多くの音声認識 API は、1 リクエストあたり約 25 MB のファイルを 1 つ受け付けます。BroadNet Inference が受け付けるのは、最大 26,214,400 バイトの WAV または MP3 です。長い会議、講義、ポッドキャストはこれを簡単に超え、リクエストは 413 で失敗します。対処は 4 ステップです。ファイルを小さくし、無音部分で分割し、各部分を並列で送り、テキストをつなぎ直します。
長い録音はなぜ失敗するのですか?
上限は分数ではなくバイト数にかかっています。何分入るかはフォーマットによります。
| フォーマット | 1 秒あたりのバイト数 | 26,214,400 バイトに収まる長さ |
|---|---|---|
| WAV、44.1 kHz ステレオ、16 ビット | 176,400 | 約 2.5 分 |
| WAV、16 kHz モノラル、16 ビット | 32,000 | 約 13.6 分 |
| MP3、64 kbit/s | 8,000 | 約 54 分 |
| MP3、32 kbit/s | 4,000 | 約 109 分 |
どれも単純な計算で、1 秒あたりのバイト数に秒数を掛けたものです。スマートフォンやノートパソコンの録音は 44.1 kHz や 48 kHz のステレオであることが多く、数分で上限に達します。音声にはそこまでの品質は必要ありません。最初に 16 kHz モノラルに変換するのが、最も効果の大きい一手です。
それでもファイルが大きすぎる場合、API はそのまま拒否します。BroadNet のレスポンスは 413、“the request exceeds the endpoint byte or text limit”(訳:リクエストがエンドポイントのバイト数またはテキストの上限を超えています)で、何も文字起こしされません。エラーコードのガイドを参照してください。
ステップ 1:ファイルを小さくするには?
何よりも先に 16 kHz モノラルに変換します。ffmpeg のコマンド 1 つで済みます。
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
BroadNet では、出力は WAV(audio/wav)か MP3(audio/mpeg)である必要があります。.m4a、.ogg、.webm などはどのみち変換が必要なので、同じステップでリサンプリングも行いましょう。
WAV と MP3 のどちらを選ぶべきでしょうか。WAV は可逆なので何も失われませんが、約 13 分で上限に達します。64 kbit/s の MP3 なら 1 リクエストに 4 倍の音声が入りますが、非可逆です。MP3 を使うなら、同じ 5 分を WAV と MP3 で文字起こしし、テキストを比べる短いテストをしてください。音声に 16 kHz で十分な理由はサンプリングレートの項目で説明しています。
ステップ 2:単語を切らずに音声を分割するには?
バイトではなく時間で分割します。バイト位置で切るとオーディオフレームの途中に当たることがあり、ファイルがデコードできなくなります。固定時間で切ると、単語の途中に当たることがあります。OpenAI 自身のガイドも、文の途中での分割は “can remove context and reduce accuracy”(訳:コンテキストが失われ、精度が下がる可能性がある)と注意しています。
確実なのは、目標の長さに近い無音部分の中で切る方法です。ファイルのサイズと長さに合わせたコマンドをすぐに得たいなら、無料の音声分割コマンドビルダーを使ってください。手作業なら次のようになります。
- ffmpeg の silencedetect フィルターを実行し、無音の区間を一覧にします。
- 録音を先頭から見ていき、チャンクが約 10 分になったら次の無音部分で切ります。
- ffmpeg で、切れ目から次の切れ目までを各チャンクとして切り出します。
16 kHz モノラル WAV の 10 分は 19.2 MB で、上限まで余裕があります。話者が間を置かずに長く話し続ける場合、下のスクリプトは代わりにハードな最大値で切ります。
ffmpeg の segment マルチプレクサーを使えば、1 つのコマンドでファイルを “of nearly fixed duration”(訳:ほぼ一定の長さ)の断片に分割することもできます。手軽ですが無音を探さないので、境目ごとに単語が 1 つ失われても構わない場合に限るか、重なり(後述)を加えてください。
スクリプト全体はどうなりますか?
この Python スクリプトは、変換、無音部分での分割、最大 4 チャンクの同時送信、テキストの結合を行います。BroadNet Inference に接続先を向けた OpenAI SDK を使います。
# 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"))
スクリプトについての補足です。
- **言語。**BroadNet のドキュメントでは常に
languageを送るよう求めています。送らない場合、アラビア語は “can otherwise be transliterated into Latin letters”(訳:ラテン文字に音写されることがある)とのことです。英語、フランス語、そのほかの対応言語には、broadnet/cohere-transcribeを正しい言語コードとともに使ってください。 - しきい値。
-35dBと0.5秒は静かな部屋向けです。雑音の多い部屋では、-30dBのように高めのノイズ値が必要です。一度切れ目を出力して確認してください。 - 順序。
pool.mapは入力の順序で結果を返すので、チャンクの完了時刻がばらばらでも、テキストは正しい順序で結合されます。
一度にいくつのチャンクを送れますか?
キーが許す数までです。BroadNet の従量課金キーでは、同時 4 リクエスト、1 分あたり 30 リクエストまで送れるため、スクリプトはワーカーを 4 つにしています。同時に 5 つ目のリクエストを送ると 429 が返ります。429 と 5xx のレスポンスは指数バックオフで再試行してください。413 は同じファイルでまた失敗するので、再試行しません。429 エラーへの対処に、transcribe() に被せて使える再試行ヘルパーがあります。
ワーカー 4 つの場合、2 時間の録音を 10 分のチャンクにすると 12 リクエストになり、3 回に分けて送られます。全体の所要時間は、12 回ではなくおよそ 3 回分のチャンクの往復時間です。
チャンク同士を重ねる必要はありますか?
無音部分の中で切るなら不要です。境目に失われる発話がないからです。重なりは固定時間で切る場合のためのものです。各チャンクを、前のチャンクの終わりより 1〜2 秒前から始め、テキストの結合時に重複した単語を取り除きます。一般的には、あるチャンクの最後の数語と次のチャンクの最初の数語を比べ、一致した部分を削除します。
重なりには少しコストがかかります。10 分のチャンクごとに 2 秒重ねると、課金される音声が約 0.3% 増えます。
次のチャンクで前のチャンクのテキストをコンテキストに使えますか?
対応している API もあります。OpenAI は “carrying context from a previous chunk of a longer recording”(訳:長い録音の前のチャンクからコンテキストを引き継ぐこと)を prompt パラメーターの用途として挙げています。BroadNet の API リファレンスで文字起こしに記載されているのは model、language、file だけで、text フィールドを持つ JSON を返します。そのため BroadNet では各チャンクを独立したものとして扱い、名前や用語は後から修正してください。安上がりな修正方法の 1 つは、結合した文字起こし結果を、人名、製品名、地名の正しい表記リストと一緒にチャットモデルに送ることです。
長いファイルの料金はいくらですか?
音声認識は音声の分数で課金されるため、分割しても合計は変わりません。BroadNet の公開料金では次のとおりです。
| 音声 | BroadNet Transcribe Arabic | BroadNet Transcribe(14 言語) |
|---|---|---|
| 1 分あたりの料金 | $0.0042 | $0.002 |
| 1 時間 | $0.25 | $0.12 |
| 1,000 時間 | $252.00 | $120.00 |
料金ページには音声 1 分あたりの料金が記載されており、ファイルごとの最低料金や端数の切り上げについては何も書かれていません。最初のバッチの後に利用状況ページを確認し、合計が音声の長さと一致しているか確かめてください。どちらの文字起こしモデルも $5 の無料の初回クレジットで使え、アラビア語なら約 1,190 分に相当します。自分の量での見積もりには音声認識コスト計算ツールを、プロバイダーの比較には音声認識 API 価格データセットを使ってください。
避けるべき失敗は?
- **元のファイルをそのまま送る。**48 kHz ステレオの WAV は、必要な大きさの 6 倍あります。
- **バイト位置で切る。**チャンクがデコードできないか、最初の 1 秒がノイズになります。
- **上限ぎりぎりのチャンク。**25.9 MB のチャンクは今日は通っても、録音が少し大きな音になると失敗します。余裕を残してください。
- **並列数を制限しない。**50 チャンクを一度に送ると、大半が 429 になります。ワーカー数はキーの同時実行上限までにしてください。
- **言語の指定を忘れる。**各チャンクは別々のリクエストなので、それぞれに
languageが必要です。
チャンク分割が適さないのはどんなときですか?
話者ラベルや単語のタイムスタンプが必要なら、プレーンテキストを返す API でチャンク分割しても得られません。BroadNet の文字起こしレスポンスはテキストのみです。話者分離やタイムスタンプを返すプロバイダーは、長いファイルもより直接的に扱えます。比較はアラビア語音声認識 API 購入ガイドにあります。ステレオの通話録音は、時間ではなくチャンネルで分割してください。方法はコールセンターのパイプラインで紹介しています。
BroadNet Inference の位置付け
BroadNet Transcribe Arabic の料金は 1 分あたり $0.0042 で、BroadNet の報告では Open Universal Arabic ASR Leaderboard で 37 件中 2 位(2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) です。音声と文字起こし結果はリクエスト後に保持されません。上記の方法で分割すれば、長いアラビア語録音のバッチ文字起こしに向いています。同じ API でタイムスタンプ、話者ラベル、リアルタイムのストリーミングが必要な場合は向いていません。最初のリクエストはアラビア語音声認識ガイドで、1 回では送れない大きさのファイルはこの記事で扱っています。
