میٹنگ منٹس ایک کام لگتے ہیں، لیکن یہ دو ہیں: بولی کو متن میں بدلنا، اور متن کو فیصلوں اور ایکشن آئٹمز میں بدلنا۔ ہر مرحلہ اپنے طریقے سے ناکام ہوتا ہے۔ غلط ٹرانسکرائب ہوا لہجے کا ایک لفظ غلط ایکشن آئٹم بن جاتا ہے؛ اچھا خلاصہ بنانے والا ماڈل بھی ذمہ دار شخص گھڑ سکتا ہے۔ یہ پوسٹ عربی میٹنگز کے لیے پائپ لائن بناتی ہے اور دکھاتی ہے کہ جانچیں کہاں لگائیں۔
پائپ لائن کیسی دکھتی ہے؟
recording (.m4a, .mp4, .webm)
→ ffmpeg: 16 kHz mono, split at silences
→ speech to text, language=ar, one request per chunk
→ join the transcript, clean obvious noise
→ split the transcript into sections
→ LLM: summary, decisions, action items, open questions (JSON) per section
→ LLM: merge the sections into one set of minutes
→ human review → send
باقی پوسٹ اسے مرحلہ وار سمجھاتی ہے۔
مرحلہ 1: لمبی عربی میٹنگ کو کیسے ٹرانسکرائب کریں؟
لیپ ٹاپ پر ریکارڈ ہوئی ایک گھنٹے کی میٹنگ عموماً اپ لوڈ کی حد سے کہیں بڑی ہوتی ہے۔ BroadNet Inference فی فائل 26,214,400 بائٹس تک WAV یا MP3 لیتا ہے، اس لیے پہلے 16 kHz mono میں بدلیں اور خاموشی والی جگہوں پر کاٹیں۔ 25 MB سے بڑی لمبی آڈیو ٹرانسکرائب کریں میں پوری اسکرپٹ ہے، متوازی درخواستوں اور متن کو ترتیب سے جوڑنے سمیت۔
عربی میٹنگز کے لیے تین سیٹنگز اہم ہیں:
- ہر chunk پر
language="ar"بھیجیں۔ BroadNet کے ڈاکس خبردار کرتے ہیں کہ ورنہ عربی لاطینی حروف میں ٹرانسلٹریٹ ہو کر واپس آ سکتی ہے۔ - عربی غالب میٹنگز کے لیے عربی ماڈل استعمال کریں:
broadnet/cohere-transcribe-arabic۔ جو میٹنگز زیادہ تر اس کی کسی دوسری زبان میں ہوں، ان کے لیےbroadnet/cohere-transcribeکی قیمت $0.002 فی منٹ ہے۔ - خام ٹرانسکرپٹ رکھیں۔ جائزے اور مرحلہ 4 کے اقتباسات کے لیے یہ چاہیے۔
خلیجی کاروباری میٹنگز میں ملی جلی عربی اور انگریزی معمول ہے۔ اپنے معمول کے امتزاج والی ریکارڈنگ ٹیسٹ کریں: انگریزی پروڈکٹ نام اور نمبر وہی جگہیں ہیں جہاں ایررز نظر آتے ہیں۔ عربی لہجوں کی speech recognition بتاتی ہے کہ کس چیز پر دھیان دیں۔
کیا اسپیکرز کے نام مل سکتے ہیں؟
سادہ متن والے ٹرانسکرپٹ سے نہیں۔ BroadNet کا ٹرانسکرپشن جواب ایک text فیلڈ والا JSON ہے: نہ اسپیکرز، نہ ٹائم اسٹیمپس۔ (chunk offsets سے کیپشن ٹائمنگ کے لیے صرف متن والے API سے عربی سب ٹائٹلز دیکھیں۔) آپ کے پاس تین آپشن ہیں:
| صورتحال | کیا کریں |
|---|---|
| ہر شخص الگ ٹریک یا چینل پر ریکارڈ ہوا | ہر ٹریک الگ سے ٹرانسکرائب کریں؛ ٹریک سے اسپیکر پتا چلتا ہے |
| دو چینل والی کال ریکارڈنگ | ffmpeg سے چینلز الگ کریں، جیسا کال سینٹر پائپ لائن میں ہے |
| ایک ملا جلا ٹریک، اور اسپیکرز چاہییں | diarization لوٹانے والا فراہم کنندہ استعمال کریں؛ خریدار گائیڈ ان کا موازنہ کرتی ہے |
ایک ملے جلے ٹریک کے ساتھ بھی LLM ذمہ دار شخص ڈھونڈ سکتا ہے جب کوئی نام بولتا ہے: “خالد جمعرات تک کوٹیشن بھیجے گا۔” اسے جو نہیں کرنا چاہیے، وہ ہے سیاق و سباق سے ذمہ دار شخص کا اندازہ لگانا۔ نیچے کا پرامپٹ اس کی ممانعت کرتا ہے۔
مرحلہ 2: خلاصے سے پہلے ٹرانسکرپٹ کیوں تقسیم کریں؟
دو وجوہات۔ پہلی، کانٹیکسٹ: ایک گھنٹے کی گفتگو چھوٹے ماڈل کے لیے بہت لمبی ہو سکتی ہے۔ BroadNet Gemma 4 VL 26B کا کانٹیکسٹ 32,768 ٹوکن ہے، جسے لمبی عربی میٹنگ پار کر سکتی ہے۔ اپنا ٹرانسکرپٹ عربی ٹوکن کاؤنٹر سے گنیں؛ عربی کو عموماً انگریزی سے فی لفظ زیادہ ٹوکن چاہییں، جیسا کہ عربی بمقابلہ انگریزی میں فی لفظ ٹوکن دکھاتا ہے۔
دوسری، درستگی۔ لمبے ان پٹس پر تحقیق نے پایا کہ ماڈل کی کارکردگی “significantly degrades when models must access relevant information in the middle of long contexts” (ترجمہ: تب نمایاں طور پر گر جاتی ہے جب ماڈلز کو لمبے کانٹیکسٹ کے درمیان کی متعلقہ معلومات تک پہنچنا ہو) (Liu et al.)۔ 70 میں سے 35ویں منٹ میں کیا گیا فیصلہ بالکل یہی ہے۔ 10 سے 15 منٹ کے حصوں کا الگ الگ خلاصہ بنا کر پھر ملانے سے ہر حصہ پرامپٹ کے شروع کے قریب رہتا ہے۔
ٹرانسکرپٹ کو انہی خاموشی والی جگہوں پر تقسیم کریں جو آپ نے آڈیو کے لیے استعمال کیں، تاکہ کوئی حصہ جملے کے بیچ سے شروع نہ ہو۔
مرحلہ 3: منٹس کون سا ماڈل لکھے؟
| ماڈل | کانٹیکسٹ | منٹس کے لیے نوٹس | ان پٹ / آؤٹ پٹ فی 1M ٹوکن |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | BroadNet نے عربی میں ٹیسٹ کیا: رواں تحریر، خلیجی اور مصری لہجے سمجھتا ہے؛ structured output درج | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | structured output درج؛ صرف متن | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | فلیٹ پلان پر بھی، فی سیشن $60 ماہانہ، ایک وقت میں ایک درخواست | $0.175 / $0.52 |
Qwen3.8 27B سے شروع کریں، کیونکہ BroadNet نے عربی میں یہی ماڈل ٹیسٹ کیا ہے۔ تین حقیقی میٹنگز پر اسے ایک اور ماڈل کے مقابلے میں ٹیسٹ کریں، اور کسی مادری عربی بولنے والے سے اسکور کروائیں۔ عربی کے لیے LLM چننا میں اسکورنگ شیٹ ہے۔
تینوں ماڈلز جواب سے پہلے ریزننگ کرتے ہیں، اور ریزننگ max_tokens میں گنی جاتی ہے۔ منٹس لمبے ہوتے ہیں، اس لیے کئی ہزار ٹوکن کی گنجائش دیں، ورنہ نظر آنے والا جواب خالی لوٹ سکتا ہے۔ ایسا کیوں ہوتا ہے۔
مرحلہ 4: کون سا پرامپٹ قابل اعتماد منٹس دیتا ہے؟
JSON مانگیں، اور ماڈل سے ہر آئٹم کے لیے ٹرانسکرپٹ کا اقتباس دلوائیں۔ اقتباس ہی جائزہ لینے والے کو پورا ٹرانسکرپٹ دوبارہ پڑھنے کی بجائے سیکنڈوں میں ایکشن آئٹم چیک کرنے دیتا ہے۔
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
"summary": 2-4 sentences in Modern Standard Arabic,
"decisions": [{"text": ..., "quote": ...}],
"actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
"open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""
def minutes_for(section):
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000,
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": section}])
return json.loads(r.choices[0].message.content)
پھر کوڈ میں validate کریں۔ JSON پارس کریں، keys چیک کریں، اور چیک کریں کہ ہر quote واقعی اس حصے میں موجود ہے۔ جس آئٹم کا اقتباس ٹرانسکرپٹ میں نہیں، وہ ماڈل کی گھڑی ہوئی چیز ہے: اسے ہٹائیں یا فلیگ کریں۔ اگر JSON پارس نہ ہو تو ایرر پیغام کے ساتھ ایک بار دوبارہ کوشش کریں۔ JSON mode بمقابلہ json_schema ایک validation لوپ دکھاتی ہے؛ BroadNet کے ڈاکس GLM 5.3 اور Qwen3.8 27B کے لیے structured output درج کرتے ہیں لیکن درخواست کا پیرامیٹر نہیں بتاتے، اس لیے بھروسا کرنے سے پہلے اسے ٹیسٹ کریں۔
انگریزی منٹس کے لیے خلاصے والی لائن انگریزی میں بدلیں اور شامل کریں: “Keep each quote in the original Arabic.” عربی پرامپٹ انجینئرنگ پوسٹ اسلوب، ہندسوں اور ملے جلے رسم الخط والے متن کو مزید گہرائی سے بتاتی ہے۔
مرحلہ 5: حصوں کو منٹس کے ایک سیٹ میں کیسے ملائیں؟
تمام حصوں کے نتائج ایک آخری درخواست میں بھیجیں اور ماڈل سے کہیں کہ:
- پوری میٹنگ کا ایک خلاصہ لکھے۔
- دہرائے گئے فیصلے اور ایکشنز ملائے۔ ایک ہی ٹاسک کا ذکر اکثر دو بار ہوتا ہے۔
- ہر آئٹم کا اقتباس رکھے۔
- اگر بعد کا کوئی حصہ کسی ایکشن کا ذمہ دار شخص یا تاریخ بدلتا ہے تو اسے تبدیل شدہ نشان زد کرے۔
ملانے والا ان پٹ چھوٹا ہے: ہر حصے کا JSON، ٹرانسکرپٹ نہیں۔ اوپر کے تینوں میں سے کسی بھی ماڈل پر یہ اس کے کانٹیکسٹ کے اندر آرام سے رہتا ہے۔
ایک میٹنگ کی لاگت کیا ہے؟
| مرحلہ | آپ کس کی ادائیگی کرتے ہیں | قیمت |
|---|---|---|
| ٹرانسکرپشن | آڈیو کے منٹ | $0.0042 فی منٹ، $0.25 فی گھنٹہ |
| حصوں کے خلاصے | ٹرانسکرپٹ کے ٹوکن ان پٹ، JSON آؤٹ پٹ | Qwen3.8 27B: فی 1M $0.175 ان پٹ، $2.17 آؤٹ پٹ |
| ملانا | چھوٹا JSON ان پٹ اور آؤٹ پٹ | وہی شرحیں |
ٹرانسکرپشن عموماً مقررہ حصہ ہے۔ LLM والا حصہ ٹرانسکرپٹ کی لمبائی اور ماڈل کتنی ریزننگ کرتا ہے، اس پر منحصر ہے۔ پہلی چند حقیقی میٹنگز سے prompt_tokens اور completion_tokens پڑھیں، پھر LLM API لاگت کیلکولیٹر میں ضرب دیں۔ speech-to-text لاگت کیلکولیٹر آڈیو والا حصہ کرتا ہے۔ $5 کا ابتدائی کریڈٹ ٹرانسکرپشن ماڈلز کا احاطہ کرتا ہے، جو تقریباً 1,190 منٹ عربی ہے؛ Qwen3.8 27B کے لیے ٹاپ اپ چاہیے۔
کن غلطیوں سے بچیں؟
- پوری میٹنگ کا خلاصہ ایک ہی پرامپٹ میں۔ درمیان کے آئٹمز چھوٹ جاتے ہیں۔
- ماڈل کو خالی جگہیں بھرنے دینا۔ جو ذمہ دار اشخاص اور تاریخیں کبھی بولی ہی نہیں گئیں، وہ AI منٹس کی سب سے عام غلطی ہیں۔ null کو پہلے سے طے شدہ بنائیں۔
- بہت جلدی ترجمہ کرنا۔ عربی میں ٹرانسکرائب کریں اور نکالیں، پھر منٹس کا ترجمہ کریں۔ پہلے ٹرانسکرپٹ کا ترجمہ کرنے سے درست اقتباسات کھو جاتے ہیں۔
- جائزہ چھوڑ دینا۔ منٹس ایک ریکارڈ ہیں۔ میٹنگ میں موجود کسی شخص کو بھیجنے سے پہلے انہیں پڑھنا چاہیے۔
- ریکارڈنگز ہمیشہ کے لیے رکھنا۔ منٹس منظور ہونے کے بعد آڈیو مٹا دیں، جب تک رکھنا ضروری نہ ہو۔
API پائپ لائن کب غلط انتخاب ہے؟
اگر آپ کو میٹنگ کے دوران live کیپشنز چاہییں، ایک ملے جلے ٹریک سے اسپیکر لیبلز چاہییں، یا ایسی تیار ایپ چاہیے جسے آپ کی ٹیم آج ہی استعمال کر سکے، تو کوئی مخصوص میٹنگ پروڈکٹ تیز راستہ ہے۔ کئی پروڈکٹس عربی میٹنگ نوٹس بیچتی ہیں؛ ان کا موازنہ اپنی ریکارڈنگز پر کریں، کیونکہ ان کے صفحات پر درستگی کے دعوے ان کے اپنے ہیں۔ API والا راستہ تب معقول ہے جب آپ منٹس اپنے سسٹم کے اندر، اپنے فارمیٹ میں، اپنے ریٹینشن اصولوں کے ساتھ چاہتے ہیں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadNet دونوں حصے ایک OpenAI-compatible کلید پر دیتا ہے: $0.0042 فی منٹ پر BroadNet Transcribe Arabic، اور منٹس کے لیے عربی میں ٹیسٹ کیا گیا Qwen3.8 27B۔ اس کا پرائیویسی بیان کہتا ہے کہ یہ درخواست کے بعد کوئی پرامپٹ، آڈیو، جواب یا ٹرانسکرپٹ نہیں رکھتا، جو اندرونی میٹنگز کے لیے اہم ہے۔ یہ اسپیکر لیبلز یا ٹائم اسٹیمپس نہیں لوٹاتا، اور اس میں live ٹرانسکرپشن نہیں، اس لیے اگر آپ کو یہ چاہییں تو دوسرا فراہم کنندہ استعمال کریں۔ عربی speech-to-text گائیڈ سے شروع کریں، پھر اوپر والا خلاصے کا مرحلہ شامل کریں۔
