---
title: "عربی آڈیو سے میٹنگ منٹس: API سے بنائیں | BroadRouter"
description: "عربی میٹنگ ریکارڈنگز کو فیصلوں اور ایکشن آئٹمز والے منٹس میں بدلیں: ٹرانسکرائب کریں، صاف کریں، LLM سے JSON میں خلاصہ لیں، اور نام و تاریخیں چیک کریں۔"
url: https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (اپ ڈیٹ: 2026-11-15).

# عربی ریکارڈنگز سے میٹنگ منٹس: ایک API پائپ لائن

BroadNet Inference ٹیم · 6 منٹ کی پڑھائی · شائع شدہ 2026-11-15

API سے عربی میٹنگ منٹس بنانے کے لیے ریکارڈنگ کو عربی speech-to-text ماڈل سے ٹرانسکرائب کریں، لمبے ٹرانسکرپٹ کو حصوں میں بانٹیں، LLM سے فیصلے، ایکشن آئٹمز اور کھلے سوالات JSON میں مانگیں، پھر حصوں کو ملائیں۔ ماڈل سے ہر ایکشن آئٹم کے لیے ٹرانسکرپٹ کا اقتباس دلوائیں، اور منٹس جدید معیاری عربی یا انگریزی میں لکھوائیں۔

## اہم نکات

-   منٹس دو کام ہیں: speech to text، پھر خلاصہ۔ ہر کام کے لیے ماڈل الگ سے چنیں اور ٹیسٹ کریں۔
-   لمبی میٹنگز کو دو بار تقسیم کرنا پڑتا ہے: آڈیو کو اپ لوڈ کی حد میں لانے کے لیے، اور ٹرانسکرپٹ کو خلاصہ درست رکھنے کے لیے۔
-   ہر فیصلے اور ایکشن آئٹم کے لیے ٹرانسکرپٹ کے اقتباس کے ساتھ JSON مانگیں، تاکہ جائزہ لینے والا ہر ایک چیک کر سکے۔
-   سادہ متن والے ٹرانسکرپٹ میں اسپیکر لیبلز نہیں ہوتے۔ جب تک نام بولا نہ گیا ہو، ماڈل کو یہ اندازہ نہ لگانے دیں کہ ٹاسک کس کا ہے۔
-   BroadNet پر ایک گھنٹے کی عربی آڈیو ٹرانسکرائب کرنے کی لاگت $0.25 ہے؛ BroadNet کا عربی میں ٹیسٹ کیا گیا Qwen3.8 27B منٹس لکھتا ہے۔

**اس صفحے پر**

1.  پائپ لائن کیسی دکھتی ہے؟
2.  مرحلہ 1: لمبی عربی میٹنگ کو کیسے ٹرانسکرائب کریں؟
3.  کیا اسپیکرز کے نام مل سکتے ہیں؟
4.  مرحلہ 2: خلاصے سے پہلے ٹرانسکرپٹ کیوں تقسیم کریں؟
5.  مرحلہ 3: منٹس کون سا ماڈل لکھے؟
6.  مرحلہ 4: کون سا پرامپٹ قابل اعتماد منٹس دیتا ہے؟
7.  مرحلہ 5: حصوں کو منٹس کے ایک سیٹ میں کیسے ملائیں؟
8.  ایک میٹنگ کی لاگت کیا ہے؟
9.  کن غلطیوں سے بچیں؟
10.  API پائپ لائن کب غلط انتخاب ہے؟
11.  BroadNet Inference کہاں فٹ ہوتا ہے

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؟

```text
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](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/) 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 لیے `broadnet/cohere-transcribe` کی 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](https://broadrouter.com/ur/blog/arabic-dialect-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](https://broadrouter.com/ur/blog/arabic-subtitles-srt-api/) 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](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/) میں ہے |
| ایک ملا جلا ٹریک، اور اسپیکرز چاہییں | [diarization](https://broadrouter.com/ur/glossary/diarization/) لوٹانے والا فراہم کنندہ استعمال کریں؛ [خریدار گائیڈ](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) 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](https://broadrouter.com/ur/models/gemma-4-vl-26b/) کا کانٹیکسٹ 32,768 ٹوکن ہے، جسے لمبی عربی میٹنگ پار کر سکتی ہے۔ اپنا ٹرانسکرپٹ [عربی ٹوکن کاؤنٹر](https://broadrouter.com/tools/arabic-token-counter/) سے گنیں؛ عربی کو عموماً انگریزی سے فی لفظ زیادہ ٹوکن چاہییں، جیسا کہ [عربی بمقابلہ انگریزی میں فی لفظ ٹوکن](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/) 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.](https://arxiv.org/abs/2307.03172))۔ 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](https://broadrouter.com/ur/models/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](https://broadrouter.com/ur/models/glm-5.3/) | 1,048,576 | structured output درج؛ صرف متن | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/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](https://broadrouter.com/ur/blog/choosing-an-llm-for-arabic/) 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](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)۔

## 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۔

```python
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](https://broadrouter.com/ur/blog/structured-output-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](https://broadrouter.com/ur/blog/arabic-prompt-engineering/) 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:

1.  پوری میٹنگ کا ایک خلاصہ لکھے۔
2.  دہرائے گئے فیصلے اور ایکشنز ملائے۔ ایک ہی ٹاسک کا ذکر اکثر دو بار ہوتا ہے۔
3.  ہر آئٹم کا اقتباس رکھے۔
4.  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](https://broadrouter.com/tools/llm-api-cost-calculator/) میں ضرب دیں۔ [speech-to-text لاگت کیلکولیٹر](https://broadrouter.com/tools/speech-to-text-cost-calculator/) 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](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) سے شروع کریں، پھر اوپر والا خلاصے کا مرحلہ شامل کریں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/)

اسپیچ ٹو ٹیکسٹ، جسے automatic speech recognition (ASR) بھی کہتے ہیں، بولے گئے آڈیو کو تحریری متن میں بدلنے کی ٹیکنالوجی ہے۔ speech-to-text API آڈیو فائل یا اسٹریم لے کر ٹرانسکرپٹ لوٹاتا ہے، عموماً فی آڈیو منٹ قیمت پر۔ درستگی ورڈ ایرر ریٹ سے ناپی جاتی ہے اور لہجے، بولی اور ریکارڈنگ کے معیار کے ساتھ بدلتی ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[پرامپٹ انجینئرنگ (prompt engineering)](https://broadrouter.com/ur/glossary/prompt-engineering/)

پرامپٹ انجینئرنگ، لینگویج ماڈل کو دی جانے والی ہدایات کو لکھنے، ترتیب دینے اور ٹیسٹ کرنے کا عمل ہے، تاکہ ماڈل مسلسل آپ کی ضروریات کے مطابق آؤٹ پٹ دے۔ اس میں رول پیغامات، واضح ہدایات، مثالیں، فارمیٹنگ اور ٹیسٹ کیسز پر نتائج کی پیمائش شامل ہے۔

[پری پیڈ کریڈٹ (prepaid credit)](https://broadrouter.com/ur/glossary/prepaid-credit/)

پری پیڈ کریڈٹ وہ رقم ہے جو استعمال سے پہلے API اکاؤنٹ میں ڈالی جاتی ہے۔ ہر درخواست کی لاگت بیلنس سے کٹتی ہے، اور بیلنس ختم ہونے پر میٹر والی درخواستیں تب تک رک جاتی ہیں جب تک آپ ٹاپ اپ نہ کریں۔ اس سے خرچ اتنا ہی رہتا ہے جتنا آپ نے جمع کیا ہے۔

[JSON موڈ (JSON mode)](https://broadrouter.com/ur/glossary/json-mode/)

JSON موڈ، LLM API کی ایک سیٹنگ ہے، OpenAI طرز کے APIs میں response\_format {"type": "json\_object"}، جو ماڈل کے جواب کو درست اور پارس ہونے کے قابل JSON بناتی ہے۔ JSON Schema والے اسٹرکچرڈ آؤٹ پٹ کے برعکس، یہ ضمانت نہیں دیتی کہ آبجیکٹ میں کون سی keys، ٹائپس یا قدریں ہوں گی۔

[JSON Schema (JSON اسکیما)](https://broadrouter.com/ur/glossary/json-schema/)

JSON Schema، JSON میں لکھی ایک لغت ہے جو JSON ڈیٹا کی ساخت بیان کرتی اور جانچتی ہے: ٹائپس، لازمی فیلڈز، قابلِ قبول قدریں اور نیسٹنگ۔ موجودہ ورژن 2020-12 ہے۔ LLM APIs اس سے ٹول پیرامیٹرز طے کرتے ہیں، اور وہ عین شکل بھی جس کی اسٹرکچرڈ آؤٹ پٹ کو پابندی کرنی ہے۔

## عام سوالات

### عربی ریکارڈنگ سے میٹنگ منٹس کیسے بناؤں؟

آڈیو کو عربی speech-to-text API سے ٹرانسکرائب کریں، language=ar بھیج کر۔ پھر ٹرانسکرپٹ کو LLM کو ایسے پرامپٹ کے ساتھ بھیجیں جو مختصر خلاصہ، فیصلے، ذمہ دار شخص اور مقررہ تاریخ والے ایکشن آئٹمز، اور کھلے سوالات JSON میں مانگے۔ بھیجنے سے پہلے نتیجے کا جائزہ لیں۔

### میٹنگ عربی میں ہوئی ہو تو کیا منٹس انگریزی میں ہو سکتے ہیں؟

جی ہاں۔ عربی میں ٹرانسکرائب کریں، پھر LLM سے منٹس انگریزی میں لکھوائیں اور نام، اعداد اور اقتباسات بالکل ویسے رکھوائیں جیسے بولے گئے۔ عربی اقتباسات رکھیں، تاکہ دونوں زبانیں جاننے والا جائزہ کار ترجمہ چیک کر سکے۔

### میٹنگ منٹس میں لہجے (dialect) کو کیسے سنبھالیں؟

ٹرانسکرپٹ میں لہجہ رہنے دیں، کیونکہ وہی کہا گیا تھا۔ LLM سے منٹس جدید معیاری عربی میں لکھوائیں، اور جہاں مطلب اہم ہو، جیسے کوئی وعدہ یا انکار، وہاں لہجے کے الفاظ اقتباس میں رکھوائیں۔

### کیا API بتا سکتا ہے کہ کس نے کیا کہا؟

صرف تب، جب وہ اسپیکر لیبلز لوٹائے۔ BroadNet کی ٹرانسکرپشن سادہ متن لوٹاتی ہے۔ اگر ہر شریک الگ ٹریک یا چینل پر ریکارڈ ہوا ہے تو ہر ٹریک الگ سے ٹرانسکرائب کریں اور آپ کو اسپیکر معلوم ہوگا؛ ورنہ diarization والا فراہم کنندہ استعمال کریں۔

### لمبی میٹنگ کا خلاصہ کس ماڈل سے بنواؤں؟

ایسا ماڈل چنیں جس میں آپ کے سب سے لمبے ٹرانسکرپٹ کے لیے کافی کانٹیکسٹ ہو اور عربی اچھی ہو۔ BroadNet پر Qwen3.8 27B عربی میں ٹیسٹ کیا گیا ماڈل ہے، 262,144 ٹوکن کے کانٹیکسٹ کے ساتھ؛ GLM 5.3 اور DeepSeek V4.1 Flash 1,048,576 ٹوکن لیتے ہیں۔ تین حقیقی میٹنگز پر دو ماڈلز ٹیسٹ کریں۔

### کیا اندرونی میٹنگز API کو بھیجنا محفوظ ہے؟

پہلے فراہم کنندہ کی ریٹینشن شرائط چیک کریں۔ BroadNet کہتا ہے کہ وہ درخواست کے بعد کوئی پرامپٹ، آڈیو، جواب یا ٹرانسکرپٹ نہیں رکھتا۔ پھر بھی جو کچھ منٹس کو نہیں چاہیے، جیسے بلند آواز میں پڑھے گئے ذاتی فون نمبر، اسے ہٹا دیں۔

## مزید پڑھیں

-   [25 MB سے بڑا لمبا آڈیو ٹرانسکرائب کریں: تقسیم، ارسال، جوڑ](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/)
-   [عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/)
-   [کال سینٹر ریکارڈنگز کیسے ٹرانسکرائب کریں: عربی کے لیے تیار پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [عربی کے لیے LLM API کیسے چنیں: کیا کیا ٹیسٹ کریں](https://broadrouter.com/ur/blog/choosing-an-llm-for-arabic/)
-   [عربی پرامپٹ انجینئرنگ: register، RTL، ہندسے اور ملا جلا متن](https://broadrouter.com/ur/blog/arabic-prompt-engineering/)
-   [LLM سے عربی متن کا خلاصہ: پرامپٹس، لمبائی اور اسکورنگ](https://broadrouter.com/ur/blog/arabic-text-summarization-llm/)
-   [speech-to-text API سے عربی سب ٹائٹلز (SRT): آپ کو کیا چاہیے](https://broadrouter.com/ur/blog/arabic-subtitles-srt-api/)
-   [LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER](https://broadrouter.com/ur/blog/arabic-diacritization-llm/)
-   [LLM سے عربی گرامر اور املا کی تصحیح: ایک عملی رہنما](https://broadrouter.com/ur/blog/arabic-grammar-spelling-correction-llm/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference کا API ریفرنس: ٹرانسکرپشن فیلڈز اور صرف متن والا جواب، structured output والے ماڈلز، ریزننگ اور max\_tokens (2026-11-15 کو دیکھا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [BroadNet Inference کا قیمتوں کا صفحہ: فی منٹ قیمتیں اور Qwen3.8 27B کا "Tested in Arabic" نوٹ (2026-11-15 کو دیکھا گیا) (انگریزی میں)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [BroadNet inference کا پرائیویسی بیان: کوئی پرامپٹ، آڈیو یا ٹرانسکرپٹ نہیں رکھا جاتا (2026-11-15 کو دیکھا گیا) (انگریزی میں)](https://www.broadnet.ai/inference-privacy)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172؛ 2026-11-15 کو دیکھا گیا)](https://arxiv.org/abs/2307.03172)
-   [OpenAI speech to text گائیڈ: آڈیو کو جملے کے بیچ میں نہ کاٹیں (2026-11-15 کو دیکھا گیا)](https://developers.openai.com/api/docs/guides/speech-to-text)
