音频文件太大、或者转写请求被拒时,第一个要检查的数字就是采样率。
工作原理
数字音频把声波存成一串数字,每个样本一个。在 16,000 Hz 下,每个声道每秒有 16,000 个数字。位深为 16 位时,每个数字占 2 字节。因此未压缩 WAV 的大小为:
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
语音模型通常用 16 kHz 音频训练。OpenAI 的 Whisper 代码设置了 SAMPLE_RATE = 16000,并通过 ffmpeg 以 -ac 1 -ar 16000 加载每个文件。按照 FFmpeg 自己的文档,-ar 设置音频采样频率,-ac 设置声道数。
为什么重要
- 文件大小限制。 CD 音质的立体声 WAV 是 16 kHz 单声道的 10,584,000 / 1,920,000 = 5.5 倍,而对 16 kHz 模型来说毫无增益。
- 上传时间。 文件越小,到达 API 越快,这对语音机器人很重要。
- 兼容性。 语音活动检测(VAD)等工具只接受特定采样率(WebRTC VAD 接受 8、16、32 或 48 kHz)。
- 不要升采样。 把 8 kHz 的电话录音转成 16 kHz,文件会大一倍,却不会多出任何细节。
在 BroadNet Inference 上
BroadNet 的转写端点接受 WAV 或 MP3,每个文件最多 26,214,400 字节(25 MiB)。它的文档用下面的命令转换 WhatsApp 的 .ogg 语音消息和 .m4a 录音:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
以 16 位 WAV 计,一次请求能装下多少音频:
| 格式 | 每分钟字节数 | 26,214,400 字节可容纳 |
|---|---|---|
| 16 kHz 单声道 | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 分钟,约 13 分 39 秒 |
| 44.1 kHz 立体声 | 10,584,000 | 2.48 分钟,约 2 分 29 秒 |
更长的音频,可以像 WhatsApp 语音消息指南那样切成 10 分钟的片段(600 秒 × 32,000 B/s = 每段 19,200,000 字节),或者改发每分钟体积小得多的 MP3。务必设置 language。计费按音频分钟而不是按字节,所以采样率影响上传大小,但不影响价格;费用可以用语音转文字费用计算器估算。整体介绍见语音转文字。