BroadRouter

عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ · اپ ڈیٹ

عربی speech-to-text API اپنی ریکارڈنگز پر ٹیسٹ کر کے منتخب کریں: اپنے لہجوں پر word error rate ناپیں، پھر فی آڈیو گھنٹہ قیمت، فائل کی حدیں اور ڈیٹا retention کا موازنہ کریں۔ BroadNet Transcribe Arabic کی قیمت $0.25 فی آڈیو گھنٹہ ($0.0042 فی منٹ) ہے، اور Open Universal Arabic ASR Leaderboard نے 15 نومبر، 2026 کو اسے 39 میں سے #4 پر رکھا۔

عربی speech-to-text API منتخب کرنے کے لیے، ہر امیدوار سے ہر لہجے کے اپنے 30 سے 50 کلپس ٹرانسکرائب کریں، ہر لہجے کا word error rate ملائیں، پھر فی آڈیو گھنٹہ قیمت، فائل کی حدیں، streaming کی ضرورت اور ڈیٹا retention کو تولیں۔ جو ماڈل benchmark پر شاندار لگتا ہے، وہ آپ کے کال سینٹر کی آڈیو پر پھر بھی ناکام ہو سکتا ہے۔

Speech recognition کے لیے عربی مشکل ہے: ایک تحریری معیار کئی بولے جانے والے لہجوں کے اوپر بیٹھا ہے، بولنے والے جملے کے بیچ میں انگریزی پر چلے جاتے ہیں، اور زیادہ تر اصل آڈیو فون کالز اور وائس نوٹس ہوتی ہے۔

آپ کی اپنی آڈیو پر word error rate سب سے زیادہ اہم کیوں ہے؟

Word error rate (WER) ان الفاظ کا تناسب ہے جو ماڈل غلط کرتا ہے: بدلے ہوئے، چھوٹے ہوئے یا گھڑے ہوئے۔ کم بہتر ہے۔ عوامی اعداد صرف نقطۂ آغاز ہیں:

Test set یہ کیا ہے BroadNet Transcribe Arabic ElevenLabs Scribe v2 Whisper large-v3
FLEURS-ar صاف پڑھے گئے جملے 3.8 شائع نہیں شائع نہیں
MASC-ar حقیقی دنیا کی ملی جلی عربی گفتگو 21.1 22.3 31.5
BroadNet لہجوں والا set خلیجی، مصری اور شامی گفتگو 23.4 25.6 31.8

یہ BroadNet کی لیب پیمائشیں ہیں، جو اس کے ماڈل کیٹلاگ اور اس کے Transcribe Arabic صفحے پر شائع ہیں۔ موازنہ BroadNet نے خود چلایا، اس لیے ElevenLabs اور Whisper والے کالمز کو ایک vendor کا اپنے حریفوں پر کیا گیا ٹیسٹ سمجھیں، آزاد نتیجہ نہیں۔ BroadNet یہ بھی بتاتا ہے کہ Open Universal Arabic ASR Leaderboard پر ماڈل 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) پر ہے، اور ان ماڈلز میں #1 جن کے لائسنس API کے ذریعے serve کرنے کی اجازت دیتے ہیں۔ 15 نومبر 2026 کو اس سے اوپر کی تین entries Jais-ASR، Sygma-ASR-Arabic (جسے board، Cohere ماڈل پر beam decoding بتاتا ہے) اور Audar-ASR-V1-Turbo تھیں؛ Whisper large-v3 #19 پر تھا۔ ہم نے ہر entry کا لائسنس نہیں جانچا۔

سائن اپ کرنے سے پہلے آپ ماڈل کو اپنی آواز پر سن سکتے ہیں: BroadNet کا براؤزر playground بغیر اکاؤنٹ کے 60 سیکنڈ تک کی عربی یا انگریزی آڈیو ٹرانسکرائب کرتا ہے۔ دیکھیں playground کیسے استعمال کریں۔

3.8 اور 23.4 کے درمیان فرق ہی سبق ہے: ایک ہی ماڈل پڑھی گئی گفتگو پر تقریباً مکمل درست اور بول چال والے لہجے پر کافی کمزور ہو سکتا ہے۔ اپنی آڈیو پر ٹیسٹ کریں۔

عمومی طور پر vendor کے اعداد سے محتاط رہیں۔ شائع شدہ عربی WER کے بہت سے اعداد vendor کے اپنے ٹیسٹ سے آتے ہیں، ایسی آڈیو پر جسے آپ دیکھ نہیں سکتے۔ کوئی عدد تبھی قابلِ موازنہ ہے جب test set، normalization اور scoring ٹول ایک ہی ہوں۔

پوری تصویر کے لیے، ہمارا open speech-to-text API price index 20 سے زیادہ پروڈکٹس کی batch اور streaming قیمتیں، billing increments اور عربی سپورٹ دکھاتا ہے، ہر ایک فراہم کنندہ کے اپنے قیمتوں والے صفحے سے جانچا ہوا (CSV اور JSON)۔

لہجوں کی کوریج کیسے جانچیں؟

اپنی test فائلوں کو لہجے کے لحاظ سے بانٹیں: خلیجی، مصری، شامی، عراقی، مغربی (مغرب)، اور ساتھ میں جدید معیاری عربی۔ ہر گروپ کو الگ اسکور کریں۔ اگر آپ کے زیادہ تر گاہک ریاض میں ہیں تو خلیجی WER کسی اوسط سے کہیں زیادہ اہم ہے۔

Code-switching پر نظر رکھیں۔ خلیجی کاروباری گفتگو میں انگریزی پروڈکٹ نام اور نمبر ملے ہوتے ہیں۔ دیکھیں کہ نمبر، تاریخیں اور نام کیسے آتے ہیں، کیونکہ آگے کا سسٹم انہی الفاظ پر عمل کرتا ہے۔ BroadNet شور والی آڈیو میں نمبروں، تاریخوں اور ناموں کے لیے ایک fine-tuned عربی ماڈل درخواست پر دیتا ہے۔

عربی ٹرانسکرپشن کی فی آڈیو گھنٹہ لاگت کیا ہے؟

فی آڈیو گھنٹہ موازنہ کریں، کیونکہ آپ کا حجم اسی طرح ناپا جاتا ہے:

ماڈل فی منٹ فی گھنٹہ 1,000 گھنٹے
BroadNet Transcribe Arabic $0.0042 $0.25 $252.00
BroadNet Transcribe (14 زبانیں) $0.002 $0.12 —
Soniox async (فائل)، 60+ زبانیں تقریباً USD 0.0017 (اخذ شدہ) تقریباً USD 0.10 تقریباً USD 100
Soniox real-time (streaming) تقریباً USD 0.002 (اخذ شدہ) تقریباً USD 0.12 تقریباً USD 120

Soniox کی سطریں Soniox pricing سے ہیں، 14 نومبر 2026 کو جانچی گئیں۔ Soniox فی ٹوکن بل کرتا ہے (تقریباً 30,000 آڈیو ٹوکن فی گھنٹہ) اور گھنٹے والے اعداد کو تخمینہ بتاتا ہے۔

Soniox فی گھنٹہ BroadNet سے سستا ہے۔ اس کی فائل والی شرح BroadNet Transcribe Arabic کے $0.25 کے نصف سے کم ہے اور BroadNet Transcribe کے $0.12 سے بھی نیچے ہے۔ اس کی real-time شرح BroadNet Transcribe کے برابر ہے اور پھر بھی عربی ماڈل سے کم ہے، اور BroadNet real-time streaming document ہی نہیں کرتا۔ Soniox اپنی معاون زبانوں میں عربی (ar) گنواتا ہے اور تمام زبانوں کے لیے ایک ہی شرح دکھاتا ہے۔ وہ عربی کے لیے الگ قیمت، عربی WER کے اعداد یا لہجوں کی کوریج شائع نہیں کرتا، اس لیے قیمت واضح ہے مگر درستگی نہیں۔ قیمت کی بنیاد پر منتخب کرنے سے پہلے دونوں پر وہی لہجوں والا ٹیسٹ چلائیں۔

کسی سپورٹ inbox کے لیے، 30، 30 سیکنڈ کے 10,000 WhatsApp وائس نوٹس عربی ماڈل پر $21.00 کے پڑتے ہیں۔ حساب ہے 10,000 × 0.5 minutes × $0.0042۔ اپنا حجم speech-to-text لاگت کیلکولیٹر میں ڈالیں۔

فراہم کنندگان کا موازنہ کرتے وقت شرح کے ساتھ billing کی اکائی بھی دیکھیں: فی سیکنڈ، فی منٹ یا فی شروع شدہ بلاک، اور کیا فی فائل کوئی کم از کم چارج ہے۔ مختصر وائس نوٹس پر ہی billing کی rounding نظر آتی ہے۔ دوسرے فراہم کنندگان کی فی منٹ شرحوں کے لیے، ان کے قیمتوں والے صفحات سے جانچی ہوئی، دیکھیں speech-to-text API کی قیمتوں کا موازنہ؛ اگر آپ OpenAI کے اینڈپوائنٹ سے ہٹ رہے ہیں تو Whisper API کا متبادل والی چیک لسٹ دیکھیں۔ Transcribe بمقابلہ Transcribe Arabic موازنہ دکھاتا ہے کہ سستا 14 زبانوں والا ماڈل کب کافی ہے۔

