Die meisten Speech-to-Text-APIs nehmen pro Anfrage eine Datei von etwa 25 MB an. BroadNet Inference akzeptiert WAV oder MP3 bis 26.214.400 Byte. Ein langes Meeting, eine Vorlesung oder ein Podcast sprengt diese Grenze, und die Anfrage scheitert mit 413. Die Lösung hat vier Schritte: Datei verkleinern, an Pausen aufteilen, die Teile parallel senden und den Text wieder zusammenfügen.
Warum scheitert eine lange Aufnahme?
Das Limit gilt für Bytes, nicht für Minuten. Wie viele Minuten hineinpassen, hängt vom Format ab:
| Format | Byte pro Sekunde | Passt in 26.214.400 Byte |
|---|---|---|
| WAV, 44,1 kHz stereo, 16 Bit | 176.400 | Etwa 2,5 Minuten |
| WAV, 16 kHz mono, 16 Bit | 32.000 | Etwa 13,6 Minuten |
| MP3, 64 kbit/s | 8.000 | Etwa 54 Minuten |
| MP3, 32 kbit/s | 4.000 | Etwa 109 Minuten |
Das ist einfache Rechnung: Byte pro Sekunde mal Sekunden. Eine Aufnahme vom Handy oder Laptop hat oft 44,1 oder 48 kHz stereo und füllt das Limit in wenigen Minuten. Für Sprache braucht man das nicht. Die Umwandlung in 16 kHz mono ist der größte einzelne Gewinn.
Ist eine Datei immer noch zu groß, lehnt die API sie sofort ab. Bei BroadNet lautet die Antwort 413, „the request exceeds the endpoint byte or text limit“ (Übersetzung: „die Anfrage überschreitet das Byte- oder Textlimit des Endpoints“), und es wird nichts transkribiert. Siehe den Leitfaden zu Fehlercodes.
Schritt 1: Wie verkleinert man die Datei?
Wandeln Sie vor allem anderen in 16 kHz mono um. Ein einziger ffmpeg-Befehl erledigt das:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
Für BroadNet muss die Ausgabe WAV (audio/wav) oder MP3 (audio/mpeg) sein. Formate wie .m4a, .ogg und .webm müssen ohnehin konvertiert werden, also erledigen Sie das Resampling im selben Schritt.
WAV oder MP3? WAV ist verlustfrei, es geht also nichts verloren, füllt das Limit aber in etwa 13 Minuten. MP3 mit 64 kbit/s bringt pro Anfrage viermal so viel Audio unter, ist aber verlustbehaftet. Wenn Sie MP3 nutzen, machen Sie einen kurzen Test: Transkribieren Sie dieselben fünf Minuten als WAV und als MP3 und vergleichen Sie den Text. Der Eintrag zur Abtastrate erklärt, warum 16 kHz für Sprache genügen.
Schritt 2: Wie teilt man Audio, ohne Wörter zu zerschneiden?
Teilen Sie nach Zeit, nie nach Bytes. Ein Schnitt an einem Byte-Offset kann mitten in einem Audio-Frame landen, und die Datei lässt sich nicht mehr dekodieren. Ein Schnitt zu einer festen Zeit kann mitten in einem Wort landen. Der Leitfaden von OpenAI selbst warnt davor, mitten im Satz zu trennen, weil das „can remove context and reduce accuracy“ (Übersetzung: „Kontext entfernen und die Genauigkeit verringern kann“).
Die zuverlässige Methode ist, in einer Pause nahe der Ziellänge zu schneiden. Fertige Befehle für Ihre Dateigröße und Dauer liefert der kostenlose Befehlsgenerator zum Aufteilen von Audio. Von Hand geht es so:
- Lassen Sie den Filter silencedetect von ffmpeg die stillen Lücken auflisten.
- Gehen Sie die Aufnahme durch. Wenn ein Teil etwa 10 Minuten erreicht, schneiden Sie an der nächsten Pause.
- Schneiden Sie jeden Teil mit ffmpeg aus, von einem Schnittpunkt zum nächsten.
Zehn Minuten WAV mit 16 kHz mono sind 19,2 MB, das lässt Luft unter dem Limit. Spricht jemand lange ohne Pause, schneidet das Skript unten stattdessen am harten Maximum.
Der Segment-Muxer von ffmpeg kann eine Datei auch mit einem Befehl in Stücke „of nearly fixed duration“ (Übersetzung: „von nahezu fester Dauer“) teilen. Das geht schnell, sucht aber nicht nach Pausen. Nutzen Sie ihn also nur, wenn ein verlorenes Wort an jeder Grenze akzeptabel ist, oder fügen Sie eine Überlappung hinzu (siehe unten).
Wie sieht das vollständige Skript aus?
Dieses Python-Skript konvertiert, teilt an Pausen, sendet bis zu vier Teile gleichzeitig und fügt den Text zusammen. Es nutzt das OpenAI SDK, das auf BroadNet Inference zeigt.
# 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"))
Hinweise zum Skript:
- Sprache. Die Doku von BroadNet sagt, immer
languagemitzusenden; ohne diese Angabe „can otherwise be transliterated into Latin letters“ (Übersetzung: „kann Arabisch sonst in lateinische Buchstaben transliteriert werden“). Nutzen Siebroadnet/cohere-transcribemit dem passenden Sprachcode für Englisch, Französisch oder eine der anderen unterstützten Sprachen. - Schwellenwerte.
-35dBund0.5Sekunden passen zu einem ruhigen Raum. In lauten Räumen brauchen Sie einen höheren Rauschwert, etwa-30dB. Geben Sie die Schnittpunkte einmal aus und prüfen Sie sie. - Reihenfolge.
pool.mapliefert die Ergebnisse in der Eingabereihenfolge, sodass der Text richtig zusammengesetzt wird, auch wenn die Teile zu unterschiedlichen Zeiten fertig werden.
