音频处理分割？

目前需要用whsiper做语音转录服务，whisper限制25M的大小，请问该如何做这个事情？ 目前的需求是 Android iOS Web 都需要这个功能，目前有几种方案：

方案1

做一个音频分割服务器，然后在做一个转录服务。前端拿到语音文件之后，把语音文件传给音频分割服务器，分割服务器根据波形进行分割，分割完之后传给转录接口。

问题： 这样做的话是不是会造成语音上传多次导致时间较长的问题，因为音频要先上传到音频分割服务器 在传给 转录服务器

方案2

直接在前端进行分割，为了不丢失数据以及避免在句中分割， 准备采用比如 2min前后的空白时间进行分割这样的方案。 这样ios android web 都要做，是不是开发难度较大？

因为不太懂这个东西，请大佬们给点建议。