Bir web uygulamasında sesli mesaj kaydetmek yaklaşık otuz satır JavaScript ister. Sorunlar dosyayı gönderdiğinizde başlar: tarayıcı WebM veya MP4 kaydetmiştir, API başka bir şey ister, iPhone sessiz bir klip için “Thank you” döndürür ve kopyaladığınız öğretici API anahtarını sayfaya koymuştur. Bu yazı tüm yolu kuruyor ve her parçayı test ediyor: kaydet, WAV’a dönüştür, boyutu kontrol et ve küçük bir sunucu üzerinden ilet.
Örnekler yalnızca WAV veya MP3 kabul eden bir API’yi hedefliyor. BroadNet Inference bunlardan biri: belgeleri dosya başına 26.214.400 bayta kadar WAV (audio/wav) veya MP3 (audio/mpeg) belirtiyor. API’niz WebM alıyorsa dönüştürme adımını atlayın, gerisini koruyun. OpenAI’ın konuşmadan metne kılavuzu 25 MB’a kadar flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav ve webm sayıyor.
Tarayıcı hangi biçimde kaydeder?
MediaRecorder, desteklediği bir biçimi siz istemedikçe tarayıcının seçtiği sıkıştırılmış bir biçimde kaydeder. MediaRecorder.isTypeSupported() ile sorun ve ilk eşleşeni alın:
| Tür dizesi | Tipik tarayıcı |
|---|---|
audio/webm;codecs=opus |
Chrome, Edge, Firefox |
audio/mp4 |
Safari (WebKit, AAC kodlu MP4 belgeliyor); testimizde Chromium da bunu destekliyor olarak bildirdi |
audio/ogg;codecs=opus |
Firefox |
2026-11-15 tarihinde başsız (headless) Chromium’da isTypeSupported, WebM/Opus ve MP4 için true, Ogg/Opus için false döndürdü. Tabloyu bir söz değil, başlangıç noktası olarak görün. MDN’nin notuna göre true, tarayıcının o türü prensipte kaydedebileceği anlamına gelir; kaynaklar yetersiz kalırsa kayıt yine başarısız olabilir. Kaydediciyi oluşturduktan sonra her zaman recorder.mimeType değerini okuyun ve yüklemeyi istediğiniz türle değil, bu değerle etiketleyin.
Mikrofondan nasıl kayıt yapılır?
Kodu iki tarayıcı kuralı şekillendiriyor. Birincisi, getUserMedia yalnızca güvenli bağlamda vardır: HTTPS, localhost veya bir file: URL’si. Başka bir sunucudan düz HTTP ile açıldığında navigator.mediaDevices undefined olur; bu yüzden çağrı izin istemek yerine bir TypeError fırlatır. İkincisi, kullanıcının erişim izni vermesi gerekir ve reddetmesi NotAllowedError oluşturur. İkisini de kullanıcının bir şey yapabileceği bir mesajla ele alın.
// 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();
});
}
İçindeki üç ayrıntı gerçek hata raporlarından geliyor:
- Boş parçaları atın. iPhone’larda MediaRecorder hakkındaki bir OpenAI forum başlığında bir geliştirici, iOS’ta
dataavailableolayının boş veriyle tetiklendiğini buldu; bu parçaları filtrelemek sorunu çözdü. Bir başkası aynı belirtiyi kaydı bir timeslice ile,start(1000)şeklinde başlatarak çözdü. - İzleri (track) durdurun. Kaydediciyi durdurmak mikrofonu serbest bırakmaz.
getTracks().forEach(t => t.stop())olmadan tarayıcı kayıt göstergesini göstermeye devam eder. - Kayıt süresini parça sayarak ölçmeyin. MDN, timeslice aralıklarının kesin olmadığı ve Safari mikrofonu duraklattığında ya da Android Chrome ekranı kilitlediğinde uzayabileceği konusunda uyarıyor. Süre gösteriyor veya bir sınır uyguluyorsanız kendi zamanlayıcınızı tutun.
Kayıt tarayıcıda WAV’a nasıl dönüştürülür?
Web Audio API, tarayıcının kaydettiği her şeyi çözebilir. MDN’deki iki bilgi bunu kısa tutuyor: decodeAudioData parçalarla değil, yalnızca tam bir dosyayla çalışır, bu yüzden stop() sonrasında çözün; ayrıca çözülen sesi bağlamının örnekleme hızına yeniden örnekler. Dolayısıyla 16.000 Hz ile oluşturulan bir OfflineAudioContext, ek yeniden örnekleme kodu olmadan 16 kHz örnekler döndürür. Yapıcısı 3.000 ile 768.000 Hz arasındaki her hızı kabul eder.
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" });
}
Neden 16 kHz mono: BroadNet’in kendi ffmpeg örneğinin kullandığı ayar budur (-ar 16000 -ac 1), konuşma bandını korur ve 48 kHz’in üçte biri kadar bayt tutar. Stereo, tek bir ses için hiçbir kazanç sağlamadan boyutu ikiye katlar. Ödünleşimler için örnekleme hızı maddesine bakın.
Boyut hesabı önemli, çünkü WAV sıkıştırılmamıştır. Saniyede 16.000 örnek, her biri 2 bayt, saniyede 32.000 bayt eder. 44 baytlık başlıkla birlikte BroadNet’in 26.214.400 baytlık sınırı 819 saniye alır: yaklaşık 13 dakika 39 saniye. Daha uzun kayıtlarda kaydı bir sınırda durdurun ya da uzun ses dosyalarını metne çevirme yazısındaki gibi sunucuda bölün. Ses bölücü ffmpeg komutlarını sizin için yazar.
Tarayıcıda dönüştürmek kullanıcının işlemcisini ve belleğini harcar; çözülen klibin tamamı 32 bit kayan noktalı sayılar olarak bellekte durur. Birkaç dakikalık sesli mesajlar için bu sorun değil. Uzun kayıtlarda bunun yerine sıkıştırılmış dosyayı yükleyip sunucuda dönüştürün.
Bunun yerine sunucuda nasıl dönüştürülür?
Sıkıştırılmış kaydı olduğu gibi gönderin, işi ffmpeg yapsın. Sayfada daha az kod, daha küçük bir yükleme, aynı sonuç:
ffmpeg -i in.webm -ar 16000 -ac 1 out.wav
Yüklemeyi ffmpeg’e boru (pipe) ile aktarmak yerine geçici bir dosyaya yazın. MP4 dosyaları dizinlerini sonda tutabilir ve ffmpeg bunları borudan her zaman okuyamaz. WhatsApp sesli mesaj kılavuzu .ogg dosyaları için aynı komutu kullanıyor.
API anahtarı tarayıcıdan nasıl uzak tutulur?
Sayfa ile API arasına küçük bir uç nokta koyun. Kaydı kabul eder, gerekirse dönüştürür, boyutu kontrol eder, anahtarı bir ortam değişkeninden ekler ve iletir. Node 18 ve sonrasında fetch, FormData ve Blob yerleşik olduğundan hiçbir paket gerekmez:
// 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);
Sayfa ardından WAV dosyasını ya da ham kaydı gönderir:
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();
Uyarlarken korumaya değer noktalar:
languagealanını her zaman gönderin. BroadNet’in belgelerine göre aksi halde Arapça, Latin harflerine çevriyazılmış (transliterasyon) olarak dönebilir. Arapça modellearkullanın ya dabroadnet/cohere-transcribemodeline geçip 14 dilinden biri için doğru kodu verin.- Genel hata mesajları döndürün. Test vekil sunucumuzun ilk sürümü ffmpeg’in hata mesajını aynen geri gönderiyordu ve bu mesaj bir sunucu dosya yolu içeriyordu. Yukarıdaki kod bunun yerine “Could not read the recording.” döndürür.
- Yayına almadan önce kimlik doğrulama ve hız sınırı ekleyin. Aksi halde
/transcribeadresini bulan herkes bakiyenizi harcar. Gerisini LLM API anahtarı güvenliği anlatıyor; BroadNet anahtarları IP izin listeleriyle kısıtlanabilir. - Neredeyse sessiz klipleri reddedin. Uydurulmuş “Thank you” veya “Bye” transkriptleriyle ilgili forum raporları sessiz veya bozuk kayıtları içeriyor. Para ödemeden önce süreyi (WAV baytı ÷ 32.000) ve mümkünse sinyal seviyesini kontrol edin.
Bunu nasıl test ettik?
Hiçbir BroadNet anahtarı kullanılmadı. 2026-11-15 tarihinde yukarıdaki kodu yerel bir /v1/audio/transcriptions taklidine (mock) karşı çalıştırdık:
- Node’da kodlayıcı.
encodeWav, iki örneği kırpılmış bir saniyelik 440 Hz’lik bir tonla 32.044 bayt üretti. Python’unwavemodülü bunu 1 kanal, 16.000 Hz, 2 baytlık örnekler, 16.000 kare olarak; ffmpeg isepcm_s16le, 16000 Hz, monoolarak okudu. Kırpılan örnekler 32767 ve −32768 olarak çıktı. - Chromium’da tarayıcı yolu. Playwright, sahte mikrofonla başsız Chromium başlattı.
startRecording3 saniyeyiaudio/webm;codecs=opusolarak kaydetti (40.563 bayt),toWav16kbunu 96.044 baytlık bir WAV’a çevirdi: 3,0 saniye, 16 kHz, mono. - Vekil sunucu. WAV da ham WebM de 200 döndü. Taklit sunucu her seferinde
Bearerkimlik doğrulamasını, Arapça model kimliğini,language=ardeğerini ve 16 kHz mono biraudio/wavdosyasını gördü; WebM’yi sunucuda ffmpeg dönüştürdü. 26.214.401 baytlık bir WAV, üst akışa hiç çağrı yapılmadan 413 aldı. Ses olmayan bir gövde 400 aldı. - Güvensiz köken. Makinenin yerel ağ adresinden düz HTTP ile yüklenen sayfa
isSecureContextdeğerini false bildirdi vestartRecordingbirTypeErroryerine bizim HTTPS mesajımızı fırlattı.
Safari’yi, Firefox’u veya gerçek bir transkripsiyonu test etmedik. Yayına almadan önce gerçek bir iPhone’da deneyin.
Maliyeti ne kadar?
BroadNet transkripsiyonu ses dakikası başına faturalandırıyor: Transcribe Arabic için $0.0042, çok dilli model için $0.002. Bir saatlik Arapça sesli mesaj $0.25 tutar. İkisi de yaklaşık 1,190 dakikalık Arapçayı karşılayan $5 başlangıç kredisiyle çalışır. Kendi hacimleriniz için ses metne çevirme maliyet hesaplayıcısını kullanın. Arapça ses metne çevirme API satın alma rehberi sağlayıcıları karşılaştırıyor.
BroadNet Inference nerede devreye giriyor?
BroadRouter, BroadNet’in kendi sitesidir. BroadNet Inference yüklenen dosyaları metne çevirir: WAV veya MP3, dosya başına bir istek ve metni içeren bir JSON yanıtı. Canlı veya akışlı (streaming) transkripsiyon, zaman damgaları ya da konuşmacı etiketleri belgelenmiş değil. Uygulamanızda kullanıcı konuşurken kelimelerin ekranda belirmesi gerekiyorsa akışlı konuşma API’si olan bir sağlayıcı kullanın. Kullanıcının önce kaydedip sonra gönderdiği sesli mesajlar, notlar ve formlar için yukarıdaki yükleme akışı yeterli. Kurulum Arapça ses metne çevirme API kılavuzunda, alanlar ise API başvurusunda yer alıyor. Gizlilik beyanına göre ses ve transkriptler saklanmıyor.
