BroadRouter

LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER

BroadNet Inference ٹیم · 8 منٹ کی پڑھائی · شائع شدہ · اپ ڈیٹ

ماڈل سے صرف مکمل تشکیل مانگیں، پھر اس کے جواب سے اعراب ہٹا کر اپنے ان پٹ سے ملائیں۔ ایک بھی حرف بدلا ہو تو جواب مسترد کریں اور دوبارہ بھیجیں۔ ہاتھ سے جانچے گئے نمونے پر diacritic error rate (DER) اور word error rate (WER) نکالیں، case endings کے ساتھ اور بغیر۔ شائع شدہ نتائج میں GPT-4 بہترین مخصوص diacritizers کے قریب ہے، مگر ان سے پیچھے۔

عربی عام طور پر چھوٹی حرکات کے بغیر لکھی جاتی ہے۔ قاری سیاق سے انہیں بھر لیتا ہے؛ سافٹ ویئر اکثر نہیں بھر پاتا۔ انہیں بحال کرنا، جسے diacritization یا تشکیل (tashkeel) کہتے ہیں، جملے کے لحاظ سے كتب کو كَتَبَ (اس نے لکھا)، كُتُبٌ (کتابیں) یا كُتِبَ (لکھا گیا) میں بدلتا ہے۔ یہ پوسٹ دکھاتی ہے کہ OpenAI-compatible API کے ذریعے LLM سے یہ کیسے کریں، ماڈل کو خاموشی سے آپ کا متن بدلنے سے کیسے روکیں، اور نتیجے کو کسی مخصوص diacritizer کے مقابلے میں کیسے ناپیں۔

اعراب کی ضرورت کب پڑتی ہے؟

  • Text-to-speech۔ کسی آواز کو لفظ ادا کرنے کے لیے حرکات چاہییں۔ CATT پیپر text-to-speech اور machine translation کو ایسے استعمال بتاتا ہے جنہیں اعراب بہتر بناتے ہیں۔ BroadNet Inference میں text-to-speech اینڈپوائنٹ نہیں ہے، اس لیے TTS پائپ لائن میں اعراب والا متن کسی الگ TTS سروس کو جاتا ہے۔
  • سیکھنے والے اور بچوں کا مواد۔ جو قاری ابھی سیکھ رہے ہیں، وہ ان نشانات پر انحصار کرتے ہیں۔
  • مبہم نام اور اصطلاحات۔ اسمائے معرفہ، کم استعمال ہونے والے الفاظ اور تکنیکی اصطلاحات، جہاں ایک غلط حرکت معنی بدل دیتی ہے۔
  • مذہبی اور کلاسیکی متن۔ یہاں نشانات متن کا حصہ ہیں، اور کوئی خودکار ٹول صرف انسانی جائزے کے ساتھ خالی جگہیں بھرے۔

سرچ یا retrieval کے لیے عموماً اعراب نہیں چاہییں۔ وہاں آپ انہیں ہٹاتے ہیں، جیسا کہ سرچ کے لیے عربی متن کی normalization میں بتایا گیا ہے۔ مفت عربی متن normalizer یہ ہٹانے کا کام براؤزر ہی میں کرتا ہے۔ اعراب لگانا اس کا الٹ کام ہے، اور کہیں زیادہ مشکل: نشانات ہٹانا ایک lookup ہے، جبکہ لگانے کے لیے صرف و نحو اور سیاق چاہیے۔

LLMs اعراب لگانے میں کتنے اچھے ہیں؟

دو شائع شدہ اعداد، احتیاط سے پڑھیں:

سسٹم CATT benchmark، DER case endings کے ساتھ DER بغیر WER case endings کے ساتھ WER بغیر
CATT encoder-decoder 8.624% 6.989% 34.191% 28.477%
CATT encoder-only 8.762% 7.088% 35.508% 29.714%
GPT-4 (پیپر کے متن کے مطابق GPT-4-turbo) 9.515% 8.113% 38.311% 33.505%
Command R+ 13.169% 11.329% 48.518% 44.158%
Shakkala 13.494% 10.386% 50.387% 40.643%
Mishkal 16.482% 10.796% 60.844% 40.215%

ماخذ: CATT پیپر (2024) کا جدول 4۔ کم بہتر ہے۔ Benchmark میں 2023 میں scrape کیے گئے 742 خبری جملے ہیں، جن پر دو اہلِ زبان ماہرین نے اعراب لگائے اور تیسرے نے جانچا۔

پیپر کے دوسرے test set، WikiNews (400 جملے)، پر GPT-4 باقی سب سے کہیں بہتر رہا: 0.551% DER۔ مصنفین اس سطر کو نشان زد کرتے ہیں اور کہتے ہیں کہ شاید ماڈل نے training میں WikiNews دیکھا ہو۔ LLM benchmarks کے لیے یہی عام انتباہ ہے: عوامی test متن training ڈیٹا میں ہو سکتا ہے۔ CATT کے مصنفین Tashkeela کے بارے میں بھی یہی تشویش اٹھاتے ہیں، جس کی کتابوں میں قرآن اور حدیث کے بہت سے اقتباسات ہیں۔

Skiredj اور Berrada کا 2024 کا ایک الگ پیپر Fadel et al. benchmark پر GPT-4 کا تقریباً 20% DER اور 30% WER بتاتا ہے، مگر اتنی تفصیل کے بغیر جتنی اوپر والے جدول سے موازنے کے لیے درکار ہے۔

یعنی GPT-4 درجے کے ماڈلز کسی مخصوص diacritizer کے قریب آ سکتے ہیں، اور اس سے پیچھے بھی رہ سکتے ہیں۔ دونوں پیپر ان open ماڈلز سے پہلے کے ہیں جنہیں آپ آج کال کر سکتے ہیں۔ اپنے متن پر ناپیں۔

کون سے test sets موجود ہیں؟

ڈیٹاسیٹ یہ کیا ہے
Tashkeela 97 کتابوں سے 75,629,921 مکمل اعراب والے الفاظ؛ 98.85% Shamela لائبریری کی کلاسیکی عربی، 1.15% جدید معیاری عربی
Fadel et al. benchmark Tashkeela سے نکالے گئے تقریباً 2.3M الفاظ؛ 50,000 training، 2,500 validation اور 2,500 test سطریں
CATT benchmark ہاتھ سے اعراب لگائے گئے 742 خبری جملے، CATT ماڈلز کے ساتھ جاری
WikiNews ہاتھ سے اعراب لگائے گئے 400 MSA خبری جملے

Tashkeela اور Fadel set زیادہ تر کلاسیکی ہیں۔ اگر آپ کا متن جدید کاروباری یا خبری عربی ہے تو CATT اور WikiNews sets زیادہ قریب ہیں، اور آپ کے اپنے متن کا نمونہ سب سے قریب۔

کون سا پرامپٹ حروف کو محفوظ رکھتا ہے؟

ماڈل کا کام نشانات لگانا ہے اور کچھ نہیں چھیڑنا۔ LLMs مدد کرنا پسند کرتے ہیں: وہ الى کو إلى کر دیں گے، آخری ى کو ي بنا دیں گے یا غائب ہمزہ لگا دیں گے۔ ہر تبدیلی درست عربی ہو سکتی ہے، مگر یہ املا کی تصحیح ہے، اعراب لگانا نہیں۔ یہ آپ کو بتائے بغیر آپ کا متن بدل دیتی ہے۔

اس لیے پرامپٹ اصول بتاتا ہے، اور کوڈ اسے نافذ کرتا ہے: جواب سے اعراب ہٹائیں اور اعراب ہٹائے گئے ان پٹ سے ملائیں۔ اگر ایک بھی حرف، اسپیس یا رموزِ اوقاف کا نشان مختلف ہو تو جواب مسترد۔

import difflib, os, re, unicodedata
from openai import OpenAI

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

MARKS = re.compile("[ً-ْٰ]")  # tanween, harakat, shadda, sukun, dagger alef
SYSTEM = """Add full Arabic diacritics (tashkeel) to the user's text, including case endings.
Reply with the diacritized text only. Do not add, remove, reorder or replace any letter,
space, digit or punctuation mark. Do not fix spelling. Keep any diacritics already present."""

def skeleton(s: str) -> str:
    """The text with every diacritic removed: what the model is not allowed to change."""
    return MARKS.sub("", unicodedata.normalize("NFC", s))

def diacritize(text: str, model: str = "broadnet/qwen3.8-27b", tries: int = 2) -> str | None:
    for attempt in range(tries):
        r = client.chat.completions.create(
            model=model, max_tokens=4000, temperature=0,
            messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
        out = unicodedata.normalize("NFC", (r.choices[0].message.content or "").strip())
        if skeleton(out) == skeleton(text):
            return out
        diff = [d for d in difflib.ndiff(skeleton(text).split(), skeleton(out).split()) if d[0] in "+-"]
        print(f"attempt {attempt + 1}: letters changed {diff}")
    return None  # keep the undiacritized text; never ship a changed sentence

for line in ["ذهب الطالب الى المدرسة", "قرأ محمد الكتاب"]:
    print(diacritize(line))

ہم نے اسے live API پر نہیں، ایک لوکل mock سرور پر چلایا۔ پہلے جملے کے لیے اس کے پہلے سے طے شدہ جواب نے دونوں کوششوں میں الى کو إلى میں “درست” کر دیا، اور دوسرے جملے کا جواب صاف تھا۔ آؤٹ پٹ یہ تھا:

attempt 1: letters changed ['- الى', '+ إلى']
attempt 2: letters changed ['- الى', '+ إلى']
None
قَرَأَ مُحَمَّدٌ الْكِتَابَ

کوڈ پر نوٹس:

  • پہلے Unicode NFC۔ ہمزہ ایک precomposed حرف (أ) کی شکل میں آ سکتا ہے یا ایک حرف اور combining mark کی شکل میں۔ NFC موازنے سے پہلے دونوں طرف کو یکساں بناتا ہے۔ normalization والی پوسٹ اس جال کو تفصیل سے سمجھاتی ہے۔
  • max_tokens=4000۔ BroadNet کی دستاویزات کہتی ہیں کہ DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B جواب سے پہلے ریزننگ کرتے ہیں، اور ریزننگ max_tokens میں شمار ہوتی ہے۔ بہت چھوٹی حد خالی جواب لوٹاتی ہے، جسے جانچ مسترد کر دیتی ہے۔ گنجائش چھوڑیں، یا reasoning_effort کو low کریں؛ دیکھیں ریزننگ ماڈلز سے خالی جوابات اور ریزننگ ٹوکن بجٹ کیلکولیٹر۔
  • جانچ “موجودہ اعراب برقرار رکھیں” کو ٹیسٹ نہیں کرتی۔ اگر آپ کے ان پٹ میں کچھ اعراب پہلے سے ہیں تو ان نشانات کا بھی موازنہ کریں۔
  • املا ایک الگ فیصلہ ہے۔ اگر آپ الى کی تصحیح چاہتے ہیں تو پہلے تصحیح کا مرحلہ چلائیں، پھر درست شدہ متن پر اعراب لگائیں۔ دونوں کو ملانے سے کسی کی بھی جانچ ممکن نہیں رہتی۔
  • لمبے متن کو ٹکڑوں میں بانٹیں۔ ہر درخواست میں ایک جملہ یا ایک پیراگراف بھیجیں۔ CATT خود ان پٹ کو 1,024 حروف تک محدود رکھتا ہے اور لمبے جملوں کو رموزِ اوقاف پر توڑتا ہے؛ یہی عادت LLM کے جوابات مختصر اور دوبارہ کوششیں سستی رکھتی ہے۔

عربی پرامپٹ لکھنے کے عمومی مشوروں کے لیے، جن میں یہ بھی شامل ہے کہ ماڈل کو کب اعراب نہ لگانے کو کہیں، دیکھیں عربی پرامپٹ انجینئرنگ۔

اعراب کو کیسے اسکور کریں: DER اور WER؟

Diacritic error rate (DER) ان حروف کا تناسب ہے جن کے اعراب reference سے مختلف ہیں۔ Word error rate (WER) یہاں ان الفاظ کا تناسب ہے جن میں کم از کم ایک اعراب غلط ہے۔ یہ ہماری ASR پوسٹ والا speech-recognition WER نہیں ہے؛ یہ غلط نشان والے الفاظ گنتا ہے، داخل یا حذف شدہ الفاظ نہیں۔

دو سیٹنگز اعداد کو بہت بدل دیتی ہیں:

  • Case endings کے ساتھ یا بغیر۔ لفظ کا آخری حرف اس کا نحوی case (نحوی اصطلاح میں إعراب) رکھتا ہے، جو جملے کی ساخت پر منحصر ہے۔ پیپرز دونوں سیٹنگز بتاتے ہیں، کیونکہ بہت سی غلطیاں case endings سے آتی ہیں۔
  • بغیر اعراب والے حروف کی گنتی۔ کچھ scripts بغیر نشان والے حرف (جیسے الطالب میں الف) کو درست “کوئی اعراب نہیں” prediction کے طور پر گنتی ہیں؛ کچھ اسے چھوڑ دیتی ہیں۔ Fadel کی scoring script میں اس کے لیے ایک flag ہے۔

شائع شدہ scripts ان فیصلوں میں مختلف ہیں، اس لیے صرف ایک ہی script سے بنے اعداد کا موازنہ کریں۔ یہ script اتنی مختصر ہے کہ پڑھی جا سکے:

import re, unicodedata

MARK = re.compile("[ً-ْٰ]")
LETTER = re.compile("[ء-غف-ي]")

def letters(word: str) -> list[tuple[str, str]]:
    """(letter, its diacritics in a fixed order) for each Arabic letter in a word."""
    out = []
    for ch in unicodedata.normalize("NFC", word):
        if LETTER.match(ch):
            out.append([ch, ""])
        elif MARK.match(ch) and out:
            out[-1][1] += ch
    return [(c, "".join(sorted(d))) for c, d in out]

def der_wer(gold: list[str], pred: list[str], case_ending=True, count_bare=True) -> dict:
    """DER: share of scored letters with the wrong diacritics. WER: share of words with any such letter.
    case_ending=False skips each word's last letter. count_bare=False skips letters with no gold diacritic."""
    errs = total = werr = words = 0
    for g_line, p_line in zip(gold, pred):
        for g, p in zip(g_line.split(), p_line.split()):
            G, P = letters(g), letters(p)
            if [c for c, _ in G] != [c for c, _ in P]:
                raise ValueError(f"letters differ: {g} / {p}")  # score only same-skeleton output
            scored = [(gd, pd) for i, ((_, gd), (_, pd)) in enumerate(zip(G, P))
                      if (case_ending or i < len(G) - 1) and (count_bare or gd)]
            if not scored:
                continue
            bad = sum(gd != pd for gd, pd in scored)
            errs += bad; total += len(scored); werr += bad > 0; words += 1
    return {"DER": round(100 * errs / total, 2), "WER": round(100 * werr / words, 2)}

gold = ["ذَهَبَ الطَّالِبُ إِلَى المَدْرَسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابَ"]
pred = ["ذَهَبَ الطَّالِبَ إِلَى المَدْرِسَةِ", "قَرَأَ مُحَمَّدٌ الكِتَابُ"]
for ce in (True, False):
    print("with case endings" if ce else "without case endings", der_wer(gold, pred, case_ending=ce))

اس نمونہ prediction میں 32 حروف اور 7 الفاظ میں دو غلط case endings اور ایک غلط اندرونی حرکت ہے۔ یہ case endings کے ساتھ DER 9.38 اور WER 42.86 چھاپتا ہے، اور بغیر case endings کے DER 4.0 اور WER 14.29۔ دیکھیے WER چند غلطیوں کو کیسے بڑا کرتا ہے: ایک غلط نشان پورا لفظ خراب کر دیتا ہے۔

Script اس لفظ کو اسکور کرنے سے انکار کرتی ہے جس کے حروف بدل گئے ہوں۔ یہ جان بوجھ کر ہے۔ جو diacritizer حروف بدلتا ہے وہ کام میں ناکام ہو چکا ہے، اور اس کا DER بے معنی ہوگا۔

دوسری جانچ کے طور پر ہم نے rule-based diacritizer Mishkal 0.4.1 کو 16 الفاظ کے ایک جملے پر چلایا، جس پر ہم نے ہاتھ سے اعراب لگائے تھے۔ اس کی چاروں غلطیاں case endings کی تھیں، جیسے مُحَمَّدٌ کی جگہ مُحَمَّدُ۔ اس کا DER case endings کے ساتھ 5.88 اور بغیر 0.0 رہا۔ ایک جملہ Mishkal کے بارے میں کچھ ثابت نہیں کرتا؛ یہ دکھاتا ہے کہ دونوں سیٹنگز کیوں بتانی چاہییں۔

Test set بنانے کے لیے اپنے متن کے 100 سے 200 جملے لیں، کسی اہلِ زبان سے ان پر اعراب لگوائیں، نشانات ہٹائیں، اور ہر امیدوار کو چلائیں۔ انسانی ورژن کو gold کے طور پر رکھیں۔

مخصوص diacritizer کب LLM سے بہتر ہے؟

منتخب کریں کب
مخصوص ماڈل (CATT، libtashkeel، Mishkal) زیادہ حجم، مقررہ قسم کا متن، سخت latency، آف لائن یا on-device استعمال، یا ایسی ضرورت کہ آؤٹ پٹ اپنی بناوٹ سے حرف بہ حرف وہی رہے
API کے ذریعے LLM کم یا غیر یکساں حجم، ملا جلا یا بے ترتیب ان پٹ، ML ops کے بغیر ٹیم، یا ایسی پائپ لائن جو دوسرے مراحل کے لیے پہلے سے LLM کال کرتی ہے

مخصوص ماڈلز ہر حرف کے لیے ایک نشان predict کرتے ہیں، اس لیے وہ آپ کا متن دوبارہ نہیں لکھ سکتے۔ CATT Apache 2.0 ہے اور pip install catt-tashkeel سے انسٹال ہوتا ہے؛ اس کا README رفتار کے لیے encoder-only ماڈل اور درستگی کے لیے encoder-decoder کا مشورہ دیتا ہے۔ libtashkeel MIT ہے اور زیادہ تر MSA پر trained ہے۔ Mishkal rule-based اور GPL ہے، جو اہم ہے اگر آپ اسے کسی پروڈکٹ کے اندر ship کرتے ہیں۔

LLM سے آغاز تیز ہوتا ہے اور وہ ایسا ان پٹ سنبھال لیتا ہے جو کسی trained ماڈل نے کبھی نہیں دیکھا: لہجہ، ملی جلی عربی اور انگریزی، عجیب رموزِ اوقاف۔ اسے ہر جواب پر اوپر والی skeleton جانچ چاہیے، اور اس کی لاگت فی ٹوکن ہے۔

LLM سے اعراب لگانے کی لاگت کیا ہے؟

اعراب اضافی حروف ہیں، اور tokenizers انہیں اضافی ٹوکنز میں توڑتے ہیں۔ ہم نے 2,500 سطروں والے Fadel test set (125,098 الفاظ) کو ہر ماڈل کے اپنے tokenizer سے گنا، بغیر اعراب والا متن بمقابلہ مکمل اعراب والا متن:

Tokenizer بغیر اعراب متن اعراب کے ساتھ تناسب
Qwen3.8 27B 196,987 407,144 2.07×
DeepSeek V4.1 Flash 222,555 540,454 2.43×
Gemma 4 VL 26B 208,769 508,758 2.44×
GLM 5.3 239,753 770,361 3.21×

آپ بغیر اعراب والے متن کے لیے ان پٹ ٹوکنز اور اعراب والے جواب کے لیے آؤٹ پٹ ٹوکنز ادا کرتے ہیں، ساتھ میں ریزننگ بھی۔ آؤٹ پٹ مہنگا حصہ ہے: BroadNet کے قیمتوں والے صفحے کے مطابق فی دس لاکھ ٹوکن Qwen3.8 27B پر $2.17، DeepSeek V4.1 Flash پر $0.52، GLM 5.3 پر $3.46 اور Gemma 4 VL 26B پر $0.22۔ جانچ میں ناکامی کے بعد کی دوبارہ کوششیں مزید اضافہ کرتی ہیں۔ اپنے ڈیٹا پر تناسب دیکھنے کے لیے اپنا متن عربی ٹوکن کاؤنٹر میں پیسٹ کریں، اور عربی شروع سے ہی زیادہ ٹوکن کیوں لیتی ہے، یہ عربی اور انگریزی میں فی لفظ ٹوکن میں دیکھیں۔

کسی بڑے آرکائیو پر ایک بار کے کام کے لیے، DeepSeek V4.1 Flash پلانز میٹر کی جگہ فی سیشن مقررہ قیمت رکھتے ہیں ($15 فی ہفتہ یا $1 فی گھنٹہ)؛ ہر سیشن ایک وقت میں ایک درخواست چلاتا ہے، اس لیے رن کی منصوبہ بندی ویسے کریں جیسے batch API کے بغیر batch processing میں بتایا گیا ہے۔

BroadNet Inference کہاں فِٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference اوپر کے چاروں چیٹ ماڈلز ایک OpenAI-compatible اینڈپوائنٹ سے دیتا ہے، اس لیے base URL اور کلید سیٹ کرنے کے بعد کوڈ OpenAI Python SDK کے ساتھ چلتا ہے۔ Gemma 4 VL 26B $5 کے ابتدائی کریڈٹ پر چلتا ہے؛ DeepSeek، GLM اور Qwen کے لیے ٹاپ اپ چاہیے۔ BroadNet کے پاس اعراب لگانے کا کوئی اینڈپوائنٹ نہیں، وہ اعراب کا اپنا کوئی benchmark شائع نہیں کرتا اور اس کے پاس text-to-speech نہیں ہے۔ اس کے کون سے ماڈلز آپ کے متن پر بہترین اعراب لگاتے ہیں، یہ ناپا نہیں گیا: منتخب کرنے سے پہلے انہیں اپنے نمونے پر اسکور کریں۔ درخواست کی تفصیلات کے لیے API ریفرنس دیکھیں۔

عام سوالات

Python میں عربی متن پر اعراب کیسے لگاؤں؟

دو راستے ہیں۔ catt-tashkeel (Apache 2.0) یا mishkal (GPL) جیسا مخصوص diacritizer انسٹال کر کے لوکل چلائیں، یا متن ایسے پرامپٹ کے ساتھ LLM کو بھیجیں جو صرف تشکیل مانگے۔ LLM کے ساتھ ہمیشہ جانچیں کہ جواب سے اعراب ہٹانے پر وہ آپ کے ان پٹ کے برابر ہے۔

کیا ChatGPT یا GPT-4 عربی اعراب لگانے میں اچھا ہے؟

کچھ ٹیسٹوں میں بہترین مخصوص سسٹمز کے قریب، کچھ میں ان سے پیچھے۔ CATT پیپر نے اپنے خبری benchmark پر GPT-4 کا DER، case endings کے ساتھ، 9.515% ناپا، جبکہ اس کے اپنے ماڈل کا 8.624%۔ 2024 کا ایک اور پیپر Fadel benchmark پر GPT-4 کا تقریباً 20% DER بتاتا ہے۔ اپنے متن پر ٹیسٹ کریں۔

اعراب کے لیے DER اور WER میں کیا فرق ہے؟

DER ان حروف کا تناسب ہے جن کے اعراب غلط ہیں۔ WER ان الفاظ کا تناسب ہے جن میں کم از کم ایک اعراب غلط ہے، اس لیے یہ ہمیشہ زیادہ ہوتا ہے۔ دونوں case endings (ہر لفظ کا آخری حرف) کے ساتھ اور بغیر بتائے جاتے ہیں۔

تشکیل لگاتے وقت میرا LLM حروف کیوں بدل دیتا ہے؟

وہ املا بھی درست کرتا ہے: الى کو إلى بنا دیتا ہے، ى کو ي کر دیتا ہے، غائب ہمزہ لگا دیتا ہے۔ یہ درست ہو سکتا ہے، مگر یہ تصحیح ہے، اعراب لگانا نہیں، اور اس سے حرف بہ حرف اسکورنگ ٹوٹ جاتی ہے۔ ماڈل کو ایسا نہ کرنے کو کہیں، ہر جواب جانچیں، اور اگر املا کی تصحیح چاہیے تو اسے الگ مرحلے میں چلائیں۔

کیا BroadNet اعراب والا متن پڑھ کر سنا سکتا ہے؟

نہیں۔ BroadNet Inference میں text-to-speech اینڈپوائنٹ نہیں ہے۔ یہ چیٹ ماڈلز اور speech-to-text دیتا ہے۔ اگر اعراب لگانا کسی TTS پائپ لائن کا ابتدائی حصہ ہے تو نتیجہ کسی الگ TTS سروس کو بھیجیں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں

ذرائع