عربی speech-to-text API میں کون سی خصوصیات ہونی چاہییں؟

ہر پروڈکٹ کو ہر خصوصیت نہیں چاہیے۔ موازنے سے پہلے طے کریں کہ کون سی اہم ہیں:

خصوصیت کیوں اہم ہے کیا پوچھیں
Batch فائل اپ لوڈ وائس نوٹس، ریکارڈنگز، آرکائیوز فارمیٹس اور زیادہ سے زیادہ فائل سائز
Real-time streaming Live captions، وائس ایجنٹس Latency، اور کیا یہ الگ پروڈکٹ ہے
اسپیکر لیبلز (diarization) ایجنٹ اور گاہک والی کالز صرف batch، یا live بھی؟
الفاظ کے timestamps سب ٹائٹلز، سرچ، جائزے کے ٹولز لفظ کی سطح یا segment کی سطح؟
Code-switching انگریزی اصطلاحات والی عربی کیا ہر درخواست میں ایک ہی زبان چاہیے؟
ڈیٹا retention کالز میں ذاتی ڈیٹا ہوتا ہے کیا آڈیو یا متن رکھا جاتا ہے، اور کب تک؟

BroadNet آج جو document کرتا ہے: OpenAI-compatible /v1/audio/transcriptions اینڈپوائنٹ کے ذریعے batch ٹرانسکرپشن، WAV یا MP3 ان پٹ، ایک language فیلڈ، اور zero data retention۔ اس فہرست کی کسی اور چیز پر انحصار کرنے سے پہلے API ریفرنس جانچیں۔

کون سی فائل حدیں اور فارمیٹس لاگو ہوتے ہیں؟

  • فائل سائز۔ BroadNet فی فائل 26,214,400 بائٹ (25 MiB) تک کی WAV یا MP3 لیتا ہے۔ بڑی فائل پر 413 لوٹتا ہے؛ لمبی ریکارڈنگز کو تقسیم کریں۔
  • فارمیٹس۔ .ogg وائس نوٹس اور .m4a ریکارڈنگز پہلے تبدیل کریں؛ WhatsApp وائس نوٹ گائیڈ میں ffmpeg والی سطر ہے۔
  • Language فیلڈ۔ language=ar بھیجیں۔ اس کے بغیر عربی لاطینی حروف میں transliterate ہو کر واپس آ سکتی ہے۔
  • Rate limits۔ استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستوں اور بیک وقت 4 کی اجازت دیتی ہے۔ بڑے backlog کے لیے فائلوں کو queue کریں اور 429 کو backoff کے ساتھ دوبارہ بھیجیں؛ دیکھیں errors اور retries۔

کیا آڈیو محفوظ کی جاتی ہے؟

وائس نوٹس اور کالز میں نام، فون نمبر اور صحت یا بینکاری کی تفصیلات ہوتی ہیں۔ ہر فراہم کنندہ سے پوچھیں کہ کیا آڈیو اور ٹرانسکرپٹس محفوظ رکھے جاتے ہیں، اور کب تک۔ BroadNet Inference دونوں میں سے کچھ بھی محفوظ نہیں رکھتا؛ دیکھیں zero data retention اور ہماری ZDR چیک لسٹ۔

ایک سہ پہر میں عربی ٹرانسکرپشن API کیسے ٹیسٹ کریں؟

  1. اپنے production چینل سے ہر لہجے کے 30 سے 50 اصل کلپس جمع کریں۔ جو کچھ شیئر نہیں کر سکتے، اسے ہٹا دیں۔
  2. ہر لہجے کے 10 کلپس کا درست ٹرانسکرپٹ ہاتھ سے لکھیں، ایک طے شدہ املائی اصول کے ساتھ۔
  3. ہر کلپ کو ہر امیدوار API سے ٹرانسکرائب کریں۔ قدم بہ قدم عربی گائیڈ میں BroadNet کے لیے curl اور Python کوڈ ہے۔
  4. دونوں متن ایک ہی طرح normalize کریں اور ہر لہجے کا WER اور CER نکالیں۔ عربی WER کی وضاحت میں Python والا normalization function ہے اور یہ دکھایا گیا ہے کہ اسے چھوڑنے سے ایک مکمل درست ٹرانسکرپٹ 75% WER کیوں بن سکتا ہے۔
  5. 20 ٹرانسکرپٹس خود پڑھیں۔ کم WER بھی غلط نمبر یا نام چھپا سکتا ہے۔

کلپس کیسے منتخب کریں، reference کیسے لکھیں اور ہر لہجے کے گروپ کو کیسے اسکور کریں، یہ عربی لہجوں کی speech recognition میں تفصیل سے ہے۔

عام غلطیاں

  • صرف صاف آڈیو ٹیسٹ کرنا۔ اصل فون اور وائس نوٹ ریکارڈنگز استعمال کریں۔
  • ایک اوسط WER۔ اچھی اوسط ایسا لہجہ چھپا سکتی ہے جو آپ کے گاہک بولتے ہیں۔
  • Language فیلڈ چھوڑ دینا۔ Transliterate شدہ آؤٹ پٹ تقریباً مکمل طور پر غلطیوں میں گنا جاتا ہے۔
  • نمبروں کو نظرانداز کرنا۔ ہندسے، تاریخیں اور رقمیں ہاتھ سے جانچیں؛ آپ کا سسٹم انہی پر عمل کرتا ہے۔

BroadNet Inference کہاں فِٹ ہوتا ہے

BroadNet Transcribe Arabic عربی وائس نوٹس، کالز اور ریکارڈنگز کی batch ٹرانسکرپشن کے لیے فی منٹ قیمت پر موزوں ہے، اور کوئی آڈیو محفوظ نہیں رکھی جاتی۔ $5 کا ابتدائی کریڈٹ تقریباً 1,190 منٹ کی عربی آڈیو کا احاطہ کرتا ہے، جو بغیر کارڈ کے اوپر والے ٹیسٹ کے لیے کافی ہے۔ اگر آپ کو ایسی خصوصیات چاہییں جو یہ document نہیں کرتا، جیسے live streaming captions، تو ایسا فراہم کنندہ ٹیسٹ کریں جو انہیں پیش کرتا ہو۔ ٹرانسکرپشن کے بعد عربی متن کے کاموں کے لیے دیکھیں عربی کے لیے LLM کا انتخاب۔

عام سوالات

عربی کے لیے اچھا word error rate کتنا ہوتا ہے؟

یہ آڈیو پر منحصر ہے۔ BroadNet، BroadNet Transcribe Arabic کے لیے FLEURS-ar (صاف پڑھی گئی گفتگو) پر 3.8، MASC-ar پر 21.1 اور اپنے لہجوں والے set پر 23.4 بتاتا ہے۔ بول چال والے لہجے کی آڈیو پڑھی گئی گفتگو سے ہمیشہ زیادہ مشکل ہوتی ہے۔

عربی لہجوں کے لیے کون سا speech-to-text API بہترین ہے؟

ایک جواب نہیں ہے، کیونکہ نتائج لہجے اور ریکارڈنگ کے معیار کے ساتھ بدلتے ہیں۔ دو تین API منتخب کریں، ہر ایک سے ہر لہجے کے اپنے 30 سے 50 کلپس ٹرانسکرائب کریں، اور مجموعی اوسط نہیں، ہر لہجے کا word error rate ملائیں۔

1,000 گھنٹے کی عربی آڈیو ٹرانسکرائب کرنے پر کتنا خرچ آتا ہے؟

$0.0042 فی آڈیو منٹ پر، BroadNet Transcribe Arabic کے ساتھ 1,000 گھنٹوں کی لاگت $252.00 ہے۔

کیا BroadNet کا عربی speech-to-text live streaming سپورٹ کرتا ہے؟

BroadNet، /v1/audio/transcriptions کے ذریعے 25 MiB تک کی WAV یا MP3 فائلوں کی batch ٹرانسکرپشن document کرتا ہے۔ یہ live streaming captions document نہیں کرتا۔ اگر آپ کو وہ چاہییں تو مثال کے طور پر Soniox real-time ٹرانسکرپشن بیچتا ہے جس کی زبانوں کی فہرست میں عربی ہے (14 نومبر 2026 کو جانچا گیا)۔

کیا یہ WhatsApp وائس نوٹس ٹرانسکرائب کر سکتا ہے؟

ہاں، ffmpeg سے .ogg فائل کو WAV یا MP3 میں بدلنے کے بعد۔ اس سائٹ کی WhatsApp گائیڈ ایک سطر والی تبدیلی دکھاتی ہے۔

کیا میری آڈیو محفوظ کی جاتی ہے؟

نہیں۔ BroadNet Inference درخواست کے بعد آڈیو یا ٹرانسکرپٹ محفوظ نہیں رکھتا؛ یہ صرف مواد کے بغیر ریکارڈ، جیسے timings اور لاگت، رکھتا ہے۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں