BroadRouter

मल्टीलिंगुअल speech-to-text API: 14 भाषाएँ, एक एंडपॉइंट

BroadNet Inference टीम · 6 मिनट में पढ़ें · प्रकाशित · अपडेट किया गया

BroadNet Transcribe 14 भाषाओं का speech-to-text मॉडल है, जिनमें अंग्रेज़ी, स्पेनिश, फ़्रेंच, जर्मन, चीनी, जापानी और अरबी शामिल हैं, और यह OpenAI-compatible /v1/audio/transcriptions एंडपॉइंट पर चलता है। कीमत $0.002 प्रति ऑडियो मिनट ($0.12 प्रति घंटा) है। ज़्यादातर अरबी ऑडियो के लिए BroadNet Transcribe Arabic ख़ास विकल्प है, $0.0042 प्रति मिनट पर।

The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."

ऑडियो सँभालने वाले ज़्यादातर प्रोडक्ट एक से ज़्यादा भाषा से निपटते हैं: दुनिया भर की सपोर्ट लाइन, अलग-अलग दफ़्तरों की मीटिंग रिकॉर्डिंग, किसी बहुभाषी शहर का वॉइस-नोट इनबॉक्स। हर भाषा के लिए अलग speech-to-text वेंडर चलाना रखरखाव का ख़र्च है। BroadNet Transcribe 14 भाषाओं को एक OpenAI-compatible एंडपॉइंट के पीछे रखता है, प्रति ऑडियो मिनट की कीमत पर, और अरबी-भारी कामों के लिए उसके बगल में एक ख़ास अरबी मॉडल है।

BroadNet Transcribe कौन-सी भाषाएँ कवर करता है?

भाषाओं की सूची BroadNet के प्रकाशित pricing.json से है, ISO 639-1 कोड के रूप में:

कोड भाषा कोड भाषा
en अंग्रेज़ी nl डच
es स्पेनिश pl पोलिश
fr फ़्रेंच zh चीनी
de जर्मन ja जापानी
it इतालवी ko कोरियाई
pt पुर्तगाली vi वियतनामी
el ग्रीक ar अरबी

BroadNet Transcribe Cohere Transcribe पर आधारित है और BroadNet इसे सर्व करता है। मॉडल id broadnet/cohere-transcribe है।

पूरी तस्वीर के लिए, हमारा खुला speech-to-text API प्राइस इंडेक्स 20 से ज़्यादा प्रोडक्ट्स की बैच और स्ट्रीमिंग कीमतें, बिलिंग की इकाई और अरबी सपोर्ट लिस्ट करता है, हर एक प्रोवाइडर के अपने प्राइसिंग पेज से जाँचा हुआ (CSV और JSON)।

मल्टीलिंगुअल ट्रांसक्रिप्शन की लागत कितनी है?

मॉडल प्रति मिनट प्रति घंटा भाषाएँ
BroadNet Transcribe $0.002 $0.12 14
BroadNet Transcribe Arabic $0.0042 $0.25 अरबी

बिलिंग ऑडियो के मिनट के हिसाब से होती है, अनुरोध या टोकन के हिसाब से नहीं। दोनों मॉडल मुफ़्त $5 शुरुआती क्रेडिट पर चलते हैं, इसलिए टॉप-अप से पहले आप अपनी रिकॉर्डिंग टेस्ट कर सकते हैं। सारी कीमतें कीमतों के पेज पर देखें, अपने महीने के घंटों की कीमत speech-to-text लागत कैलकुलेटर में निकालें, या दूसरे प्रोवाइडर्स से तुलना speech-to-text API कीमतों की तुलना में करें।

ट्रांसक्रिप्शन एंडपॉइंट को कैसे कॉल करें?

एंडपॉइंट OpenAI ऑडियो ट्रांसक्रिप्शन के ढाँचे पर चलता है, इसलिए आधिकारिक SDK सिर्फ़ base URL बदलकर काम करते हैं:

import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

with open("meeting-fr.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe",
        file=audio,
        language="fr",
    )
print(result.text)

या curl से:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe \
  -F language=es \
  -F file=@llamada.wav

जवाब JSON है, जिसमें ट्रांसक्रिप्ट text में होता है। BroadNet का डॉक्युमेंट किया हुआ जवाब सिर्फ़ टेक्स्ट है; अगर आपको शब्दों के टाइमस्टैम्प या स्पीकर लेबल चाहिए, तो उनके इर्द-गिर्द डिज़ाइन करने से पहले API रेफ़रंस में देखें कि अभी क्या सपोर्टेड है।

भाषा हमेशा क्यों भेजें?

BroadNet के डॉक्स साफ़ कहते हैं: हर ट्रांसक्रिप्शन अनुरोध के साथ language भेजें। इसके बिना अरबी लैटिन अक्षरों में लिप्यंतरित होकर लौट सकती है, और यही जोखिम किसी भी ऐसी भाषा पर है जिसे मॉडल ग़लत समझ सकता है। अगर आपको भाषा पहले से नहीं पता:

  1. पहले मेटाडेटा देखें। कॉल करने वाले का देश, यूज़र के ऐप की भाषा या फ़ोन नंबर का प्रीफ़िक्स आम तौर पर सही होता है।
  2. वॉइस प्रोडक्ट्स में यूज़र से पूछें (“अंग्रेज़ी के लिए 1 दबाएँ, अरबी के लिए 2”)।
  3. छोटा सैंपल आज़माएँ। पहले 30 सेकंड अपने सबसे अच्छे अनुमान से ट्रांसक्राइब करें; अगर टेक्स्ट ग़लत दिखे (ग़लत लिपि, बेमतलब शब्द), तो अगली संभावित भाषा से दोबारा कोशिश करें।

सीमाएँ और फ़ॉर्मैट क्या हैं?

  • फ़ॉर्मैट: WAV (audio/wav) या MP3 (audio/mpeg)। .ogg, .m4a, .webm और वीडियो फ़ाइलें पहले ffmpeg से बदलें। WhatsApp वॉइस-नोट गाइड में एक लाइन का कमांड है।
  • आकार: हर फ़ाइल 26,214,400 बाइट (25 MiB) तक; बड़ी फ़ाइलें 413 लौटाती हैं। यह 16 kHz मोनो WAV के लगभग 13 मिनट या 64 kbit/s MP3 के लगभग 54 मिनट के बराबर है। लंबे ऑडियो को ffmpeg -f segment -segment_time 600 से बाँटें।
  • दर: उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 की अनुमति देती है। 429 को बैकऑफ़ के साथ रीट्राई करें; देखें एरर और रीट्राई।
  • प्राइवेसी: ऑडियो और ट्रांसक्रिप्ट अनुरोध के लिए प्रोसेस होते हैं और रखे नहीं जाते। देखें ज़ीरो डेटा रिटेंशन।

चंकिंग और वर्कर पूल वाली प्रोडक्शन बैच पाइपलाइन के लिए बड़े पैमाने पर अरबी कॉल-सेंटर ट्रांसक्रिप्शन देखें; यही डिज़ाइन 14 में से किसी भी भाषा के लिए काम करता है।

अरबी के लिए ख़ास मॉडल कब चुनें?

BroadNet दो मॉडल इसलिए देता है क्योंकि स्पीच रिकग्निशन के लिए अरबी ज़्यादातर भाषाओं से कठिन है: एक लिखित मानक के नीचे कई बोलियाँ, अंग्रेज़ी और फ़्रेंच के साथ बार-बार code-switching, और बहुत सारा फ़ोन-गुणवत्ता वाला ऑडियो। BroadNet Transcribe Arabic ख़ास विकल्प है, और BroadNet अरबी सटीकता सिर्फ़ इसी के लिए प्रकाशित करता है:

  • BroadNet के मुताबिक़ यह Open Universal Arabic ASR Leaderboard पर 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) पर है, और उन मॉडलों में #1 है जिनके लाइसेंस API से सर्व करने की अनुमति देते हैं।
  • BroadNet की लैब के वर्ड एरर रेट: FLEURS-ar पर 3.8, MASC-ar पर 21.1 और उसके बोली सेट पर 23.4 (कम बेहतर है)। इन आँकड़ों का मतलब क्या है।

BroadNet 14 भाषाओं वाले मॉडल के अरबी आँकड़े प्रकाशित नहीं करता, पर पब्लिक लीडरबोर्ड करता है: 15 नवंबर 2026 को उसने BroadNet Transcribe के पीछे के मॉडल, Cohere Transcribe 03-2026, को 39 में से #8 पर 30.67 के औसत WER के साथ दिखाया, जबकि 39 में से #4 पर अरबी मॉडल का 24.19 था। दूसरी भाषाओं के लिए, BroadNet अपने मॉडल पेज पर BroadNet Transcribe के लिए FLEURS अंग्रेज़ी पर 5.5 और FLEURS स्पेनिश पर 3.2 वर्ड एरर रेट बताता है, और अंग्रेज़ी ऑडियो पर एक स्ट्रीम में लगभग 113 गुना रियलटाइम (बैच में 217 गुना)। एक सरल नियम:

आपका ऑडियो चुनें
ज़्यादातर अरबी, कोई भी बोली BroadNet Transcribe Arabic
अरबी फ़ाइलें कम हैं, सटीकता बहुत ज़रूरी नहीं सब कुछ BroadNet Transcribe पर, या दोनों टेस्ट करें
मिली-जुली फ़ाइलें, हर फ़ाइल की भाषा पता है अरबी फ़ाइलें अरबी मॉडल पर, बाक़ी BroadNet Transcribe पर
बाक़ी 13 में से कोई भी भाषा BroadNet Transcribe

भाषा के हिसाब से रूटिंग एक लाइन का बदलाव है, क्योंकि दोनों मॉडल एक ही एंडपॉइंट और अनुरोध ढाँचा साझा करते हैं:

def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"

अरबी मॉडल प्रति मिनट लगभग दोगुना महँगा है। बड़े वॉल्यूम पर, अपने असली अरबी ऑडियो के कुछ घंटों पर दोनों को टेस्ट करें और हर बोली का वर्ड एरर रेट मिलाएँ; अरबी speech-to-text ख़रीदार गाइड में एक घंटे का टेस्ट प्लान है। अगर शोर वाले अरबी ऑडियो में संख्याएँ, तारीख़ें और नाम समस्या हैं, तो BroadNet मॉडल पेज पर अनुरोध पर मिलने वाला एक फ़ाइन-ट्यून किया हुआ अरबी मॉडल भी लिस्ट करता है।

हर भाषा में सटीकता कैसे टेस्ट करें?

वेंडर का एक अकेला सटीकता आँकड़ा भाषाओं, लहजों और रिकॉर्डिंग की स्थितियों के बीच बड़े फ़र्क़ छिपा देता है। कोई वर्कलोड सौंपने से पहले हर भाषा पर एक छोटा टेस्ट चलाएँ:

  1. हर भाषा की 20 से 50 असली क्लिप इकट्ठा करें, उसी चैनल से जिसे आप असल में ट्रांसक्राइब करेंगे: फ़ोन कॉल, मीटिंग रिकॉर्डिंग, वॉइस नोट या वीडियो। अपने सबसे कठिन लहजे भी शामिल करें।
  2. कुछ क्लिप के रेफ़रंस ट्रांसक्रिप्ट हाथ से लिखें, संख्याओं, नामों और अंग्रेज़ी से लिए गए शब्दों की वर्तनी के तय नियमों के साथ।
  3. सही language कोड के साथ ट्रांसक्राइब करें और हर भाषा का वर्ड एरर रेट निकालें। चीनी और जापानी, जिनमें शब्दों के बीच स्पेस नहीं होते, के लिए कैरेक्टर एरर रेट इस्तेमाल करें।
  4. ग़लतियाँ पढ़ें। प्रोडक्ट के नाम, रक़में और पते, भराव वाले शब्दों से ज़्यादा मायने रखते हैं।
  5. अगर अरबी आपके मिश्रण में है, तो उसे दोनों मॉडलों पर दोहराएँ, और हर बोली की तुलना करें।

$5 शुरुआती क्रेडिट BroadNet Transcribe पर कई भाषाओं के ऐसे टेस्ट को कवर कर लेता है, क्योंकि प्रति मिनट कीमत कम है।

यह किन कामों के लिए ठीक है?

काम नोट्स
बहुभाषी सपोर्ट लाइन IVR में चुनी गई भाषा से रूट करें; मेल खाता language कोड भेजें
अलग-अलग जगहों की टीमों के मीटिंग नोट्स हर रिकॉर्डिंग ट्रांसक्राइब करें, फिर LLM से सारांश बनाएँ
वॉइस-नोट इनबॉक्स पहले .ogg को WAV में बदलें; WhatsApp गाइड देखें
मीडिया और पॉडकास्ट आर्काइव लंबी फ़ाइलें 25 MiB से नीचे बाँटें; रात में बैच चलाएँ
भाषा सीखने वाले ऐप सीखने वाले की आवाज़ ट्रांसक्राइब करें, फिर LLM से फ़ीडबैक दें

हर मामले में लागत सिर्फ़ ऑडियो के मिनटों के साथ बढ़ती है: BroadNet Transcribe पर हर घंटे के ऑडियो के लिए $0.12, भाषा चाहे कोई भी हो।

ट्रांसक्रिप्शन के बाद क्या होता है?

ट्रांसक्रिप्ट शायद ही कभी आख़िरी प्रोडक्ट होता है। उसी API key पर आम अगले क़दम:

  • मीटिंग के लिए सारांश और एक्शन आइटम, DeepSeek V4.1 Flash से, जिसका 1,048,576 टोकन का कॉन्टेक्स्ट बहुत लंबे ट्रांसक्रिप्ट समा लेता है।
  • ट्रांसक्रिप्ट का किसी एक कामकाजी भाषा में अनुवाद; देखें LLM से अरबी–अंग्रेज़ी अनुवाद।
  • सपोर्ट कॉल्स की स्ट्रक्चर्ड JSON आउटपुट के साथ QA स्कोरिंग।

दूसरे ट्रांसक्रिप्शन API से कैसे माइग्रेट करें?

अगर आप पहले से OpenAI-जैसा ट्रांसक्रिप्शन एंडपॉइंट कॉल करते हैं, जिसमें Whisper API भी शामिल है जिसे OpenAI 26 फ़रवरी 2027 को बंद होता बताता है (बदलने से पहले क्या टेस्ट करें), तो माइग्रेशन आम तौर पर तीन बदलाव हैं: base URL, API key और मॉडल id, साथ में यह पक्का करना कि आप language भेजें। आपका कोड text के अलावा जवाब के जो फ़ील्ड पढ़ता है, उन्हें जाँचें। बाक़ी OpenAI-compatible माइग्रेशन चेकलिस्ट में है।

अक्सर पूछे जाने वाले सवाल

BroadNet Transcribe कौन-सी भाषाएँ सपोर्ट करता है?

चौदह: अंग्रेज़ी, स्पेनिश, फ़्रेंच, जर्मन, इतालवी, पुर्तगाली, ग्रीक, डच, पोलिश, चीनी, जापानी, कोरियाई, वियतनामी और अरबी। सूची pricing.json में ISO 639-1 कोड के रूप में प्रकाशित है।

क्या एक फ़ाइल में दो भाषाएँ हो सकती हैं?

हर अनुरोध एक भाषा कोड लेता है। जिस ऑडियो में भाषा बदलती है, उसे मुख्य भाषा के साथ ट्रांसक्राइब करें और देखें कि दूसरी भाषा कैसी आती है, या अगर भाषा लंबे हिस्सों में बदलती है तो ऑडियो को स्पीकर या सेगमेंट के हिसाब से बाँट दें।

क्या मल्टीलिंगुअल मॉडल अरबी के लिए काफ़ी अच्छा है?

यह अरबी स्वीकार करता है और प्रति मिनट सस्ता है। BroadNet अरबी सटीकता के आँकड़े सिर्फ़ BroadNet Transcribe Arabic के लिए प्रकाशित करता है, इसलिए अगर आपके ऑडियो का बड़ा हिस्सा अरबी है, तो दोनों को अपनी रिकॉर्डिंग पर टेस्ट करें और वर्ड एरर रेट की तुलना करें।

क्या यह OpenAI SDK के साथ चलता है?

हाँ। SDK को BroadNet के base URL पर पॉइंट करें और मॉडल id, फ़ाइल और भाषा के साथ audio.transcriptions.create कॉल करें।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें