Merekam pesan suara di aplikasi web hanya butuh sekitar tiga puluh baris JavaScript. Masalahnya muncul saat Anda mengirim file-nya: browser merekam WebM atau MP4, API meminta format lain, iPhone mengembalikan “Thank you” untuk klip hening, dan tutorial yang Anda salin menaruh kunci API di halaman. Artikel ini membangun seluruh alurnya dan menguji setiap bagian: rekam, konversi ke WAV, periksa ukuran, lalu teruskan lewat server kecil.
Contoh-contohnya menargetkan API yang hanya menerima WAV atau MP3. BroadNet Inference salah satunya: dokumentasinya mencantumkan WAV (audio/wav) atau MP3 (audio/mpeg) hingga 26.214.400 byte per file. Jika API Anda menerima WebM, lewati konversinya dan pertahankan sisanya. Panduan speech-to-text OpenAI mencantumkan flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, dan webm, hingga 25 MB.
Format apa yang direkam browser?
MediaRecorder merekam dalam format terkompresi pilihan browser, kecuali Anda meminta format yang didukungnya. Tanyakan dengan MediaRecorder.isTypeSupported() dan ambil yang pertama cocok:
| String tipe | Browser yang umum |
|---|---|
audio/webm;codecs=opus |
Chrome, Edge, Firefox |
audio/mp4 |
Safari (WebKit mendokumentasikan MP4 dengan AAC); Chromium juga melaporkannya dalam pengujian kami |
audio/ogg;codecs=opus |
Firefox |
Di Chromium headless pada 2026-11-15, isTypeSupported mengembalikan true untuk WebM/Opus dan MP4, serta false untuk Ogg/Opus. Anggap tabel ini titik awal, bukan janji. MDN mencatat bahwa true berarti browser pada prinsipnya bisa merekam tipe tersebut; perekaman tetap bisa gagal jika sumber daya kurang. Selalu baca recorder.mimeType setelah membuat perekam, dan beri label unggahan dengan nilai itu, bukan dengan tipe yang Anda minta.
Bagaimana cara merekam dari mikrofon?
Dua aturan browser membentuk kodenya. Pertama, getUserMedia hanya ada dalam secure context: HTTPS, localhost, atau URL file:. Lewat HTTP biasa dari host lain, navigator.mediaDevices bernilai undefined, sehingga pemanggilannya melempar TypeError alih-alih meminta izin. Kedua, pengguna harus memberi akses, dan penolakan memunculkan NotAllowedError. Tangani keduanya dengan pesan yang bisa ditindaklanjuti pengguna.
// record.js: record from the microphone, return a 16 kHz mono WAV Blob.
const TYPES = ["audio/webm;codecs=opus", "audio/mp4", "audio/ogg;codecs=opus"];
export async function startRecording() {
if (!navigator.mediaDevices?.getUserMedia) {
throw new Error("Microphone access needs HTTPS (or localhost).");
}
const stream = await navigator.mediaDevices.getUserMedia({ audio: true });
const mimeType = TYPES.find((t) => MediaRecorder.isTypeSupported(t));
const rec = new MediaRecorder(stream, mimeType ? { mimeType } : {});
const chunks = [];
rec.ondataavailable = (e) => { if (e.data.size > 0) chunks.push(e.data); };
rec.start(1000); // a chunk every second, so a crash loses at most one second
return () => new Promise((resolve) => {
rec.onstop = () => {
stream.getTracks().forEach((t) => t.stop()); // turn the mic indicator off
resolve(new Blob(chunks, { type: rec.mimeType }));
};
rec.stop();
});
}
Tiga detail di dalamnya berasal dari laporan bug nyata:
- Buang chunk kosong. Di sebuah thread forum OpenAI tentang MediaRecorder di iPhone, seorang developer menemukan
dataavailableterpicu dengan data kosong di iOS, dan memfilter chunk itu menyelesaikan masalahnya. Developer lain mengatasi gejala yang sama dengan memulai perekaman memakai timeslice,start(1000). - Hentikan track-nya. Menghentikan perekam tidak melepaskan mikrofon. Tanpa
getTracks().forEach(t => t.stop())browser terus menampilkan indikator perekaman. - Jangan mengukur durasi dengan menghitung chunk. MDN memperingatkan bahwa interval timeslice tidak presisi dan bisa memanjang saat Safari menjeda mikrofon atau Chrome Android mengunci layar. Simpan timer sendiri jika Anda menampilkan durasi atau menerapkan batas.
Bagaimana mengonversi rekaman ke WAV di browser?
Web Audio API bisa mendekode apa pun yang direkam browser. Dua fakta dari MDN membuatnya singkat: decodeAudioData hanya bekerja pada file utuh, bukan potongan, jadi dekode setelah stop(); dan ia melakukan resampling audio hasil dekode ke sample rate context-nya. Karena itu OfflineAudioContext yang dibuat pada 16.000 Hz langsung mengembalikan sampel 16 kHz tanpa kode resampling tambahan. Konstruktornya menerima rate berapa pun dari 3.000 hingga 768.000 Hz.
export async function toWav16k(blob) {
// decodeAudioData needs the whole file and resamples to the context's rate.
const ctx = new OfflineAudioContext(1, 1, 16000);
const audio = await ctx.decodeAudioData(await blob.arrayBuffer());
return encodeWav(mixDown(audio), 16000);
}
export function mixDown(audio) {
const out = new Float32Array(audio.length);
for (let c = 0; c < audio.numberOfChannels; c++) {
const ch = audio.getChannelData(c);
for (let i = 0; i < out.length; i++) out[i] += ch[i] / audio.numberOfChannels;
}
return out;
}
export function encodeWav(samples, rate) {
const buf = new ArrayBuffer(44 + samples.length * 2);
const v = new DataView(buf);
const str = (o, s) => [...s].forEach((ch, i) => v.setUint8(o + i, ch.charCodeAt(0)));
str(0, "RIFF"); v.setUint32(4, 36 + samples.length * 2, true); str(8, "WAVE");
str(12, "fmt "); v.setUint32(16, 16, true); v.setUint16(20, 1, true); // PCM
v.setUint16(22, 1, true); v.setUint32(24, rate, true); // mono
v.setUint32(28, rate * 2, true); v.setUint16(32, 2, true); v.setUint16(34, 16, true);
str(36, "data"); v.setUint32(40, samples.length * 2, true);
for (let i = 0; i < samples.length; i++) {
const s = Math.max(-1, Math.min(1, samples[i]));
v.setInt16(44 + i * 2, s < 0 ? s * 0x8000 : s * 0x7fff, true);
}
return new Blob([buf], { type: "audio/wav" });
}
Kenapa 16 kHz mono: itulah pengaturan yang dipakai contoh ffmpeg BroadNet sendiri (-ar 16000 -ac 1), pita frekuensi ucapan tetap terjaga, dan ukurannya sepertiga dari 48 kHz. Stereo menggandakan ukuran tanpa manfaat untuk satu suara. Lihat sample rate untuk pertimbangannya.
Hitungan ukuran itu penting, karena WAV tidak terkompresi. 16.000 sampel per detik dengan 2 byte per sampel berarti 32.000 byte per detik. Dengan header 44 byte, batas BroadNet sebesar 26.214.400 byte memuat 819 detik: sekitar 13 menit 39 detik. Untuk yang lebih panjang, hentikan perekaman pada batas tertentu, atau pecah di server seperti di transkripsi file audio panjang. Audio splitter menuliskan perintah ffmpeg-nya.
Konversi di browser memakai CPU dan memori pengguna, dan seluruh klip hasil dekode berada di memori sebagai float 32-bit. Itu tidak masalah untuk pesan suara beberapa menit. Untuk rekaman panjang, unggah file terkompresinya dan konversi di server.
Bagaimana jika konversinya di server?
Kirim rekaman terkompresi apa adanya dan biarkan ffmpeg yang bekerja. Kode di halaman lebih sedikit, unggahan lebih kecil, hasilnya sama:
ffmpeg -i in.webm -ar 16000 -ac 1 out.wav
Tulis unggahan ke file sementara alih-alih mem-pipe-nya ke ffmpeg. File MP4 bisa menyimpan indeksnya di akhir, dan ffmpeg tidak selalu bisa membacanya dari pipe. Panduan voice note WhatsApp memakai perintah yang sama untuk file .ogg.
Bagaimana menjauhkan kunci API dari browser?
Taruh endpoint kecil di antara halaman dan API. Endpoint ini menerima rekaman, mengonversinya jika perlu, memeriksa ukuran, menambahkan kunci dari environment variable, lalu meneruskannya. Node 18 ke atas sudah punya fetch, FormData, dan Blob bawaan, jadi tidak perlu paket apa pun:
// server.mjs: POST /transcribe with the recording as the body. The key stays here.
import http from "node:http";
import { execFile } from "node:child_process";
import { mkdtemp, writeFile, readFile, rm } from "node:fs/promises";
import { tmpdir } from "node:os";
import { join } from "node:path";
import { promisify } from "node:util";
const API = process.env.BROADNET_BASE_URL ?? "https://inference.broadnet.ai/v1";
const KEY = process.env.BROADNET_API_KEY;
const FFMPEG = process.env.FFMPEG ?? "ffmpeg";
const MAX = 26_214_400; // BroadNet's per-file cap in bytes
const run = promisify(execFile);
async function readBody(req, limit) {
const parts = []; let n = 0;
for await (const c of req) { n += c.length; if (n > limit) throw Object.assign(new Error("too large"), { code: 413 }); parts.push(c); }
return Buffer.concat(parts);
}
async function toWav(bytes) {
// Temp files, not pipes: an MP4 from Safari can keep its index at the end.
const dir = await mkdtemp(join(tmpdir(), "rec-"));
try {
await writeFile(join(dir, "in"), bytes);
await run(FFMPEG, ["-v", "error", "-i", join(dir, "in"), "-ar", "16000", "-ac", "1", join(dir, "out.wav")]);
return await readFile(join(dir, "out.wav"));
} finally { await rm(dir, { recursive: true, force: true }); }
}
http.createServer(async (req, res) => {
const reply = (code, obj) => { res.writeHead(code, { "content-type": "application/json" }); res.end(JSON.stringify(obj)); };
if (req.method !== "POST" || req.url !== "/transcribe") return reply(404, { error: "not found" });
try {
const type = (req.headers["content-type"] ?? "").split(";")[0];
let body = await readBody(req, 4 * MAX);
if (type !== "audio/wav" && type !== "audio/mpeg") {
try { body = await toWav(body); }
catch { return reply(400, { error: "Could not read the recording." }); }
}
if (body.length > MAX) return reply(413, { error: "Recording too long; split it first." });
const form = new FormData();
form.append("model", "broadnet/cohere-transcribe-arabic");
form.append("language", "ar");
form.append("file", new Blob([body], { type: type === "audio/mpeg" ? "audio/mpeg" : "audio/wav" }),
type === "audio/mpeg" ? "audio.mp3" : "audio.wav");
const r = await fetch(`${API}/audio/transcriptions`, {
method: "POST", headers: { Authorization: `Bearer ${KEY}` }, body: form,
});
const data = await r.json();
return r.ok ? reply(200, { text: data.text }) : reply(r.status, { error: data });
} catch (e) {
return reply(e.code === 413 ? 413 : 500, { error: String(e.message ?? e) });
}
}).listen(process.env.PORT ?? 8787);
Halaman lalu mengirim WAV atau rekaman mentahnya:
const stop = await startRecording();
// ...later, when the user taps Stop:
const raw = await stop();
const wav = await toWav16k(raw); // or send `raw` and let the server convert
const r = await fetch("/transcribe", { method: "POST", headers: { "content-type": wav.type }, body: wav });
const { text } = await r.json();
Hal-hal yang perlu dipertahankan saat Anda mengadaptasinya:
- Selalu kirim
language. Dokumentasi BroadNet menyebutkan bahwa tanpa itu bahasa Arab bisa kembali dalam bentuk transliterasi huruf Latin. Gunakanardengan model Arab, atau beralih kebroadnet/cohere-transcribedan kode yang tepat untuk salah satu dari 14 bahasanya. - Kembalikan pesan error generik. Versi pertama proxy uji kami menggemakan error ffmpeg, yang memuat path file server. Kode di atas mengembalikan “Could not read the recording.” sebagai gantinya.
- Tambahkan autentikasi dan rate limit sebelum deploy. Kalau tidak, siapa pun yang menemukan
/transcribebisa menghabiskan saldo Anda. Keamanan kunci API LLM membahas sisanya, dan kunci BroadNet bisa dibatasi dengan IP allow-list. - Tolak klip yang nyaris hening. Laporan forum tentang transkrip karangan “Thank you” atau “Bye” melibatkan rekaman hening atau rusak. Periksa durasinya (byte WAV ÷ 32.000) dan, jika bisa, level sinyalnya sebelum Anda membayarnya.
Bagaimana kami mengujinya?
Tidak ada kunci BroadNet yang dipakai. Pada 2026-11-15 kami menjalankan kode di atas terhadap mock lokal /v1/audio/transcriptions:
- Encoder di Node.
encodeWavpada satu detik nada 440 Hz dengan dua sampel yang terpotong (clipped) menghasilkan 32.044 byte. ModulwavePython membacanya sebagai 1 kanal, 16.000 Hz, sampel 2 byte, 16.000 frame, dan ffmpeg sebagaipcm_s16le, 16000 Hz, mono. Sampel yang terpotong keluar sebagai 32767 dan −32768. - Alur browser di Chromium. Playwright menjalankan Chromium headless dengan mikrofon palsu.
startRecordingmerekam 3 detik sebagaiaudio/webm;codecs=opus(40.563 byte), dantoWav16kmengubahnya menjadi WAV 96.044 byte: 3,0 detik, 16 kHz, mono. - Proxy. WAV maupun WebM mentah sama-sama mengembalikan 200. Mock menerima auth
Bearer, ID model Arab,language=ar, dan fileaudio/wavmono 16 kHz setiap kali; ffmpeg mengonversi WebM di server. WAV berukuran 26.214.401 byte mendapat 413 tanpa panggilan ke upstream. Body yang bukan audio mendapat 400. - Origin tidak aman. Saat dimuat dari alamat LAN mesin lewat HTTP biasa, halaman melaporkan
isSecureContextfalse danstartRecordingmelempar pesan HTTPS kami, bukanTypeError.
Kami tidak menguji Safari atau Firefox, ataupun transkripsi sungguhan. Coba di iPhone sungguhan sebelum rilis.
Berapa biayanya?
BroadNet menagih transkripsi per menit audio: $0.0042 untuk Transcribe Arabic dan $0.002 untuk model multibahasa. Satu jam pesan suara berbahasa Arab seharga $0.25. Keduanya bisa dipakai dengan kredit awal $5, yang mencakup sekitar 1,190 menit audio Arab. Untuk volume Anda sendiri, gunakan kalkulator biaya speech-to-text. Panduan membeli API speech-to-text bahasa Arab membandingkan para penyedia.
Di mana posisi BroadNet Inference?
BroadRouter adalah situs milik BroadNet sendiri. BroadNet Inference mentranskripsi file yang diunggah: WAV atau MP3, satu permintaan per file, dengan respons JSON berisi teks. Transkripsi live atau streaming, timestamp, maupun label pembicara tidak didokumentasikan. Jika aplikasi Anda perlu menampilkan kata-kata saat pengguna berbicara, gunakan penyedia dengan API speech streaming. Untuk pesan suara, catatan, dan formulir, di mana pengguna merekam lalu mengirim, alur unggahan di atas sudah cukup. Penyiapannya ada di panduan API speech-to-text bahasa Arab, dan referensi API mencantumkan field-nya. Pernyataan privasinya menyebutkan audio dan transkrip tidak disimpan.
