---
title: "用 API 转写超过 25 MB 的音频：切分与拼接 | BroadRouter"
description: "录音超过语音转文字 API 的文件限制怎么办：先压缩文件，用 ffmpeg 在静音处切分，并行发送各段，再按顺序拼接文本。"
url: https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/transcribe-long-audio-files-api/)（2026-11-15 更新）。

# 转写超过 25 MB 的长音频：切分、发送、拼接

BroadNet Inference 团队 · 阅读约 6 分钟 · 发布于 2026-11-15

大多数转写 API 会拒绝超过约 25 MB 的单个文件。先把录音转成 16 kHz 单声道：仅这一步，BroadNet 26,214,400 字节的限制就能装下约 13 分钟 WAV 或 54 分钟 64 kbit/s 的 MP3。更长的音频用 ffmpeg 在静音处切分，并行转写各段，再按顺序拼接文本。

## 要点

-   限制按字节算，不按分钟算。16 kHz 单声道 WAV 每秒 32,000 字节，所以 26,214,400 字节约为 13.6 分钟；64 kbit/s 的 MP3 约为 54 分钟。
-   在静音处按时间切分，绝不要按字节偏移切。按字节切会破坏音频帧，在单词中间切会丢词。
-   每段要远低于限制，例如 10 分钟 WAV，这样即使某个文件噪声较大也不会返回 413。
-   在密钥限制内并行发送各段：BroadNet 按量付费密钥同时最多 4 个请求，每分钟 30 个。
-   切分不会改变计费的音频时长。在 BroadNet Transcribe Arabic 上，一小时阿拉伯语音频的费用是 $0.25。

**本页内容**

1.  为什么长录音会失败？
2.  第 1 步：如何压缩文件？
3.  第 2 步：如何切分音频而不切断单词？
4.  完整脚本是什么样的？
5.  一次能发送多少段？
6.  分段之间需要重叠吗？
7.  下一段能用上一段的文本作为上下文吗？
8.  长文件要花多少钱？
9.  要避免哪些错误？
10.  什么时候不该用分段？
11.  BroadNet Inference 的定位

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

## 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：

```bash
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](https://broadrouter.com/zh/glossary/sample-rate/)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](https://broadrouter.com/tools/audio-splitter-ffmpeg/)。手动操作的步骤如下：

1.  运行 ffmpeg 的 [silencedetect](https://ffmpeg.org/ffmpeg-filters.html) 滤镜，列出所有静音间隙。
2.  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。
3.  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](https://ffmpeg.org/ffmpeg-formats.html)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。

```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"))
```

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](https://broadrouter.com/zh/blog/multilingual-speech-to-text-api/)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](https://broadrouter.com/zh/blog/handle-llm-api-429-rate-limits/)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](https://broadrouter.com/tools/speech-to-text-cost-calculator/)；要比较服务商，见[语音转文字 API 价格数据集](https://broadrouter.com/data/speech-to-text-api-prices/)。

## 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](https://broadrouter.com/zh/glossary/diarization/)和[时间戳](https://broadrouter.com/zh/glossary/timestamps-asr/)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](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)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](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)讲的是第一个请求；本文讲的是单个请求装不下的文件。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

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

WAV（Waveform Audio File Format，又称 WAVE）是建立在微软与 IBM 的 RIFF 格式之上的音频容器。它通常存放未压缩的线性 PCM 样本，因此大小可以预测：每秒字节数 = 采样率 × 每样本字节数 × 声道数。

[语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)

语音转文字，也叫自动语音识别（ASR），是把口语音频转换成书面文字的技术。语音转文字 API 接收音频文件或音频流并返回转写文本，通常按音频分钟计价。准确率用词错误率衡量，会随口音、方言和录音质量变化。

[说话人分离（speaker diarization）](https://broadrouter.com/zh/glossary/diarization/)

说话人分离是把一段录音按说话人切分成片段的任务，回答“谁在何时说话”。它给每段语音打上 SPEAKER\_00 这样的匿名说话人标签，通常与转写文本结合，显示每句话是谁说的。

[按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)

按量付费是一种计价模式：你只为实际用量付费，按 token、请求次数或音频分钟等单位计量，没有订阅费，也没有最低消费承诺。大多数大模型 API 都这样计费，从预付余额中扣减或定期开具账单。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[速率限制（rate limit）](https://broadrouter.com/zh/glossary/rate-limit/)

速率限制是 API 对客户端在一个时间窗口内的使用量设定的上限，例如每分钟请求数或每分钟 token 数。超出限制的请求会被拒绝，通常返回 HTTP 429 Too Many Requests，直到用量回落到限制以下。

[指数退避（exponential backoff）](https://broadrouter.com/zh/glossary/exponential-backoff/)

指数退避（exponential backoff）是一种重试策略：客户端每失败一次，就等待更长时间再重试，通常把延迟翻倍，直到达到上限。在每次等待中加入随机抖动（jitter），可以把众多客户端的重试错开，避免它们在同一时刻打到服务器上。

[并发（concurrency）](https://broadrouter.com/zh/glossary/concurrency/)

并发（concurrency）是客户端在同一时刻正在进行中的请求数。大模型 API 往往按密钥或套餐单独限制并发，与每分钟请求数分开计算，因为每个未完成的请求在响应结束前都会占用 GPU 资源。

## 常见问题

### 超过 25 MB 的音频文件怎么转写？

先转成 16 kHz 单声道，这样往往就能低于限制。如果还是太大，用 ffmpeg 在静音处切成约 10 分钟一段，每段使用相同的语言设置转写，再按顺序拼接文本。

### 25 MB 能装多少分钟的音频？

取决于格式。16 kHz 单声道 16 位 WAV 每秒 32,000 字节，所以 26,214,400 字节约能装 13.6 分钟。64 kbit/s 的 MP3 约能装 54 分钟。立体声或 44.1 kHz 的 WAV 装得少得多。

### 上传超过限制的文件会怎样？

请求会被拒绝。BroadNet Inference 返回 413，其文档将其定义为请求超出了端点的字节或文本限制。不会转写任何内容，所以要切分后重新发送。

### 在分段边界处会丢词吗？

如果在说话中途按固定时间切，就可能丢。改为在静音段内切分。如果必须按固定时间切，让相邻片段重叠一两秒，拼接时去掉重复的词。

### 切分文件会更贵吗？

按音频分钟计费，所以总时长不变。BroadNet 的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；第一批处理完后请查看用量页面确认。

### 可以把上一段的转写文本作为上下文发送吗？

有些 API 支持用提示词做这件事；OpenAI 把“延续上一段的上下文”列为其 prompt 参数的用途之一。BroadNet 的文档只列出了 model、language 和 file，所以在 BroadNet 上不要依赖提示词。

## 继续阅读

-   [呼叫中心录音怎么转写：一条支持阿拉伯语的流水线](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)
-   [多语言语音转文字 API：14 种语言，一个端点](https://broadrouter.com/zh/blog/multilingual-speech-to-text-api/)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Whisper API 替代方案：什么时候该换，怎么测试](https://broadrouter.com/zh/blog/whisper-api-alternative/)
-   [语音转文字 API 价格对比：2026 年每分钟多少钱](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)
-   [用语音转文字 API 生成阿拉伯语 SRT 字幕：你需要知道什么](https://broadrouter.com/zh/blog/arabic-subtitles-srt-api/)
-   [浏览器录音并发送到语音转文字 API](https://broadrouter.com/zh/blog/record-browser-audio-transcription-api/)
-   [用 API 把阿拉伯语音频翻译成英文文本：一条经过测试的流水线](https://broadrouter.com/zh/blog/translate-arabic-audio-to-english/)
-   [BroadNet 的 GPU 硬件与推理部署方式（据 BroadNet 自述）](https://broadrouter.com/zh/blog/broadnet-gpu-fleet-and-serving/)
-   [缓存大模型 API 响应以降低成本：用 Python 实现精确匹配缓存](https://broadrouter.com/zh/blog/cache-llm-responses-cut-cost/)
-   [指南：阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)
-   [指南：用 API 把 WhatsApp 语音消息转成文字](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)
-   [指南：BroadNet Inference 错误码，以及什么时候该重试](https://broadrouter.com/zh/guides/errors-and-retries/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [BroadNet Inference API 参考：WAV 或 MP3 最大 26,214,400 字节、language 字段、413 和 429 错误、按量付费限制（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [BroadNet Inference 价格页：每音频分钟的转写价格（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [OpenAI 语音转文字指南：25 MB 文件限制、切分成片段、避免在句子中间切分（2026-11-15 查阅）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [FFmpeg 格式文档：segment 复用器（2026-11-15 查阅）](https://ffmpeg.org/ffmpeg-formats.html)
-   [Hugging Face 上的 Open Universal Arabic ASR Leaderboard（BroadNet 报告的排名；BroadRouter 于 2026-11-15 查阅）](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [FFmpeg 滤镜文档：silencedetect（2026-11-15 查阅）](https://ffmpeg.org/ffmpeg-filters.html)
