000 byte, khoảng 1,92 MB, cộng thêm một header nhỏ.

Tăng sample rate có giúp phiên âm tốt hơn không?

Không, nếu model làm việc ở 16 kHz, vì đằng nào nó cũng resample audio xuống. Sample rate cao hơn chỉ làm file upload nặng hơn.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity