Большинство API распознавания речи принимают в одном запросе файл размером около 25 МБ. BroadNet Inference принимает WAV или MP3 до 26 214 400 байт. Длинная встреча, лекция или подкаст легко выходят за этот предел, и запрос падает с 413. Решение — четыре шага: уменьшить файл, разрезать его по паузам, отправить части параллельно и склеить текст обратно.
Почему длинная запись не проходит?
Лимит задан в байтах, а не в минутах. Сколько минут в него помещается, зависит от формата:
| Формат | Байт в секунду | Помещается в 26 214 400 байт |
|---|---|---|
| WAV, 44,1 кГц стерео, 16 бит | 176 400 | Около 2,5 минуты |
| WAV, 16 кГц моно, 16 бит | 32 000 | Около 13,6 минуты |
| MP3, 64 кбит/с | 8 000 | Около 54 минут |
| MP3, 32 кбит/с | 4 000 | Около 109 минут |
Это простая арифметика: байты в секунду, умноженные на секунды. Запись с телефона или ноутбука часто идёт в 44,1 или 48 кГц стерео и заполняет лимит за несколько минут. Речи это не нужно. Предварительный перевод в 16 кГц моно даёт самый большой выигрыш.
Если файл всё ещё слишком большой, API отклоняет его сразу. У BroadNet ответ — 413, «the request exceeds the endpoint byte or text limit» (перевод: «запрос превышает лимит эндпоинта по байтам или тексту»), и ничего не транскрибируется. См. руководство по кодам ошибок.
Шаг 1: как уменьшить файл?
Прежде всего переведите аудио в 16 кГц моно. Это делает одна команда ffmpeg:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
Для BroadNet на выходе должен быть WAV (audio/wav) или MP3 (audio/mpeg). Форматы вроде .m4a, .ogg и .webm всё равно придётся конвертировать, так что передискретизацию делайте в том же шаге.
WAV или MP3? WAV — без потерь, ничего не теряется, но лимит он заполняет примерно за 13 минут. MP3 на 64 кбит/с вмещает в один запрос вчетверо больше аудио, но сжимает с потерями. Если выбираете MP3, проведите короткий тест: транскрибируйте одни и те же пять минут в WAV и в MP3 и сравните текст. Почему для речи хватает 16 кГц, объясняет статья глоссария о частоте дискретизации.
Шаг 2: как разрезать аудио, не обрезая слова?
Режьте по времени, никогда — по байтам. Разрез по смещению в байтах может попасть в середину аудиофрейма, и файл не декодируется. Разрез в фиксированный момент может попасть в середину слова. Руководство самой OpenAI предостерегает от разреза посреди предложения, потому что это «can remove context and reduce accuracy» (перевод: «может убрать контекст и снизить точность»).
Надёжный способ — резать внутри паузы рядом с целевой длиной. Готовые команды под размер и длительность вашего файла даст бесплатный конструктор команд для нарезки аудио. Вручную это выглядит так:
- Запустите фильтр ffmpeg silencedetect, чтобы получить список пауз.
- Идите по записи. Когда часть дошла примерно до 10 минут, режьте в ближайшей следующей паузе.
- Вырежьте каждую часть через ffmpeg, от одной точки разреза до следующей.
Десять минут WAV 16 кГц моно — это 19,2 МБ, что оставляет запас до лимита. Если спикер долго говорит без пауз, скрипт ниже режет по жёсткому максимуму.
Мультиплексор segment в ffmpeg тоже умеет одной командой разбить файл на части «of nearly fixed duration» (перевод: «почти фиксированной длительности»). Это быстро, но паузы он не ищет, так что используйте его, только если потеря слова на каждой границе допустима, или добавьте перекрытие (см. ниже).
Как выглядит скрипт целиком?
Этот скрипт на Python конвертирует файл, режет его по паузам, отправляет до четырёх частей одновременно и склеивает текст. Он использует OpenAI SDK, направленный на 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"))
Замечания к скрипту:
- Язык. Документация BroadNet велит всегда передавать
language; без него арабская речь «can otherwise be transliterated into Latin letters» (перевод: «иначе может быть транслитерирована латиницей»). Для английского, французского или любого другого из поддерживаемых языков используйтеbroadnet/cohere-transcribeс нужным кодом языка. - Пороги.
-35dBи0.5секунды подходят для тихого помещения. В шумном помещении нужен более высокий порог шума, например-30dB. Один раз выведите точки разреза и проверьте их. - Порядок.
pool.mapвозвращает результаты в порядке входных данных, так что текст склеивается в правильной последовательности, даже если части завершаются в разное время.
Сколько частей можно отправлять одновременно?
Столько, сколько позволяет ваш ключ. Ключ BroadNet с оплатой по факту допускает 4 одновременных запросов и 30 запросов в минуту — поэтому в скрипте четыре воркера. Пятый одновременный запрос получит 429. Ответы 429 и 5xx повторяйте с экспоненциальной задержкой; 413 не повторяйте — тот же файл снова не пройдёт. В статье о том, как обрабатывать ошибки 429, есть функция повторов, которой можно обернуть transcribe().
С четырьмя воркерами двухчасовая запись, нарезанная по 10 минут, превращается в 12 запросов в три волны. Общее время — примерно три полных цикла обработки части, а не двенадцать.
Нужно ли перекрытие между частями?
Нет, если вы режете внутри пауз: на границе нет речи, которую можно потерять. Перекрытие нужно для разрезов по фиксированному времени. Начинайте каждую часть на секунду-две раньше конца предыдущей, а при склейке убирайте повторившиеся слова. Обычно сравнивают последние несколько слов одной части с первыми словами следующей и выбрасывают совпадение.
Перекрытие немного стоит. Две секунды на каждую 10-минутную часть добавляют около 0,3% к оплачиваемому аудио.
Может ли следующая часть использовать текст предыдущей как контекст?
Некоторые API это позволяют. OpenAI называет «carrying context from a previous chunk of a longer recording» (перевод: «перенос контекста из предыдущей части более длинной записи») одним из применений параметра prompt. Справочник API BroadNet перечисляет для транскрибации только model, language и file и возвращает JSON с полем text. Поэтому на BroadNet считайте каждую часть независимой, а имена и термины исправляйте потом. Дешёвый способ — отправить склеенную расшифровку чат-модели вместе со списком правильных написаний имён людей, продуктов и мест.
Сколько стоит длинный файл?
Распознавание речи тарифицируется за минуту аудио, так что нарезка не меняет итог. По опубликованным тарифам BroadNet:
| Аудио | BroadNet Transcribe Arabic | BroadNet Transcribe (14 языков) |
|---|---|---|
| Цена за минуту | $0.0042 | $0.002 |
| Один час | $0.25 | $0.12 |
| 1000 часов | $252.00 | $120.00 |
На странице цен указана цена за минуту аудио и ничего не сказано о минимуме на файл или округлении. После первой партии проверьте страницу расхода и убедитесь, что итог соответствует длительности аудио. Обе модели транскрибации доступны на бесплатном стартовом гранте $5, которого хватает примерно на 1,190 минут арабской речи. Свой объём посчитайте в калькуляторе стоимости распознавания речи, а провайдеров сравните по набору данных о ценах API распознавания речи.
Каких ошибок избегать?
- Отправлять исходный файл. WAV 48 кГц стерео в шесть раз больше, чем нужно.
- Резать по смещению в байтах. Часть не декодируется, или первая секунда окажется шумом.
- Части впритык к лимиту. Часть на 25,9 МБ сегодня проходит, а завтра не пройдёт, когда запись окажется чуть громче. Оставляйте запас.
- Неограниченный параллелизм. Если отправить 50 частей разом, большинство получит 429. Ограничьте число воркеров лимитом одновременных запросов ключа.
- Забытый язык. Каждая часть — отдельный запрос, и каждой нужен
language.
Когда нарезка — неподходящий инструмент?
Если вам нужны метки спикеров или временные метки слов, нарезка для API, возвращающего только текст, их не даст. Ответ транскрибации BroadNet — только текст. Провайдеры, которые возвращают диаризацию и временные метки, обычно и с длинными файлами работают напрямую; их сравнивает руководство покупателя API распознавания арабской речи. Стереозаписи звонков режьте по каналам, а не по времени: как это делается, показывает конвейер для колл-центра.
Как сюда вписывается BroadNet Inference
BroadNet Transcribe Arabic стоит $0.0042 за минуту, и BroadNet сообщает о её позиции № 2 из 37 (данные за сентябрь 2026 г.; в живом рейтинге на 15 ноября 2026 г. — № 4 из 39) в Open Universal Arabic ASR Leaderboard. Аудио и расшифровки после запроса не хранятся. Она подходит для пакетной транскрибации длинных арабских записей, если нарезать их, как описано выше. Она не подойдёт, если вам нужны временные метки, метки спикеров или потоковое распознавание в том же API. Первый запрос разобран в руководстве по распознаванию арабской речи; эта статья — о файлах, которые в один запрос не помещаются.
