---
title: "Транскрибация аудио больше 25 МБ через API: нарезка, склейка"
description: "Как расшифровать запись больше лимита API распознавания речи: уменьшить файл, разрезать по паузам через ffmpeg, отправить части параллельно и склеить текст."
url: https://broadrouter.com/ru/blog/transcribe-long-audio-files-api/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/transcribe-long-audio-files-api/) (обновлён 2026-11-15).

# Транскрибация аудио больше 25 МБ: разрезать, отправить, склеить

Команда BroadNet Inference · 6 мин чтения · Опубликовано 2026-11-15

Большинство API транскрибации отклоняют файл больше примерно 25 МБ. Сначала переведите запись в 16 кГц моно: уже одно это укладывает в лимит BroadNet в 26 214 400 байт около 13 минут WAV или 54 минут MP3 на 64 кбит/с. Более длинное аудио режьте по паузам через ffmpeg, транскрибируйте части параллельно и склеивайте текст по порядку.

## Главное

-   Лимит задан в байтах, а не в минутах. WAV 16 кГц моно — это 32 000 байт в секунду, так что 26 214 400 байт — около 13,6 минуты; MP3 на 64 кбит/с — около 54 минут.
-   Режьте по времени и в паузе, но никогда не по смещению в байтах. Разрез по байтам ломает аудиофреймы, а разрез посреди слова теряет слова.
-   Держите части заметно меньше лимита, например по 10 минут WAV, чтобы ни один шумный файл не вернул 413.
-   Отправляйте части параллельно в пределах лимита ключа: 4 одновременных запросов и 30 в минуту на ключе BroadNet с оплатой по факту.
-   Нарезка не меняет длительность аудио, за которую вы платите. Час арабской речи стоит $0.25 на BroadNet Transcribe Arabic.

**На этой странице**

1.  Почему длинная запись не проходит?
2.  Шаг 1: как уменьшить файл?
3.  Шаг 2: как разрезать аудио, не обрезая слова?
4.  Как выглядит скрипт целиком?
5.  Сколько частей можно отправлять одновременно?
6.  Нужно ли перекрытие между частями?
7.  Может ли следующая часть использовать текст предыдущей как контекст?
8.  Сколько стоит длинный файл?
9.  Каких ошибок избегать?
10.  Когда нарезка — неподходящий инструмент?
11.  Как сюда вписывается BroadNet Inference

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](https://broadrouter.com/ru/guides/errors-and-retries/).

## Шаг 1: как уменьшить файл?

Прежде всего переведите аудио в 16 кГц моно. Это делает одна команда ffmpeg:

```bash
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](https://broadrouter.com/ru/glossary/sample-rate/).

## 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](https://broadrouter.com/tools/audio-splitter-ffmpeg/). Вручную это выглядит так:

1.  Запустите фильтр ffmpeg [silencedetect](https://ffmpeg.org/ffmpeg-filters.html), чтобы получить список пауз.
2.  Идите по записи. Когда часть дошла примерно до 10 минут, режьте в ближайшей следующей паузе.
3.  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](https://ffmpeg.org/ffmpeg-formats.html) 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.

```python
# 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](https://broadrouter.com/ru/blog/multilingual-speech-to-text-api/) используйте `broadnet/cohere-transcribe` с нужным кодом языка.
-   **Пороги.** `-35dB` и `0.5` секунды подходят для тихого помещения. В шумном помещении нужен более высокий порог шума, например `-30dB`. Один раз выведите точки разреза и проверьте их.
-   **Порядок.** `pool.map` возвращает 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](https://broadrouter.com/ru/blog/handle-llm-api-429-rate-limits/), 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/), а провайдеров сравните по [набору данных о ценах API распознавания речи](https://broadrouter.com/data/speech-to-text-api-prices/).

## 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](https://broadrouter.com/ru/glossary/diarization/) и [временные метки](https://broadrouter.com/ru/glossary/timestamps-asr/), обычно и с длинными файлами работают напрямую; их сравнивает [руководство покупателя API распознавания арабской речи](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/). Стереозаписи звонков режьте по каналам, а не по времени: как это делается, показывает [конвейер для колл-центра](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/).

## 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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/); эта статья — о файлах, которые в один запрос не помещаются.

Бесплатные инструменты по теме (на английском)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[WAV](https://broadrouter.com/ru/glossary/wav/)

WAV (Waveform Audio File Format, или WAVE) — это аудиоконтейнер на основе формата RIFF от Microsoft и IBM. Обычно он содержит несжатые отсчёты линейного PCM, поэтому его размер предсказуем: частота дискретизации × байт на отсчёт × число каналов за каждую секунду.

[Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/)

Распознавание речи (speech-to-text, автоматическое распознавание речи, ASR) — это технология, которая превращает устную речь в письменный текст. API распознавания речи принимает аудиофайл или поток и возвращает расшифровку, обычно с оплатой за минуту аудио. Точность измеряют долей ошибок в словах (WER), и она зависит от акцента, диалекта и качества записи.

[Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/)

Частота дискретизации — это число отсчётов звука, записываемых за секунду, в герцах (Гц). Модели распознавания речи обычно ожидают моно-аудио с частотой 16 000 Гц (16 кГц). Вместе с разрядностью и числом каналов частота дискретизации определяет, сколько весит минута несжатого аудио.

