BroadRouter

Transcribir audio largo de más de 25 MB: dividir, enviar y unir

Por el equipo de BroadNet Inference · 6 min de lectura · Publicado

La mayoría de las API de transcripción rechazan un archivo de más de unos 25 MB. Convierta primero la grabación a 16 kHz mono: solo con eso caben unos 13 minutos de WAV o 54 minutos de MP3 a 64 kbit/s en el límite de 26,214,400 bytes de BroadNet. Para audio más largo, divídalo en los silencios con ffmpeg, transcriba los fragmentos en paralelo y una el texto en orden.

La mayoría de las API de voz a texto aceptan un archivo de unos 25 MB por solicitud. BroadNet Inference acepta WAV o MP3 de hasta 26,214,400 bytes. Una reunión larga, una clase o un pódcast lo superan con facilidad, y la solicitud falla con 413. La solución tiene cuatro pasos: reducir el archivo, dividirlo en los silencios, enviar los trozos en paralelo y volver a unir el texto.

¿Por qué falla una grabación larga?

El límite es de bytes, no de minutos. Cuántos minutos caben depende del formato:

Formato Bytes por segundo Cabe en 26,214,400 bytes
WAV, 44.1 kHz estéreo, 16 bits 176,400 Unos 2.5 minutos
WAV, 16 kHz mono, 16 bits 32,000 Unos 13.6 minutos
MP3, 64 kbit/s 8,000 Unos 54 minutos
MP3, 32 kbit/s 4,000 Unos 109 minutos

Son cuentas sencillas: bytes por segundo por segundos. Una grabación de teléfono o portátil suele estar a 44.1 o 48 kHz en estéreo, lo que llena el límite en pocos minutos. La voz no necesita eso. Convertir primero a 16 kHz mono es la mayor mejora individual.

Cuando un archivo sigue siendo demasiado grande, la API lo rechaza directamente. En BroadNet la respuesta es 413, “the request exceeds the endpoint byte or text limit” (Traducción: la solicitud supera el límite de bytes o de texto del endpoint), y no se transcribe nada. Vea la guía de códigos de error.

Paso 1: ¿cómo se reduce el archivo?

Convierta a 16 kHz mono antes que nada. Basta un comando de ffmpeg:

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

Para BroadNet, la salida debe ser WAV (audio/wav) o MP3 (audio/mpeg). Formatos como .m4a, .ogg y .webm necesitan conversión de todos modos, así que haga el remuestreo en el mismo paso.

¿WAV o MP3? WAV no tiene pérdida, así que no se pierde nada, pero llena el límite en unos 13 minutos. En MP3 a 64 kbit/s cabe cuatro veces más audio por solicitud, pero tiene pérdida. Si usa MP3, haga una prueba corta: transcriba los mismos cinco minutos en WAV y en MP3 y compare el texto. La entrada sobre frecuencia de muestreo explica por qué 16 kHz basta para la voz.

Paso 2: ¿cómo se divide el audio sin cortar palabras?

Divida por tiempo, nunca por bytes. Un corte en una posición de bytes puede caer en medio de un fotograma de audio, y el archivo no se podrá decodificar. Un corte en un tiempo fijo puede caer en medio de una palabra. La propia guía de OpenAI advierte contra dividir a mitad de frase porque “can remove context and reduce accuracy” (Traducción: puede eliminar contexto y reducir la precisión).

El método fiable es cortar dentro de un silencio cercano a la duración objetivo. Para obtener comandos listos según el tamaño y la duración de su archivo, use el generador gratuito de comandos para dividir audio. A mano, funciona así:

  1. Ejecute el filtro silencedetect de ffmpeg para listar los silencios.
  2. Recorra la grabación. Cuando un fragmento llegue a unos 10 minutos, corte en el siguiente silencio.
  3. Corte cada fragmento con ffmpeg, de un punto de corte al siguiente.

Diez minutos de WAV mono a 16 kHz son 19.2 MB, lo que deja margen bajo el límite. Si alguien habla mucho tiempo sin pausa, el script de abajo corta en el máximo estricto.

El segment muxer de ffmpeg también puede dividir un archivo en trozos “of nearly fixed duration” (Traducción: de duración casi fija) con un solo comando. Es rápido, pero no busca silencios, así que úselo solo si perder una palabra en cada borde es aceptable, o añada superposición (vea más abajo).

¿Cómo es el script completo?

Este script de Python convierte, divide en los silencios, envía hasta cuatro fragmentos a la vez y une el texto. Usa el SDK de OpenAI apuntando a 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"))

Notas sobre el script:

  • Idioma. La documentación de BroadNet indica enviar siempre language; sin él, el árabe “can otherwise be transliterated into Latin letters” (Traducción: podría transliterarse a letras latinas). Use broadnet/cohere-transcribe con el código de idioma correcto para inglés, francés o cualquier otro de sus idiomas admitidos.
  • Umbrales. -35dB y 0.5 segundos sirven para una sala silenciosa. Las salas ruidosas necesitan un valor de ruido más alto, como -30dB. Imprima los puntos de corte una vez y revíselos.
  • Orden. pool.map devuelve los resultados en el orden de entrada, así que el texto se une en la secuencia correcta aunque los fragmentos terminen en momentos distintos.

¿Cuántos fragmentos puede enviar a la vez?

Tantos como permita su clave. Una clave de pago por uso de BroadNet permite 4 solicitudes en curso y 30 solicitudes por minuto, por eso el script usa cuatro procesos. Una quinta solicitud simultánea recibe 429. Reintente las respuestas 429 y 5xx con espera exponencial; no reintente 413, porque el mismo archivo volverá a fallar. Cómo manejar los errores 429 incluye una función de reintento con la que puede envolver transcribe().

Con cuatro procesos, una grabación de dos horas en fragmentos de 10 minutos se convierte en 12 solicitudes en tres tandas. El tiempo total es de aproximadamente tres viajes de ida y vuelta de un fragmento, no doce.

¿Necesita superposición entre fragmentos?

No si corta dentro de los silencios: no hay habla en el borde que perder. La superposición es para los cortes en tiempo fijo. Empiece cada fragmento uno o dos segundos antes de que termine el anterior y elimine las palabras repetidas al unir el texto. Lo habitual es comparar las últimas palabras de un fragmento con las primeras del siguiente y descartar la coincidencia.

La superposición cuesta un poco. Dos segundos por fragmento de 10 minutos añaden alrededor de un 0.3 % al audio que paga.

¿Puede el siguiente fragmento usar el texto del anterior como contexto?

Algunas API lo permiten. OpenAI menciona “carrying context from a previous chunk of a longer recording” (Traducción: trasladar el contexto de un fragmento anterior de una grabación más larga) como uso de su parámetro prompt. La referencia de la API de BroadNet solo menciona model, language y file para la transcripción, y devuelve JSON con un campo text. Así que en BroadNet trate cada fragmento como independiente y corrija nombres y términos después. Una solución barata es enviar la transcripción unida a un modelo de chat con una lista de la ortografía correcta de personas, productos y lugares.

¿Cuánto cuesta un archivo largo?

La voz a texto se factura por minuto de audio, así que dividir no cambia el total. Con las tarifas publicadas de BroadNet:

Audio BroadNet Transcribe Arabic BroadNet Transcribe (14 idiomas)
Precio por minuto $0.0042 $0.002
Una hora $0.25 $0.12
1,000 horas $252.00 $120.00

La página de precios indica un precio por minuto de audio y no dice nada de un mínimo por archivo ni de redondeo. Revise su página de uso después del primer lote para confirmar que el total coincide con la duración del audio. Ambos modelos de transcripción están disponibles con el crédito inicial gratuito de $5, que cubre unos 1,190 minutos de árabe. Para calcular su propio volumen, use la calculadora de costo de voz a texto; para comparar proveedores, vea el conjunto de datos de precios de API de voz a texto.

¿Qué errores debe evitar?

  • Enviar el archivo original. Un WAV estéreo a 48 kHz es seis veces más grande de lo necesario.
  • Cortar por posición de bytes. El fragmento no se decodificará, o el primer segundo será ruido.
  • Fragmentos justo en el límite. Un fragmento de 25.9 MB pasa hoy y falla cuando una grabación tiene un poco más de volumen. Deje margen.
  • Paralelismo sin límite. Lanzar 50 fragmentos a la vez hace que la mayoría reciba 429. Limite los procesos al máximo de solicitudes en curso de la clave.
  • Olvidar el idioma. Cada fragmento es una solicitud aparte, así que cada uno necesita language.

¿Cuándo dividir no es la herramienta adecuada?

Si necesita etiquetas de hablante o marcas de tiempo por palabra, dividir el audio para una API que solo devuelve texto no se las dará. La respuesta de transcripción de BroadNet es solo texto. Los proveedores que devuelven diarización y marcas de tiempo también manejan los archivos largos de forma más directa; la guía de compra de API de voz a texto en árabe los compara. Para grabaciones de llamadas en estéreo, divida por canal en lugar de por tiempo: el flujo para centros de llamadas muestra cómo.

Dónde encaja BroadNet Inference

BroadNet Transcribe Arabic cuesta $0.0042 por minuto, y BroadNet informa que ocupa el puesto #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard. El audio y las transcripciones no se conservan después de la solicitud. Sirve para la transcripción por lotes de grabaciones largas en árabe una vez divididas como se explicó. No le sirve si necesita marcas de tiempo, etiquetas de hablante o streaming en vivo en la misma API. La guía de voz a texto en árabe cubre la primera solicitud; este artículo cubre los archivos demasiado grandes para una sola.

Preguntas frecuentes

¿Cómo transcribo un archivo de audio de más de 25 MB?

Primero conviértalo a 16 kHz mono, lo que a menudo basta para que quede por debajo del límite. Si sigue siendo demasiado grande, divídalo con ffmpeg en fragmentos de unos 10 minutos en los silencios, transcriba cada fragmento con el mismo ajuste de idioma y una los textos en orden.

¿Cuántos minutos de audio caben en 25 MB?

Depende del formato. El WAV mono de 16 bits a 16 kHz usa 32,000 bytes por segundo, así que 26,214,400 bytes alcanzan para unos 13.6 minutos. El MP3 a 64 kbit/s, para unos 54 minutos. Un WAV estéreo o a 44.1 kHz admite mucho menos.

¿Qué pasa si subo un archivo que supera el límite?

La solicitud se rechaza. BroadNet Inference devuelve 413, que su documentación define como una solicitud que supera el límite de bytes o de texto del endpoint. No se transcribe nada, así que divida el archivo y vuelva a enviarlo.

¿Pierdo palabras en los bordes de los fragmentos?

Puede ocurrir si corta en un tiempo fijo en medio del habla. Corte dentro de un silencio. Si tiene que cortar en un tiempo fijo, superponga los fragmentos uno o dos segundos y elimine las palabras repetidas al unirlos.

¿Dividir un archivo cuesta más?

Usted paga por minutos de audio, así que la duración total es la misma. La página de precios de BroadNet indica un precio por minuto de audio y no menciona un mínimo por archivo ni redondeo; revise la página de uso después del primer lote para confirmarlo.

¿Puedo enviar el texto del fragmento anterior como contexto?

Algunas API admiten un prompt para eso; OpenAI menciona trasladar el contexto de un fragmento anterior como uso de su parámetro prompt. La documentación de BroadNet solo menciona model, language y file, así que no cuente con un prompt allí.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity