官方文档中写明了。音频的限制是10 MB，三分钟。 
但是众所周知，这个模型的转录能力是非常强的，很快或者很慢的语速都可以准确识别。 
看到这里，大家应该都明白了解决办法是什么了，那就是把音频的时长压缩。 
音频加倍速也是可以轻松识别的。那三分钟的限制就变成了六分钟的限制。更快的语速，那我们可以测试一下。