Wie viele Teile kann man gleichzeitig senden?
So viele, wie Ihr Schlüssel erlaubt. Ein Pay-as-you-go-Schlüssel von BroadNet erlaubt 4 gleichzeitige Anfragen und 30 Anfragen pro Minute; deshalb nutzt das Skript vier Worker. Eine fünfte gleichzeitige Anfrage bekommt 429. Wiederholen Sie Antworten mit 429 und 5xx mit exponentiellem Backoff; wiederholen Sie 413 nicht, denn dieselbe Datei scheitert wieder. Wie man mit 429-Fehlern umgeht enthält einen Retry-Helfer, den Sie um transcribe() legen können.
Mit vier Workern wird eine zweistündige Aufnahme in 10-Minuten-Teilen zu 12 Anfragen in drei Wellen. Die Gesamtzeit entspricht ungefähr drei Durchläufen eines Teils, nicht zwölf.
Braucht man eine Überlappung zwischen den Teilen?
Nicht, wenn Sie in Pausen schneiden: An der Grenze gibt es keine Sprache, die verloren gehen könnte. Überlappung ist für Schnitte zu festen Zeiten gedacht. Lassen Sie jeden Teil ein bis zwei Sekunden vor dem Ende des vorherigen beginnen und entfernen Sie beim Zusammenfügen die doppelten Wörter. Üblich ist, die letzten paar Wörter eines Teils mit den ersten des nächsten zu vergleichen und die Übereinstimmung zu streichen.
Überlappung kostet ein wenig. Zwei Sekunden pro 10-Minuten-Teil erhöhen das bezahlte Audio um etwa 0,3 %.
Kann der nächste Teil den Text des vorherigen als Kontext nutzen?
Manche APIs erlauben das. OpenAI nennt „carrying context from a previous chunk of a longer recording“ (Übersetzung: „Kontext aus einem vorherigen Teil einer längeren Aufnahme übernehmen“) als Einsatzzweck seines prompt-Parameters. Die API-Referenz von BroadNet listet für die Transkription nur model, language und file und liefert JSON mit einem text-Feld. Behandeln Sie bei BroadNet also jeden Teil als unabhängig und korrigieren Sie Namen und Begriffe danach. Eine günstige Lösung: Schicken Sie das zusammengefügte Transkript an ein Chat-Modell, zusammen mit einer Liste der korrekten Schreibweisen für Personen, Produkte und Orte.
Was kostet eine lange Datei?
Speech-to-Text wird pro Audiominute abgerechnet, das Aufteilen ändert die Summe also nicht. Zu den veröffentlichten Preisen von BroadNet:
| Audio | BroadNet Transcribe Arabic | BroadNet Transcribe (14 Sprachen) |
|---|---|---|
| Preis pro Minute | $0.0042 | $0.002 |
| Eine Stunde | $0.25 | $0.12 |
| 1.000 Stunden | $252.00 | $120.00 |
Die Preisseite nennt einen Preis pro Audiominute und sagt nichts über ein Minimum pro Datei oder eine Rundung. Prüfen Sie nach dem ersten Batch Ihre Nutzungsseite, ob die Summe zur Audiolänge passt. Beide Transkriptionsmodelle sind mit dem kostenlosen Startguthaben von $5 nutzbar, das etwa 1,190 Minuten Arabisch abdeckt. Ihr eigenes Volumen berechnen Sie mit dem Kostenrechner für Speech-to-Text; Anbieter vergleichen Sie im Preisdatensatz für Speech-to-Text-APIs.
Welche Fehler sollte man vermeiden?
- Die Originaldatei senden. Ein WAV mit 48 kHz stereo ist sechsmal größer als nötig.
- An Byte-Offsets schneiden. Der Teil lässt sich nicht dekodieren, oder die erste Sekunde ist Rauschen.
- Teile direkt am Limit. Ein Teil mit 25,9 MB geht heute durch und scheitert, sobald eine Aufnahme etwas lauter ist. Lassen Sie Spielraum.
- Unbegrenzte Parallelität. Wer 50 Teile auf einmal abfeuert, bekommt für die meisten 429. Begrenzen Sie die Worker auf das Limit gleichzeitiger Anfragen Ihres Schlüssels.
- Die Sprache vergessen. Jeder Teil ist eine eigene Anfrage, also braucht jeder
language.
Wann ist Aufteilen das falsche Werkzeug?
Wenn Sie Sprecherlabels oder Zeitstempel pro Wort brauchen, bekommen Sie sie durch Aufteilen bei einer API, die nur Text liefert, nicht. Die Transkriptionsantwort von BroadNet enthält nur Text. Anbieter, die Diarization und Zeitstempel liefern, verarbeiten lange Dateien auch direkter; der Kaufratgeber für arabische Speech-to-Text-APIs vergleicht sie. Bei Stereo-Gesprächsaufnahmen teilen Sie nach Kanal statt nach Zeit: Die Callcenter-Pipeline zeigt, wie.
Wo BroadNet Inference ins Bild passt
BroadNet Transcribe Arabic kostet $0.0042 pro Minute, und BroadNet meldet es im Open Universal Arabic ASR Leaderboard mit #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39). Audio und Transkripte werden nach der Anfrage nicht gespeichert. Es eignet sich für die Batch-Transkription langer arabischer Aufnahmen, sobald Sie diese wie oben aufteilen. Es eignet sich nicht, wenn Sie Zeitstempel, Sprecherlabels oder Live-Streaming in derselben API brauchen. Der Leitfaden zu arabischem Speech-to-Text behandelt die erste Anfrage; dieser Beitrag behandelt die Dateien, die für eine einzige zu groß sind.
