वॉइस नोट, कॉल और मीटिंग में ऐसी जानकारी होती है जिसे सॉफ़्टवेयर तब तक खोज नहीं सकता जब तक वह टेक्स्ट न बन जाए। स्पीच-टू-टेक्स्ट यही कमी पूरी करता है।
यह कैसे काम करता है
Hugging Face, automatic speech recognition को “the task of transcribing a given audio to text” (अनुवाद: दिए गए ऑडियो को टेक्स्ट में ट्रांसक्राइब करने का काम) बताता है। आधुनिक ASR मॉडल ऑडियो को फ़ीचर में बदलता है, फिर शब्दों का सबसे संभावित क्रम बनाता है।
OpenAI-compatible API में आप फ़ाइल को multipart form data के रूप में /v1/audio/transcriptions पर अपलोड करते हैं:
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe-arabic \
-F language=ar \
-F file=@voice-note.wav
रिस्पॉन्स JSON होता है, और ट्रांसक्रिप्ट text में। प्रोवाइडर फ़ाइल साइज़ और फ़ॉर्मैट पर सीमाएँ लगाते हैं; OpenAI का अपना एंडपॉइंट 25 MB तक की फ़ाइलें लेता है (उसकी speech to text गाइड के अनुसार, 2026-11-15 को जाँचा गया)।
यह क्यों मायने रखता है
- सटीकता ही असली क़ीमत है. ग़लत नामों या नंबरों वाला ट्रांसक्रिप्ट, ट्रांसक्रिप्ट न होने से भी बुरा हो सकता है। सटीकता वर्ड एरर रेट से मापी जाती है, और लहजों, बोलियों, एक साथ बोलने और फ़ोन ऑडियो पर घटती है।
- प्रति घंटा ऑडियो की कीमत. STT का बिल प्रति ऑडियो मिनट बनता है, इसलिए वॉल्यूम का अनुमान आसान है: ऑडियो के घंटे गुणा प्रति घंटा दर।
- प्राइवेसी. आवाज़ में नाम, फ़ोन नंबर और सेहत या बैंक की जानकारी होती है। पूछें कि ऑडियो और ट्रांसक्रिप्ट रखे जाते हैं या नहीं; देखें ज़ीरो डेटा रिटेंशन।
- पाइपलाइन. ट्रांसक्रिप्ट अक्सर आगे किसी LLM को जाता है, सारांश, रूटिंग या जानकारी निकालने के लिए।
BroadNet Inference पर
| मॉडल | भाषाएँ | प्रति मिनट कीमत | प्रति घंटा |
|---|---|---|---|
| BroadNet Transcribe Arabic | बोलियों समेत अरबी | $0.0042 | $0.25 |
| BroadNet Transcribe | 14 भाषाएँ | $0.002 | $0.12 |
दोनों प्रति फ़ाइल 26,214,400 बाइट (25 MiB) तक की WAV या MP3 लेते हैं; बड़ी फ़ाइल पर 413 आता है। अरबी के लिए language=ar भेजें, वरना वह लैटिन अक्षरों में लिप्यंतरित होकर आ सकती है। BroadNet के अनुसार Open Universal Arabic ASR Leaderboard पर अरबी मॉडल की रैंक 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) है। ऑडियो और ट्रांसक्रिप्ट रखे नहीं जाते।
दूसरे प्रोवाइडर सस्ते पड़ सकते हैं। 2026-11-14 को Soniox के कीमतों वाले पेज पर फ़ाइल (async) ट्रांसक्रिप्शन के लिए लगभग USD 0.10 प्रति घंटा और रियल-टाइम के लिए USD 0.12 प्रति घंटा लिखा था, और उसकी भाषा-सूची में अरबी है। यह BroadNet Transcribe Arabic के $0.25 प्रति घंटा से कम है, इसलिए दोनों को अपने ऑडियो पर टेस्ट करें। हमारा खुला speech-to-text API कीमत इंडेक्स 20 से ज़्यादा प्रोडक्ट सूचीबद्ध करता है, हर कीमत के स्रोत और तारीख़ के साथ।
दोनों मॉडल $5 के मुफ़्त शुरुआती क्रेडिट पर चलते हैं, जो लगभग 1,190 मिनट अरबी ऑडियो कवर करता है। शुरुआत अरबी स्पीच-टू-टेक्स्ट गाइड से करें, WhatsApp की .ogg फ़ाइलें वॉइस नोट गाइड से कन्वर्ट करें, और प्रोवाइडर की तुलना ख़रीदार गाइड से करें।