BroadRouter

转写超过 25 MB 的长音频:切分、发送、拼接

BroadNet Inference 团队 · 阅读约 6 分钟 · 发布于

大多数转写 API 会拒绝超过约 25 MB 的单个文件。先把录音转成 16 kHz 单声道:仅这一步,BroadNet 26,214,400 字节的限制就能装下约 13 分钟 WAV 或 54 分钟 64 kbit/s 的 MP3。更长的音频用 ffmpeg 在静音处切分,并行转写各段,再按顺序拼接文本。

大多数语音转文字 API 每个请求只接受一个约 25 MB 的文件。BroadNet Inference 接受最大 26,214,400 字节的 WAV 或 MP3。一场长会议、一节课或一期播客很容易超出限制,请求会以 413 失败。解决办法分四步:压缩文件、在静音处切分、并行发送各段、再把文本拼接起来。

为什么长录音会失败?

限制按字节算,不按分钟算。能装多少分钟取决于格式:

格式 每秒字节数 26,214,400 字节能装
WAV,44.1 kHz 立体声,16 位 176,400 约 2.5 分钟
WAV,16 kHz 单声道,16 位 32,000 约 13.6 分钟
MP3,64 kbit/s 8,000 约 54 分钟
MP3,32 kbit/s 4,000 约 109 分钟

这些都是简单的乘法:每秒字节数乘以秒数。手机或笔记本电脑录音通常是 44.1 或 48 kHz 立体声,几分钟就会填满限制。语音用不着这么高的规格。先转成 16 kHz 单声道,是收益最大的一步。

如果文件仍然太大,API 会直接拒绝。在 BroadNet 上返回的是 413,“the request exceeds the endpoint byte or text limit”(译文:请求超出了端点的字节或文本限制),不会转写任何内容。参见错误码指南。

第 1 步:如何压缩文件?

先把音频转成 16 kHz 单声道。一条 ffmpeg 命令就能完成:

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

对 BroadNet 来说,输出必须是 WAV(audio/wav)或 MP3(audio/mpeg)。.m4a、.ogg 和 .webm 等格式本来就要转换,所以在同一步里顺便重采样。

选 WAV 还是 MP3?WAV 是无损的,不会丢失任何信息,但大约 13 分钟就会填满限制。64 kbit/s 的 MP3 每个请求能装四倍的音频,但它是有损的。如果用 MP3,先做个小测试:把同样的五分钟分别以 WAV 和 MP3 转写,比较文本。采样率词条解释了为什么 16 kHz 对语音来说足够。

第 2 步:如何切分音频而不切断单词?

按时间切,绝不要按字节切。按字节偏移切可能落在音频帧的中间,导致文件无法解码。按固定时间切可能落在单词中间。OpenAI 自己的指南也提醒不要在句子中间切分,因为这 “can remove context and reduce accuracy”(译文:可能丢失上下文并降低准确率)。

可靠的方法是在接近目标长度的静音段内切分。想直接拿到适合你文件大小和时长的命令,可以用免费的音频切分命令生成器。手动操作的步骤如下:

  1. 运行 ffmpeg 的 silencedetect 滤镜,列出所有静音间隙。
  2. 从头遍历录音。当一段达到约 10 分钟时,在下一个静音处切分。
  3. 用 ffmpeg 从一个切分点到下一个切分点截出每一段。

10 分钟的 16 kHz 单声道 WAV 是 19.2 MB,离限制还有余量。如果说话人长时间不停顿,下面的脚本会改为在硬上限处切分。

ffmpeg 的 segment 复用器也能用一条命令把文件切成 “of nearly fixed duration”(译文:时长近乎固定)的片段。它很快,但不会寻找静音,所以只有在每个边界丢一个词可以接受时才用它,或者加上重叠(见下文)。

完整脚本是什么样的?

这个 Python 脚本会转换格式、在静音处切分、同时最多发送四段,并拼接文本。它使用指向 BroadNet Inference 的 OpenAI SDK。

# 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"))

关于脚本的几点说明:

  • **语言。**BroadNet 的文档要求始终传 language;不传的话,阿拉伯语 “can otherwise be transliterated into Latin letters”(译文:可能被音译成拉丁字母)。英语、法语或其他支持的语言请用 broadnet/cohere-transcribe 并传入正确的语言代码。
  • 阈值。-35dB 和 0.5 秒适合安静的房间。嘈杂的环境需要更高的噪声值,例如 -30dB。先把切分点打印出来检查一遍。
  • 顺序。pool.map 按输入顺序返回结果,所以即使各段完成时间不同,文本也会按正确顺序拼接。

一次能发送多少段?

密钥允许多少就发多少。BroadNet 按量付费密钥同时最多 4 个请求,每分钟 30 个请求,所以脚本用了四个工作线程。同时发出第五个请求会收到 429。对 429 和 5xx 响应用指数退避重试;不要重试 413,因为同一个文件还会失败。如何处理 429 错误里有一个重试辅助函数,可以包在 transcribe() 外面。

用四个工作线程时,一段两小时的录音按 10 分钟切分,就是分三轮发送的 12 个请求。总耗时大约是三次分段往返,而不是十二次。

分段之间需要重叠吗?

如果在静音段内切分,就不需要:边界处没有语音可丢。重叠是给按固定时间切分准备的。让每一段比上一段结束时间早一两秒开始,拼接文本时去掉重复的词。常用做法是比较前一段的最后几个词和后一段的前几个词,删掉重合的部分。

重叠会多花一点钱。每 10 分钟一段重叠两秒,计费音频约增加 0.3%。

下一段能用上一段的文本作为上下文吗?

有些 API 支持。OpenAI 把 “carrying context from a previous chunk of a longer recording”(译文:延续长录音中上一段的上下文)列为其 prompt 参数的用途之一。BroadNet 的 API 参考中,转写只列出了 model、language 和 file,返回带 text 字段的 JSON。所以在 BroadNet 上,把每一段当作独立请求,事后再修正名称和术语。一个便宜的修正方法是:把拼接好的转写文本连同人名、产品名和地名的正确拼写列表一起发给对话模型。

长文件要花多少钱?

语音转文字按音频分钟计费,所以切分不会改变总费用。按 BroadNet 公布的价格:

音频 BroadNet Transcribe Arabic BroadNet Transcribe(14 种语言)
每分钟价格 $0.0042 $0.002
一小时 $0.25 $0.12
1,000 小时 $252.00 $120.00

价格页列出的是每音频分钟的价格,没有提到每个文件的最低计费或取整。第一批处理完后查看用量页面,确认总额与音频时长相符。两个转写模型都可以用 $5 的免费初始额度,大约能转写 1,190 分钟阿拉伯语。要估算你自己的用量费用,用语音转文字成本计算器;要比较服务商,见语音转文字 API 价格数据集。

要避免哪些错误?

  • **直接发送原始文件。**48 kHz 立体声 WAV 比需要的大六倍。
  • **按字节偏移切分。**切出来的片段无法解码,或者第一秒全是噪声。
  • **片段紧贴限制。**25.9 MB 的片段今天能过,录音稍微响一点就会失败。要留出余量。
  • **不限并发。**一次发出 50 段,大部分会收到 429。把工作线程数限制在密钥的同时请求上限以内。
  • **忘记传语言。**每一段都是单独的请求,所以每一段都需要 language。

什么时候不该用分段?

如果你需要说话人标签或词级时间戳,对一个只返回纯文本的 API 做分段也得不到这些。BroadNet 的转写响应只有文本。返回说话人分离和时间戳的服务商,处理长文件也更直接;阿拉伯语语音转文字采购指南对它们做了比较。立体声通话录音要按声道切分,而不是按时间:呼叫中心流水线一文展示了做法。

BroadNet Inference 的定位

BroadNet Transcribe Arabic 每分钟 $0.0042,BroadNet 报告称它在 Open Universal Arabic ASR Leaderboard 上位列 第 2 名(共 37 个)(这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名)。请求完成后不保留音频和转写文本。按上述方法切分后,它适合批量转写长阿拉伯语录音。如果你需要在同一个 API 中获得时间戳、说话人标签或实时流式转写,它就不适合。阿拉伯语语音转文字指南讲的是第一个请求;本文讲的是单个请求装不下的文件。

常见问题

超过 25 MB 的音频文件怎么转写?

先转成 16 kHz 单声道,这样往往就能低于限制。如果还是太大,用 ffmpeg 在静音处切成约 10 分钟一段,每段使用相同的语言设置转写,再按顺序拼接文本。

25 MB 能装多少分钟的音频?

取决于格式。16 kHz 单声道 16 位 WAV 每秒 32,000 字节,所以 26,214,400 字节约能装 13.6 分钟。64 kbit/s 的 MP3 约能装 54 分钟。立体声或 44.1 kHz 的 WAV 装得少得多。

上传超过限制的文件会怎样?

请求会被拒绝。BroadNet Inference 返回 413,其文档将其定义为请求超出了端点的字节或文本限制。不会转写任何内容,所以要切分后重新发送。

在分段边界处会丢词吗?

如果在说话中途按固定时间切,就可能丢。改为在静音段内切分。如果必须按固定时间切,让相邻片段重叠一两秒,拼接时去掉重复的词。

切分文件会更贵吗?

按音频分钟计费,所以总时长不变。BroadNet 的价格页列出的是每音频分钟的价格,没有提到每个文件的最低计费或取整;第一批处理完后请查看用量页面确认。

可以把上一段的转写文本作为上下文发送吗?

有些 API 支持用提示词做这件事;OpenAI 把“延续上一段的上下文”列为其 prompt 参数的用途之一。BroadNet 的文档只列出了 model、language 和 file,所以在 BroadNet 上不要依赖提示词。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity