BroadRouter

Transkripsi audio panjang di atas 25 MB: pecah, kirim, gabungkan

Oleh tim BroadNet Inference · 6 menit baca · Dipublikasikan

Sebagian besar API transkripsi menolak satu file di atas sekitar 25 MB. Konversikan rekaman ke 16 kHz mono lebih dulu: itu saja sudah memuat sekitar 13 menit WAV atau 54 menit MP3 64 kbit/s ke dalam batas 26.214.400 byte BroadNet. Untuk audio yang lebih panjang, pecah di jeda hening dengan ffmpeg, transkripsikan potongannya secara paralel, dan gabungkan teksnya sesuai urutan.

Sebagian besar API speech-to-text menerima satu file berukuran sekitar 25 MB per permintaan. BroadNet Inference menerima WAV atau MP3 hingga 26.214.400 byte. Rapat, kuliah, atau podcast yang panjang dengan mudah melewati batas itu, dan permintaannya gagal dengan 413. Solusinya terdiri dari empat langkah: perkecil file, pecah di jeda hening, kirim potongannya secara paralel, lalu gabungkan kembali teksnya.

Mengapa rekaman panjang gagal?

Batasnya dihitung dalam byte, bukan menit. Berapa menit yang muat bergantung pada formatnya:

Format Byte per detik Muat dalam 26.214.400 byte
WAV, 44,1 kHz stereo, 16-bit 176.400 Sekitar 2,5 menit
WAV, 16 kHz mono, 16-bit 32.000 Sekitar 13,6 menit
MP3, 64 kbit/s 8.000 Sekitar 54 menit
MP3, 32 kbit/s 4.000 Sekitar 109 menit

Ini hitungan sederhana: byte per detik dikali detik. Rekaman ponsel atau laptop sering berformat stereo 44,1 atau 48 kHz, yang memenuhi batas dalam beberapa menit. Ucapan tidak membutuhkan itu. Mengonversi ke 16 kHz mono lebih dulu adalah penghematan tunggal terbesar.

Jika file masih terlalu besar, API langsung menolaknya. Di BroadNet responsnya 413, “the request exceeds the endpoint byte or text limit” (Terjemahan BroadRouter: permintaan melebihi batas byte atau teks endpoint), dan tidak ada yang ditranskripsi. Lihat panduan kode error.

Langkah 1: bagaimana memperkecil file?

Konversikan ke 16 kHz mono sebelum melakukan hal lain. Satu perintah ffmpeg sudah cukup:

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

Untuk BroadNet, output harus berupa WAV (audio/wav) atau MP3 (audio/mpeg). Format seperti .m4a, .ogg, dan .webm memang perlu dikonversi, jadi lakukan resampling di langkah yang sama.

Pilih WAV atau MP3? WAV bersifat lossless, jadi tidak ada yang hilang, tetapi memenuhi batas dalam sekitar 13 menit. MP3 64 kbit/s memuat audio empat kali lebih banyak per permintaan, tetapi bersifat lossy. Jika memakai MP3, lakukan uji singkat: transkripsikan lima menit yang sama sebagai WAV dan sebagai MP3, lalu bandingkan teksnya. Entri sample rate menjelaskan mengapa 16 kHz sudah cukup untuk ucapan.

Langkah 2: bagaimana memecah audio tanpa memotong kata?

Pecah berdasarkan waktu, jangan pernah berdasarkan byte. Potongan di offset byte bisa jatuh di tengah frame audio, dan file tidak bisa didekode. Potongan di waktu tetap bisa jatuh di tengah kata. Panduan OpenAI sendiri memperingatkan agar tidak memotong di tengah kalimat karena hal itu “can remove context and reduce accuracy” (Terjemahan BroadRouter: dapat menghilangkan konteks dan mengurangi akurasi).

Metode yang andal adalah memotong di dalam jeda hening yang dekat dengan panjang target Anda. Untuk mendapatkan perintah siap pakai sesuai ukuran dan durasi file Anda, gunakan pembuat perintah pemecah audio gratis. Secara manual, caranya begini:

  1. Jalankan filter silencedetect dari ffmpeg untuk mendaftar jeda hening.
  2. Telusuri rekaman. Saat sebuah potongan mencapai sekitar 10 menit, potong di jeda hening berikutnya.
  3. Potong setiap bagian dengan ffmpeg, dari satu titik potong ke titik berikutnya.

Sepuluh menit WAV mono 16 kHz berukuran 19,2 MB, yang menyisakan ruang di bawah batas. Jika seorang pembicara berbicara lama tanpa jeda, skrip di bawah akan memotong di batas maksimum keras.

Segment muxer dari ffmpeg juga bisa memecah file menjadi potongan “of nearly fixed duration” (Terjemahan BroadRouter: dengan durasi yang hampir tetap) dengan satu perintah. Cara ini cepat, tetapi tidak mencari jeda hening, jadi gunakan hanya jika kehilangan satu kata di setiap batas bisa diterima, atau tambahkan tumpang tindih (lihat di bawah).

Seperti apa skrip lengkapnya?

Skrip Python ini mengonversi, memecah di jeda hening, mengirim hingga empat potongan sekaligus, dan menggabungkan teksnya. Skrip memakai OpenAI SDK yang diarahkan ke 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"))

Catatan tentang skrip:

  • Bahasa. Dokumentasi BroadNet meminta Anda selalu mengirim language; tanpanya, bahasa Arab “can otherwise be transliterated into Latin letters” (Terjemahan BroadRouter: bisa ditransliterasikan ke huruf Latin). Gunakan broadnet/cohere-transcribe dengan kode bahasa yang tepat untuk bahasa Inggris, Prancis, atau bahasa lain yang didukungnya.
  • Ambang batas. -35dB dan 0.5 detik cocok untuk ruangan yang tenang. Ruangan bising membutuhkan nilai noise yang lebih tinggi, misalnya -30dB. Cetak titik potongnya sekali dan periksa.
  • Urutan. pool.map mengembalikan hasil sesuai urutan input, jadi teks tergabung dalam urutan yang benar meskipun potongan selesai pada waktu berbeda.

Berapa banyak potongan yang bisa dikirim sekaligus?

Sebanyak yang diizinkan kunci Anda. Kunci bayar sesuai pemakaian BroadNet mengizinkan 4 permintaan yang sedang berjalan dan 30 permintaan per menit, itulah sebabnya skrip memakai empat worker. Permintaan kelima pada saat yang sama mendapat 429. Ulangi respons 429 dan 5xx dengan exponential backoff; jangan ulangi 413, karena file yang sama akan gagal lagi. Cara menangani error 429 memuat helper retry yang bisa Anda bungkuskan di sekitar transcribe().

Dengan empat worker, rekaman dua jam dalam potongan 10 menit menjadi 12 permintaan dalam tiga gelombang. Total waktunya kira-kira tiga kali bolak-balik potongan, bukan dua belas.

Apakah perlu tumpang tindih antarpotongan?

Tidak, jika Anda memotong di dalam jeda hening: tidak ada ucapan di batas yang bisa hilang. Tumpang tindih diperlukan untuk potongan berwaktu tetap. Mulai setiap potongan satu atau dua detik sebelum potongan sebelumnya berakhir, lalu hapus kata yang berulang saat menggabungkan teks. Cara yang umum adalah membandingkan beberapa kata terakhir satu potongan dengan beberapa kata pertama potongan berikutnya, lalu membuang yang cocok.

Tumpang tindih sedikit menambah biaya. Dua detik per potongan 10 menit menambah sekitar 0,3% audio yang Anda bayar.

Bisakah potongan berikutnya memakai teks potongan sebelumnya sebagai konteks?

Beberapa API mengizinkannya. OpenAI menyebut “carrying context from a previous chunk of a longer recording” (Terjemahan BroadRouter: membawa konteks dari potongan sebelumnya dari rekaman yang lebih panjang) sebagai salah satu kegunaan parameter prompt-nya. Referensi API BroadNet hanya mencantumkan model, language, dan file untuk transkripsi, dan mengembalikan JSON dengan field text. Jadi di BroadNet, perlakukan setiap potongan sebagai independen, dan perbaiki nama serta istilah sesudahnya. Salah satu perbaikan murah adalah mengirim transkrip gabungan ke model chat bersama daftar ejaan yang benar untuk orang, produk, dan tempat.

Berapa biaya file yang panjang?

Speech to text ditagih per menit audio, jadi memecah file tidak mengubah totalnya. Dengan tarif BroadNet yang diterbitkan:

Audio BroadNet Transcribe Arabic BroadNet Transcribe (14 bahasa)
Harga per menit $0.0042 $0.002
Satu jam $0.25 $0.12
1.000 jam $252.00 $120.00

Halaman harga mencantumkan harga per menit audio dan tidak menyebut apa pun tentang minimum per file atau pembulatan. Periksa halaman pemakaian setelah batch pertama untuk memastikan totalnya sesuai durasi audio. Kedua model transkripsi tersedia dengan kredit awal gratis $5, yang mencakup sekitar 1,190 menit audio bahasa Arab. Untuk menghitung harga volume Anda sendiri, gunakan kalkulator biaya speech-to-text; untuk membandingkan penyedia, lihat dataset harga API speech-to-text.

Kesalahan apa yang harus dihindari?

  • Mengirim file asli. WAV stereo 48 kHz enam kali lebih besar dari yang diperlukan.
  • Memotong di offset byte. Potongan tidak bisa didekode, atau detik pertamanya berisi noise.
  • Potongan tepat di batas. Potongan 25,9 MB lolos hari ini dan gagal ketika rekaman sedikit lebih keras. Sisakan ruang.
  • Paralelisme tanpa batas. Mengirim 50 potongan sekaligus membuat sebagian besar mendapat 429. Batasi jumlah worker sesuai batas permintaan berjalan kunci Anda.
  • Lupa bahasa. Setiap potongan adalah permintaan terpisah, jadi masing-masing membutuhkan language.

Kapan chunking bukan alat yang tepat?

Jika Anda membutuhkan label pembicara atau timestamp per kata, chunking pada API teks biasa tidak akan memberikannya. Respons transkripsi BroadNet hanya berupa teks. Penyedia yang mengembalikan diarization dan timestamp juga menangani file panjang secara lebih langsung; panduan pembeli speech-to-text bahasa Arab membandingkannya. Untuk rekaman panggilan stereo, pecah berdasarkan kanal, bukan waktu: pipeline call center menunjukkan caranya.

Di mana posisi BroadNet Inference?

BroadNet Transcribe Arabic dihargai $0.0042 per menit, dan BroadNet melaporkan model ini berada di #2 dari 37 (angka September 2026; papan peringkat langsung mencantumkannya di #4 dari 39 pada 15 November 2026) di Open Universal Arabic ASR Leaderboard. Audio dan transkrip tidak disimpan setelah permintaan. Model ini cocok untuk transkripsi batch rekaman bahasa Arab yang panjang setelah Anda memecahnya seperti di atas. Model ini tidak cocok jika Anda membutuhkan timestamp, label pembicara, atau streaming live di API yang sama. Panduan speech-to-text bahasa Arab membahas permintaan pertama; artikel ini membahas file yang terlalu besar untuk satu permintaan.

Pertanyaan umum

Bagaimana cara mentranskripsi file audio yang lebih besar dari 25 MB?

Pertama, konversikan ke 16 kHz mono, yang sering kali sudah membuatnya di bawah batas. Jika masih terlalu besar, pecah menjadi potongan sekitar 10 menit di titik hening dengan ffmpeg, transkripsikan setiap potongan dengan pengaturan bahasa yang sama, lalu gabungkan teksnya sesuai urutan.

Berapa menit audio yang muat dalam 25 MB?

Tergantung formatnya. WAV mono 16 kHz 16-bit memakai 32.000 byte per detik, jadi 26.214.400 byte memuat sekitar 13,6 menit. MP3 64 kbit/s memuat sekitar 54 menit. WAV stereo atau 44,1 kHz memuat jauh lebih sedikit.

Apa yang terjadi jika saya mengunggah file di atas batas?

Permintaan ditolak. BroadNet Inference mengembalikan 413, yang menurut dokumentasinya berarti permintaan melebihi batas byte atau teks endpoint. Tidak ada yang ditranskripsi, jadi pecah lalu kirim ulang.

Apakah saya kehilangan kata di batas potongan?

Bisa, jika Anda memotong di waktu tetap di tengah ucapan. Potonglah di dalam jeda hening. Jika terpaksa memotong di waktu tetap, buat potongan saling tumpang tindih satu atau dua detik dan hapus kata yang berulang saat menggabungkannya.

Apakah memecah file membuat biaya lebih mahal?

Anda membayar per menit audio, jadi total durasinya sama. Halaman harga BroadNet mencantumkan harga per menit audio dan tidak menyebut minimum per file atau pembulatan; periksa halaman pemakaian setelah batch pertama untuk memastikannya.

Bisakah saya mengirim teks potongan sebelumnya sebagai konteks?

Beberapa API menerima prompt untuk itu; OpenAI menyebut membawa konteks dari potongan sebelumnya sebagai salah satu kegunaan parameter prompt-nya. Dokumentasi BroadNet hanya mencantumkan model, language, dan file, jadi jangan mengandalkan prompt di sana.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity