大多数语音转文字 API 每个请求只接受一个约 25 MB 的文件。BroadNet Inference 接受最大 26,214,400 字节的 WAV 或 MP3。一场长会议、一节课或一期播客很容易超出限制,请求会以 413 失败。解决办法分四步:压缩文件、在静音处切分、并行发送各段、再把文本拼接起来。
为什么长录音会失败?
限制按字节算,不按分钟算。能装多少分钟取决于格式:
| 格式 | 每秒字节数 | 26,214,400 字节能装 |
|---|---|---|
| WAV,44.1 kHz 立体声,16 位 | 176,400 | 约 2.5 分钟 |
| WAV,16 kHz 单声道,16 位 | 32,000 | 约 13.6 分钟 |
| MP3,64 kbit/s | 8,000 | 约 54 分钟 |
| MP3,32 kbit/s | 4,000 | 约 109 分钟 |
这些都是简单的乘法:每秒字节数乘以秒数。手机或笔记本电脑录音通常是 44.1 或 48 kHz 立体声,几分钟就会填满限制。语音用不着这么高的规格。先转成 16 kHz 单声道,是收益最大的一步。
如果文件仍然太大,API 会直接拒绝。在 BroadNet 上返回的是 413,“the request exceeds the endpoint byte or text limit”(译文:请求超出了端点的字节或文本限制),不会转写任何内容。参见错误码指南。
第 1 步:如何压缩文件?
先把音频转成 16 kHz 单声道。一条 ffmpeg 命令就能完成:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
对 BroadNet 来说,输出必须是 WAV(audio/wav)或 MP3(audio/mpeg)。.m4a、.ogg 和 .webm 等格式本来就要转换,所以在同一步里顺便重采样。
选 WAV 还是 MP3?WAV 是无损的,不会丢失任何信息,但大约 13 分钟就会填满限制。64 kbit/s 的 MP3 每个请求能装四倍的音频,但它是有损的。如果用 MP3,先做个小测试:把同样的五分钟分别以 WAV 和 MP3 转写,比较文本。采样率词条解释了为什么 16 kHz 对语音来说足够。
第 2 步:如何切分音频而不切断单词?
按时间切,绝不要按字节切。按字节偏移切可能落在音频帧的中间,导致文件无法解码。按固定时间切可能落在单词中间。OpenAI 自己的指南也提醒不要在句子中间切分,因为这 “can remove context and reduce accuracy”(译文:可能丢失上下文并降低准确率)。
可靠的方法是在接近目标长度的静音段内切分。想直接拿到适合你文件大小和时长的命令,可以用免费的音频切分命令生成器。手动操作的步骤如下:
- 运行 ffmpeg 的 silencedetect 滤镜,列出所有静音间隙。
- 从头遍历录音。当一段达到约 10 分钟时,在下一个静音处切分。
- 用 ffmpeg 从一个切分点到下一个切分点截出每一段。
10 分钟的 16 kHz 单声道 WAV 是 19.2 MB,离限制还有余量。如果说话人长时间不停顿,下面的脚本会改为在硬上限处切分。
ffmpeg 的 segment 复用器也能用一条命令把文件切成 “of nearly fixed duration”(译文:时长近乎固定)的片段。它很快,但不会寻找静音,所以只有在每个边界丢一个词可以接受时才用它,或者加上重叠(见下文)。
完整脚本是什么样的?
这个 Python 脚本会转换格式、在静音处切分、同时最多发送四段,并拼接文本。它使用指向 BroadNet Inference 的 OpenAI SDK。
# 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"))
关于脚本的几点说明:
- **语言。**BroadNet 的文档要求始终传
language;不传的话,阿拉伯语 “can otherwise be transliterated into Latin letters”(译文:可能被音译成拉丁字母)。英语、法语或其他支持的语言请用broadnet/cohere-transcribe并传入正确的语言代码。 - 阈值。
-35dB和0.5秒适合安静的房间。嘈杂的环境需要更高的噪声值,例如-30dB。先把切分点打印出来检查一遍。 - 顺序。
pool.map按输入顺序返回结果,所以即使各段完成时间不同,文本也会按正确顺序拼接。
一次能发送多少段?
密钥允许多少就发多少。BroadNet 按量付费密钥同时最多 4 个请求,每分钟 30 个请求,所以脚本用了四个工作线程。同时发出第五个请求会收到 429。对 429 和 5xx 响应用指数退避重试;不要重试 413,因为同一个文件还会失败。如何处理 429 错误里有一个重试辅助函数,可以包在 transcribe() 外面。
用四个工作线程时,一段两小时的录音按 10 分钟切分,就是分三轮发送的 12 个请求。总耗时大约是三次分段往返,而不是十二次。
分段之间需要重叠吗?
如果在静音段内切分,就不需要:边界处没有语音可丢。重叠是给按固定时间切分准备的。让每一段比上一段结束时间早一两秒开始,拼接文本时去掉重复的词。常用做法是比较前一段的最后几个词和后一段的前几个词,删掉重合的部分。
重叠会多花一点钱。每 10 分钟一段重叠两秒,计费音频约增加 0.3%。
下一段能用上一段的文本作为上下文吗?
有些 API 支持。OpenAI 把 “carrying context from a previous chunk of a longer recording”(译文:延续长录音中上一段的上下文)列为其 prompt 参数的用途之一。BroadNet 的 API 参考中,转写只列出了 model、language 和 file,返回带 text 字段的 JSON。所以在 BroadNet 上,把每一段当作独立请求,事后再修正名称和术语。一个便宜的修正方法是:把拼接好的转写文本连同人名、产品名和地名的正确拼写列表一起发给对话模型。
长文件要花多少钱?
语音转文字按音频分钟计费,所以切分不会改变总费用。按 BroadNet 公布的价格:
| 音频 | BroadNet Transcribe Arabic | BroadNet Transcribe(14 种语言) |
|---|---|---|
| 每分钟价格 | $0.0042 | $0.002 |
| 一小时 | $0.25 | $0.12 |
| 1,000 小时 | $252.00 | $120.00 |
价格页列出的是每音频分钟的价格,没有提到每个文件的最低计费或取整。第一批处理完后查看用量页面,确认总额与音频时长相符。两个转写模型都可以用 $5 的免费初始额度,大约能转写 1,190 分钟阿拉伯语。要估算你自己的用量费用,用语音转文字成本计算器;要比较服务商,见语音转文字 API 价格数据集。
要避免哪些错误?
- **直接发送原始文件。**48 kHz 立体声 WAV 比需要的大六倍。
- **按字节偏移切分。**切出来的片段无法解码,或者第一秒全是噪声。
- **片段紧贴限制。**25.9 MB 的片段今天能过,录音稍微响一点就会失败。要留出余量。
- **不限并发。**一次发出 50 段,大部分会收到 429。把工作线程数限制在密钥的同时请求上限以内。
- **忘记传语言。**每一段都是单独的请求,所以每一段都需要
language。
什么时候不该用分段?
如果你需要说话人标签或词级时间戳,对一个只返回纯文本的 API 做分段也得不到这些。BroadNet 的转写响应只有文本。返回说话人分离和时间戳的服务商,处理长文件也更直接;阿拉伯语语音转文字采购指南对它们做了比较。立体声通话录音要按声道切分,而不是按时间:呼叫中心流水线一文展示了做法。
BroadNet Inference 的定位
BroadNet Transcribe Arabic 每分钟 $0.0042,BroadNet 报告称它在 Open Universal Arabic ASR Leaderboard 上位列 第 2 名(共 37 个)(这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名)。请求完成后不保留音频和转写文本。按上述方法切分后,它适合批量转写长阿拉伯语录音。如果你需要在同一个 API 中获得时间戳、说话人标签或实时流式转写,它就不适合。阿拉伯语语音转文字指南讲的是第一个请求;本文讲的是单个请求装不下的文件。