[Временные метки в распознавании речи (timestamps)](https://broadrouter.com/ru/glossary/timestamps-asr/)

Временные метки в распознавании речи — это время начала и конца в секундах, привязанное к частям расшифровки. Метки сегментов охватывают фразу или предложение, метки слов — каждое слово. Они нужны для субтитров, поиска внутри записей и сопоставления текста с говорящими.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/)

Контекстное окно — это максимальное число токенов, с которым языковая модель может работать в одном запросе. В него входят промпт, история диалога, описания инструментов, изображения и сгенерированный ответ, включая токены рассуждений. Всё, что не помещается, приходится обрезать, сжимать в краткое изложение или делить на несколько запросов.

[Лимит запросов (rate limit)](https://broadrouter.com/ru/glossary/rate-limit/)

Лимит запросов (rate limit) — это ограничение, которое API накладывает на объём использования клиентом за отрезок времени, например число запросов или токенов в минуту. Запросы сверх лимита отклоняются, обычно с HTTP 429 Too Many Requests, пока использование снова не опустится ниже порога.

[Оплата по факту (pay-as-you-go)](https://broadrouter.com/ru/glossary/pay-as-you-go/)

Оплата по факту (pay-as-you-go) — это модель ценообразования, при которой вы платите только за то, что использовали, по счётчику в единицах вроде токенов, запросов или минут аудио, без подписки и минимальных обязательств. Так тарифицирует большинство LLM API — с предоплаченного баланса или по периодическому счёту.

## Вопросы и ответы

### Как транскрибировать аудиофайл больше 25 МБ?

Сначала переведите его в 16 кГц моно — часто этого хватает, чтобы уложиться в лимит. Если файл всё ещё слишком большой, разрежьте его через ffmpeg на части примерно по 10 минут в местах тишины, транскрибируйте каждую часть с одним и тем же языком и склейте тексты по порядку.

### Сколько минут аудио помещается в 25 МБ?

Зависит от формата. WAV 16 кГц моно 16 бит занимает 32 000 байт в секунду, так что в 26 214 400 байт помещается около 13,6 минуты. MP3 на 64 кбит/с — около 54 минут. Стерео или WAV 44,1 кГц — гораздо меньше.

### Что будет, если загрузить файл больше лимита?

Запрос будет отклонён. BroadNet Inference возвращает 413 — в её документации так обозначен запрос, превышающий лимит эндпоинта по байтам или тексту. Ничего не транскрибируется, так что разрежьте файл и отправьте заново.

### Теряются ли слова на границах частей?

Могут потеряться, если резать в фиксированный момент посреди речи. Режьте лучше внутри паузы. Если резать приходится по фиксированному времени, делайте перекрытие частей на секунду-две и убирайте повторившиеся слова при склейке.

### Обходится ли нарезка файла дороже?

Вы платите за минуты аудио, так что общая длительность та же. На странице цен BroadNet указана цена за минуту аудио и ничего не сказано о минимуме на файл или округлении; после первой партии проверьте это на странице расхода.

### Можно ли передать текст предыдущей части как контекст?

Некоторые API принимают для этого промпт; OpenAI называет перенос контекста из предыдущей части одним из применений своего параметра prompt. В документации BroadNet перечислены только model, language и file, так что на промпт там не рассчитывайте.

## Читайте также

-   [Транскрибация записей колл-центра: конвейер с поддержкой арабского](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/)
-   [Многоязычный API распознавания речи: 14 языков, один эндпоинт](https://broadrouter.com/ru/blog/multilingual-speech-to-text-api/)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Альтернатива Whisper API: когда переходить и как её протестировать](https://broadrouter.com/ru/blog/whisper-api-alternative/)
-   [Цены API распознавания речи: сравнение стоимости минуты в 2026 году](https://broadrouter.com/ru/blog/speech-to-text-api-pricing-compared/)
-   [Арабские субтитры (SRT) из API распознавания речи: что нужно](https://broadrouter.com/ru/blog/arabic-subtitles-srt-api/)
-   [Запись аудио в браузере и отправка в API распознавания речи](https://broadrouter.com/ru/blog/record-browser-audio-transcription-api/)
-   [Перевод арабского аудио в английский текст по API: рабочий пайплайн](https://broadrouter.com/ru/blog/translate-arabic-audio-to-english/)
-   [GPU-парк и подход к инференсу BroadNet — по описанию самой BroadNet](https://broadrouter.com/ru/blog/broadnet-gpu-fleet-and-serving/)
-   [Кэширование ответов LLM API: кэш точных совпадений на Python](https://broadrouter.com/ru/blog/cache-llm-responses-cut-cost/)
-   [Руководство: API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/)
-   [Руководство: Голосовые сообщения WhatsApp в текст через API](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/)
-   [Руководство: Коды ошибок BroadNet Inference и когда повторять запрос](https://broadrouter.com/ru/guides/errors-and-retries/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-transcribe-long-audio-files-api&utm_content=page-cta) ·

**Источники**

-   [Справочник BroadNet Inference API: WAV или MP3 до 26 214 400 байт, поле language, ошибки 413 и 429, лимиты оплаты по факту (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [Страница цен BroadNet Inference, цена транскрибации за минуту аудио (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [Руководство OpenAI по распознаванию речи: лимит файла 25 МБ, нарезка на части, не резать посреди предложения (дата обращения 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Документация FFmpeg по форматам, мультиплексор segment (дата обращения 2026-11-15)](https://ffmpeg.org/ffmpeg-formats.html)
-   [Open Universal Arabic ASR Leaderboard на Hugging Face (позиция по данным BroadNet; проверено BroadRouter 2026-11-15)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Документация FFmpeg по фильтрам, silencedetect (дата обращения 2026-11-15)](https://ffmpeg.org/ffmpeg-filters.html)
