一小时零七分的会议录音要转文字,走的是兼容 OpenAI 的 whisper-1 接口,单文件 48MB。上传完等结果,客户端抛 ReadTimeout,网关日志里是 504,从发起到断开刚好 30 秒。
先想调大超时,SDK 的 timeout 设到 180 没用,断的是网关不是客户端;运维那边 proxy_read_timeout 是全局的,不给单个接口改。那就只能把音频切小,让每次请求在 30 秒内返回。
ffmpeg 按 25 秒一段切,116 段,每段之间留 0.8 秒重叠。第一版没留重叠,切口的句子被劈成两半,前一段结尾是「我们先看」,后一段开头是「一下这个报错」,拼起来读着别扭,而且时间戳对不上原文。
时间戳的算法是每段 verbose_json 返回的 segments 里 start 和 end 都是段内相对时间,加上这段在总音频里的 offset 才是绝对时间。offset 不能按 25 乘序号算,最后一段不足 25 秒,累计误差会漂。
试过用 pydub 在内存里切,48MB 的 mp3 解码后占 800MB 内存,容器 limit 是 1G,跑到第 40 段被 OOM kill。换成 ffmpeg 命令行按段时间切文件,内存稳定在 200MB 左右。
还有个限制要知道,whisper-1 单文件 25MB 上限,48MB 的原始录音本来就得先转成 64kbps 单声道,体积降到 32MB 还是超,切成两半才传得上去。
合并时按 overlap 去重:后一段开头 0.8 秒内的 segment 如果文字和前一段结尾高度相似就丢掉,用 difflib 的 ratio 大于 0.6 判断。116 段跑完总耗时 6 分 40 秒,串行,并发开到 4 会触发 429,退回 2 稳定。
最后核对:抽了 5 分钟人工听写,文字一致率大概 96%,时间戳误差都在 0.3 秒内,切口那几句也能连上。
ffmpeg -i meet.mp3 -f segment -segment_time 25 \
-ac 1 -ar 16000 -b:a 64k seg_%03d.mp3
# 每段返回后累加 offset
offset = 0.0
for seg in segments:
for s in seg["segments"]:
s["start"] += offset
s["end"] += offset
offset += seg["duration"] - 0.8 