BroadRouter

API से WhatsApp वॉइस नोट को टेक्स्ट में बदलें

अपडेट किया गया

WhatsApp वॉइस नोट .ogg फ़ाइलों में Opus ऑडियो होते हैं, जिन्हें ट्रांसक्रिप्शन एंडपॉइंट सीधे नहीं लेता। हर नोट को ffmpeg से 16 kHz मोनो WAV में बदलें, फिर सही language फ़ील्ड के साथ BroadNet Transcribe Arabic या BroadNet Transcribe को भेजें। एक छोटी स्क्रिप्ट पूरे फ़ोल्डर के लिए दोनों काम करती है।

चैट से वॉइस नोट एक्सपोर्ट करें (या अपने WhatsApp Business इंटीग्रेशन से पाएँ), तो आपके पास .ogg फ़ाइलें होंगी। Meta के Cloud API डॉक्स कहते हैं कि WhatsApp वॉइस मैसेज Opus कोडेक से एनकोड की गई .ogg फ़ाइलें होते हैं। फ़ोन की रिकॉर्डिंग अक्सर .m4a होती हैं। BroadNet का ट्रांसक्रिप्शन एंडपॉइंट WAV और MP3 लेता है, इसलिए पहले कन्वर्ट करें।

1. एक फ़ाइल कन्वर्ट करें

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

-ar 16000 -ac 1 से 16 kHz मोनो ऑडियो बनता है, यही कन्वर्ज़न BroadNet के डॉक्स वॉइस नोट और फ़ोन रिकॉर्डिंग के लिए इस्तेमाल करते हैं। यही कमांड .m4a पर भी चलती है। 16 kHz मोनो 16-बिट WAV हर सेकंड 32,000 बाइट का होता है, इसलिए 26,214,400 बाइट की फ़ाइल सीमा में लगभग 13 मिनट आते हैं। लंबी रिकॉर्डिंग के लिए ऑडियो स्प्लिटर बताता है कि कितने हिस्से चाहिए और ffmpeg कमांड लिख देता है।

2. पूरा फ़ोल्डर ट्रांसक्राइब करें

import os, pathlib, subprocess
from openai import OpenAI

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

for src in sorted(pathlib.Path("voice-notes").glob("*.ogg")):
    wav = src.with_suffix(".wav")
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(src), "-ar", "16000", "-ac", "1", str(wav)], check=True)
    with open(wav, "rb") as audio:
        text = client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic",
            file=audio,
            language="ar",          # use "en", "es", ... with broadnet/cohere-transcribe
        ).text
    src.with_suffix(".txt").write_text(text, encoding="utf-8")
    print(src.name, "->", text[:60])

हर .txt अपने वॉइस नोट के बगल में बनती है। हर आने वाले WhatsApp Business मैसेज पर यही स्टेप अपने-आप चलाने के लिए n8n WhatsApp वॉइस नोट वर्कफ़्लो देखें।

ख़र्च

एक मिनट के वॉइस नोट का ख़र्च अरबी में $0.0042 है, या 14 भाषाओं वाले मॉडल पर $0.002। अनुरोध के बाद ऑडियो और ट्रांसक्रिप्ट रखे नहीं जाते; देखें ज़ीरो डेटा रिटेंशन।

समस्या और समाधान

  • अरबी की जगह लैटिन अक्षर: language="ar" जोड़ें। BroadNet के डॉक्स कहते हैं कि language हमेशा भेजें।

  • 413 एरर: फ़ाइल 26,214,400 बाइट (25 MiB) से बड़ी है। लंबी रिकॉर्डिंग को 10-10 मिनट के WAV टुकड़ों में बाँटें:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • अपलोड पर 400 या 422: जाँचें कि फ़ाइल सच में WAV या MP3 है, कहीं .wav नाम दी गई .ogg तो नहीं। ffmpeg कन्वर्ज़न चलाएँ।

  • ffmpeg: command not found: अपने पैकेज मैनेजर से ffmpeg इंस्टॉल करें (जैसे apt install ffmpeg या brew install ffmpeg)।

  • 429 एरर: उपयोग के अनुसार भुगतान वाली key एक साथ 4 अनुरोध चलाने देती हैं; फ़ाइलों को एक छोटे पूल में प्रोसेस करें। देखें BroadNet के सभी एरर कोड।

मॉडल, फ़ॉर्मैट और सटीकता पर ज़्यादा जानकारी: अरबी स्पीच-टू-टेक्स्ट गाइड। दूसरे प्रोवाइडर प्रति ऑडियो मिनट कितना लेते हैं, इसकी तुलना के लिए खुला स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स देखें, जिसमें हर कीमत का स्रोत और तारीख़ है। 16 kHz बोलचाल के लिए क्यों काफ़ी है, इसकी पृष्ठभूमि के लिए सैंपल रेट देखें।

अक्सर पूछे जाने वाले सवाल

WhatsApp वॉइस नोट किस ऑडियो फ़ॉर्मैट में होते हैं?

Ogg कंटेनर में Opus ऑडियो, .ogg के रूप में सेव। Meta के Cloud API डॉक्स कहते हैं कि वॉइस मैसेज Opus कोडेक से एनकोड की गई .ogg फ़ाइलें होने चाहिए, और सिर्फ़ मोनो।

क्या .ogg फ़ाइल सीधे ट्रांसक्रिप्शन API पर भेज सकते हैं?

BroadNet Inference पर नहीं। इसका ट्रांसक्रिप्शन एंडपॉइंट WAV और MP3 लेता है, इसलिए वॉइस नोट को पहले ffmpeg से बदलें। एक कमांड उसे 16 kHz मोनो WAV बना देती है।

क्या ट्रांसक्रिप्शन के बाद वॉइस नोट स्टोर रहते हैं?

BroadNet कहता है कि ऑडियो और ट्रांसक्रिप्ट सिर्फ़ अनुरोध के लिए प्रोसेस होते हैं और रखे नहीं जाते। वह बिलिंग और सुरक्षा के लिए सिर्फ़ बिना कंटेंट वाले रिकॉर्ड रखता है, जैसे समय, स्टेटस और उपयोग।

अरबी वॉइस नोट के लिए कौन-सा मॉडल इस्तेमाल करें?

BroadNet Transcribe Arabic, यानी broadnet/cohere-transcribe-arabic, language को ar पर सेट करके। बाकी 13 भाषाओं के लिए BroadNet Transcribe, यानी broadnet/cohere-transcribe इस्तेमाल करें।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें