BroadRouter
شروع کریں

متن، آواز یا وژن؟ پہلے ٹاسک دیکھیں

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ

اپنے ان پٹ اور آؤٹ پٹ سے شروع کریں۔ متن اندر، متن باہر کا مطلب چیٹ ہے۔ تصویر یا اسکین اندر، متن باہر کا مطلب تصویر قبول کرنے والے ماڈل پر تصویر کے ساتھ چیٹ ہے۔ ریکارڈ شدہ آواز اندر، متن باہر کا مطلب ٹرانسکرپشن ہے؛ آواز سے جواب کا مطلب پہلے ٹرانسکرپشن، پھر چیٹ۔ BroadNet ٹیکسٹ ٹو اسپیچ، تصویر سازی یا embeddings نہیں دیتا۔

“کون سا ماڈل استعمال کریں؟” دوسرا سوال ہے۔ پہلا سوال ہے “اندر کیا جاتا ہے، اور باہر کیا آنا چاہیے؟” انوائس کی تصویر، گاہک کا وائس نوٹ اور ٹائپ کیا گیا سوال، ہر ایک مختلف قسم کے endpoint پر جاتا ہے، اور ہر endpoint کے اپنے ماڈلز، حدیں اور ناکامی کے انداز ہیں۔ پہلے ٹاسک چنیں تو ماڈلز کی فہرست دو تین تک سمٹ جاتی ہے۔

یہ گائیڈ عام ٹاسکس کو ان پٹ کی اقسام سے جوڑتی ہے، پھر ہر ایک کے لیے وہ بتاتی ہے جو BroadNet Inference دستاویزی شکل میں دیتا ہے۔ BroadRouter، BroadNet کی اپنی سائٹ ہے؛ نیچے کے ماڈل حقائق BroadNet کی قیمتوں کی فیڈ اور API ریفرنس سے ہیں، 15 نومبر 2026 کو جانچے گئے۔

آپ کے ٹاسک کو کون سی ان پٹ کی قسم چاہیے؟

آپ کا ٹاسک ان پٹ آؤٹ پٹ Endpoint BroadNet ماڈلز
متن کا جواب، خلاصہ، درجہ بندی یا ترجمہ متن متن Chat completions چاروں چیٹ ماڈلز میں سے کوئی بھی
اپنے functions یا ٹولز کال کرنا متن ٹول کالز Chat completions GLM 5.3، Qwen3.8 27B (دستاویزی)
تصویر، اسکین، اسکرین شاٹ یا فارم پڑھنا تصویر + متن متن یا JSON تصویر کے ساتھ chat completions DeepSeek V4.1 Flash، Qwen3.8 27B، Gemma 4 VL 26B
ریکارڈنگ یا وائس نوٹ کو متن میں بدلنا آڈیو فائل متن Audio transcriptions Transcribe Arabic، Transcribe (14 زبانیں)
کال کا خلاصہ یا وائس نوٹ کا جواب آڈیو فائل متن ٹرانسکرپشن، پھر چیٹ ہر ایک کا ایک ماڈل
جواب بول کر سنانا متن آڈیو ٹیکسٹ ٹو اسپیچ دستیاب نہیں
لائیو صوتی گفتگو آڈیو اسٹریم آڈیو Realtime voice دستیاب نہیں
تصویر بنانا متن تصویر تصویر سازی دستیاب نہیں
دستاویزات پر semantic search متن Vectors Embeddings دستیاب نہیں

اس جدول میں “وژن” کا مطلب تصویر سمجھنا ہے: ماڈل آپ کی بھیجی ہوئی تصویر پڑھتا ہے۔ اس کا مطلب تصاویر بنانا نہیں۔ vision language model والی glossary اندراج یہ فرق سمجھاتی ہے۔

چیٹ اور ٹرانسکرپشن میں کیا فرق ہے؟

یہ الگ endpoints ہیں، جن کی درخواست کی ساخت، بلنگ کی اکائی اور ماڈلز الگ ہیں۔

چیٹ (POST /v1/chat/completions) JSON میں پیغامات کی فہرست لیتا ہے اور متن لوٹاتا ہے۔ اس کا بل فی ٹوکن بنتا ہے، ان پٹ اور آؤٹ پٹ الگ الگ، اور ہر ماڈل کی ایک کانٹیکسٹ ونڈو ہوتی ہے جس میں پرامپٹ اور جواب ساتھ سماتے ہیں۔ BroadNet پر چار میں سے تین چیٹ ماڈلز جواب دینے سے پہلے ریزننگ کرتے ہیں، اور وہ ریزننگ max_tokens میں گنی جاتی ہے، اس لیے جگہ چھوڑیں (ریزننگ ٹوکن اور خالی جوابات)۔

ٹرانسکرپشن (POST /v1/audio/transcriptions) multipart upload کی شکل میں آڈیو فائل لیتا ہے اور ٹرانسکرپٹ لوٹاتا ہے۔ اس کا بل آڈیو کے فی منٹ بنتا ہے۔ BroadNet کی دستاویزات ہر فائل کے لیے 26,214,400 bytes تک کی WAV یا MP3 بتاتی ہیں، اور کہتی ہیں کہ language ہمیشہ بھیجیں، کیونکہ ورنہ عربی لاطینی حروف میں تبدیل ہو کر لوٹ سکتی ہے۔

ماڈل زبانیں قیمت
BroadNet Transcribe Arabic عربی: خلیجی، مصری، شامی (Levantine)، مغربی (Maghrebi) اور جدید معیاری، BroadNet کے مطابق $0.0042 فی منٹ (تقریباً $0.25 فی گھنٹہ)
BroadNet Transcribe 14، جن میں انگریزی، ہسپانوی، فرانسیسی، مینڈرن اور عربی شامل $0.002 فی منٹ (تقریباً $0.12 فی گھنٹہ)

BroadNet پر چیٹ ماڈل آڈیو نہیں لیتا، اور ٹرانسکرپشن ماڈل سوالوں کے جواب نہیں دیتا۔ متن میں جواب دینے والا صوتی معاون دو کالز ہے: ٹرانسکرائب، پھر چیٹ۔ ریکارڈنگز سے عربی میٹنگ منٹس بالکل یہی chain بناتا ہے۔

کون سے ماڈلز تصاویر قبول کرتے ہیں؟

وہ جن کی فیڈ اندراج میں modalities میں image درج ہے۔ 15 نومبر 2026 کو:

ماڈل ان پٹس کانٹیکسٹ ان پٹ / آؤٹ پٹ فی 1M ٹوکن رسائی
DeepSeek V4.1 Flash متن، تصویر 1,048,576 $0.175 / $0.52 ٹاپ اپ ضروری
Qwen3.8 27B متن، تصویر 262,144 $0.175 / $2.17 ٹاپ اپ ضروری
Gemma 4 VL 26B متن، تصویر 32,768 $0.10 / $0.22 $5 کا ابتدائی کریڈٹ
GLM 5.3 صرف متن 1,048,576 $0.78 / $3.46 ٹاپ اپ ضروری

تصویر کو پیغام کے مواد کے اندر درست MIME type کے ساتھ data: URL کے طور پر بھیجیں۔ BroadNet کی دستاویزات کہتی ہیں کہ وژن “only where the model row explicitly says images or vision” (ترجمہ: صرف وہاں، جہاں ماڈل کی قطار میں واضح طور پر images یا vision لکھا ہو) دستیاب ہے۔ دستاویزات قبول شدہ تصویری فارمیٹس نہیں بتاتیں، اس لیے جو فارمیٹ آپ قبول کرنے والے ہیں، ہر ایک ٹیسٹ کریں۔ استعمال کے مطابق ادائیگی والی کلید پر تصویر کا بل ان پٹ ٹوکن کے طور پر بنتا ہے، اور بڑی تصویر زیادہ ٹوکن لیتی ہے؛ بھیجنے سے پہلے resize کریں اور تصویری ٹوکن کیلکولیٹر سے اندازہ لگائیں۔ دستاویزات سے ڈیٹا نکالنا شروع سے آخر تک وژن LLM سے دستاویزات سے ڈیٹا نکالنا میں ہے۔

کوڈ میں ہر ان پٹ کو روٹ کیسے کریں؟

یہ function فائل کی قسم سے endpoint چنتا ہے، بھیجنے سے پہلے دستاویزی حدیں جانچتا ہے، اور تصویر قبول کرنے والے ماڈلز کی فہرست hard-code کرنے کے بجائے لائیو فیڈ سے پڑھتا ہے۔ یہ OpenAI Python SDK استعمال کرتا ہے، جو base URL بدلنے کے بعد BroadNet کے ساتھ کام کرتا ہے (سیٹ اپ گائیڈ)۔

import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")

ہم نے اسے BROADNET_BASE_URL کو ایک لوکل mock سرور پر رکھ کر (کوئی لائیو API کال نہیں) اور لائیو قیمتوں کی فیڈ کے ساتھ ٹیسٹ کیا۔ متن، ایک WAV فائل، فالو اپ ٹاسک کے ساتھ ایک WAV فائل، اور ایک PNG، ہر ایک درست mock endpoint تک پہنچا۔ chat_model="broadnet/glm-5.3" کے ساتھ PNG بھیجنا کسی بھی درخواست سے پہلے ہی مسترد ہو گیا، فیڈ سے تصویر قبول کرنے والے تینوں IDs کی فہرست کے ساتھ۔ ایک .ogg فائل اسے تبدیل کرنے والی ffmpeg کمانڈ کے ساتھ مسترد ہوئی؛ وہ مرحلہ WhatsApp وائس نوٹس ٹرانسکرائب کرنا میں ہے۔ سائز کی حد سے بڑی ریکارڈنگز کو بانٹنا ہوگا؛ آڈیو اسپلٹر ffmpeg کمانڈز بنا دیتا ہے۔

اگر دستاویز پہلے سے متن ہے تو؟

تو اس کی تصویر نہ بھیجیں۔ اکاؤنٹنگ سسٹم یا ورڈ پروسیسر سے ایکسپورٹ کیے گئے PDF میں عام طور پر متن کی تہہ ہوتی ہے؛ اسے PDF لائبریری سے نکالیں اور متن کسی چیٹ ماڈل کو بھیجیں۔ استعمال کے مطابق ادائیگی والی کلید پر یہ تصویر سے سستا ہے، غلط پڑھائی سے بچاتا ہے، اور GLM 5.3 پر بھی کام کرتا ہے۔ وژن کو اسکینز، فون تصاویر، ہاتھ کی لکھائی، مہروں اور اسکرین شاٹس کے لیے رکھیں، جہاں نکالنے کے لیے متن کی کوئی تہہ نہیں ہوتی۔

دستاویزی پائپ لائن میں ایک کارآمد اصول: پہلے متن نکالنا آزمائیں، جانچیں کہ اس نے اصل متن لوٹایا (خالی صفحات یا بگڑے حروف نہیں)، اور ایسا نہ ہونے پر ہی تصویر پر واپس جائیں۔ عربی PDFs کے لیے، بھروسہ کرنے سے پہلے نکالے گئے متن کا ایک سیمپل پڑھیں: PDF کیسے بنا تھا، اس پر منحصر ہے کہ extraction عربی حروف کو غلط ترتیب میں یا غیر جڑی presentation forms میں لوٹا سکتا ہے۔ جن صورتوں میں تصویر بہتر ذریعہ ہے، وہ وژن LLM سے عربی OCR میں ہیں۔

لاگت کا موازنہ کیسا ہے؟

ہر ان پٹ کی قسم کا بل اس کی اپنی اکائی میں بنتا ہے، اس لیے فی درخواست نہیں، فی ٹاسک موازنہ کریں:

  • متن کا بل فی ان پٹ اور آؤٹ پٹ ٹوکن بنتا ہے۔ اسی مواد کے لیے عربی کو اکثر انگریزی سے زیادہ ٹوکن چاہییں؛ عربی ٹوکن کاؤنٹر اسے ناپتا ہے۔
  • تصاویر استعمال کے مطابق ادائیگی پر ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکن ہیں، اس لیے ایک بڑی تصویر متن کے ایک صفحے سے مہنگی پڑ سکتی ہے۔ DeepSeek سیشن پلان پر تصاویر مقررہ قیمت میں شامل ہیں۔
  • آڈیو کا بل آڈیو کے فی منٹ بنتا ہے، چاہے جو بھی کہا گیا ہو۔ BroadNet پر 30، 30 سیکنڈ کے 10,000 عربی وائس نوٹس عربی ماڈل کے ساتھ تقریباً $21.00 کے پڑتے ہیں۔ دوسری مقداروں کے لیے speech-to-text لاگت کیلکولیٹر ہے۔

chain میں اس کے حصے جمع ہوتے ہیں: چیٹ ماڈل سے جواب پانے والے وائس نوٹ کی لاگت ٹرانسکرپشن کے منٹ ہیں، ساتھ میں ٹرانسکرپٹ اور جواب کے چیٹ ٹوکن۔ چیٹ والا حصہ LLM API لاگت کیلکولیٹر سنبھالتا ہے۔

کیا دستیاب نہیں، اور اس کی جگہ کیا کریں؟

BroadNet کا API ریفرنس دو inference endpoints دستاویزی شکل میں دیتا ہے: chat completions اور audio transcriptions۔ اس لیے یہ نہیں ہیں:

  • ٹیکسٹ ٹو اسپیچ۔ کوئی /v1/audio/speech نہیں۔ اگر آپ کے پروڈکٹ کو بول کر جواب دینا ہے تو BroadNet ٹرانسکرپشن اور چیٹ کو کسی الگ TTS سروس کے ساتھ جوڑیں۔
  • لائیو وائس۔ ٹرانسکرپشن اپ لوڈ کی گئی فائل لیتا ہے، لائیو آڈیو اسٹریم نہیں۔ کال کے دوران جواب دینے والے فون ایجنٹ کے لیے آپ کو کہیں اور realtime وائس اسٹیک چاہیے۔ فائل پر مبنی متبادل ٹرانسکرپشن کے لیے براؤزر آڈیو ریکارڈ کرنا میں ہے۔
  • تصویر سازی۔ یہاں وژن تصاویر پڑھتا ہے؛ بناتا نہیں۔
  • Embeddings۔ کوئی /v1/embeddings نہیں۔ retrieval کے لیے آپ کو کسی دوسرے فراہم کنندہ کا یا self-hosted embedding ماڈل چاہیے؛ embedding لاگت کیلکولیٹر قیمتوں کا موازنہ کرتا ہے۔

BroadNet کے تحقیقی کیٹلاگ میں ٹیکسٹ ٹو اسپیچ، تصویر سازی اور embedding ماڈلز درج ہیں، جن پر اس کی لیب میں benchmarked کا نشان ہے۔ یہ درج کرتا ہے کہ BroadNet نے کیا ٹیسٹ کیا، یہ نہیں کہ اس کا API کیا بیچتا ہے؛ یہ فرق ماڈل کیٹلاگ کیسے پڑھیں میں سمجھایا گیا ہے۔

ہر ان پٹ کے لیے الگ evaluation set کیوں چاہیے؟

کیونکہ ہر ان پٹ کی قسم الگ طرح ناکام ہوتی ہے، اور سب کا اوسط ان ناکامیوں کو چھپا دیتا ہے۔

  • متن: اصل صارف پیغامات پر اسکور کریں، جہاں ممکن ہو کوڈ چیکس کے ساتھ۔ طریقہ ماڈل بدلنے سے پہلے LLM کی جانچ میں ہے۔
  • تصاویر: اصل معیار کی اصل تصاویر استعمال کریں: ترچھے زاویے سے لی گئی فون تصاویر، دھندلی رسیدیں، متن پر لگی مہریں۔ ہر فیلڈ کو الگ اسکور کریں۔ صاف PDF render ان تصاویر سے کہیں زیادہ اسکور کرتا ہے جو آپ کے صارفین بھیجیں گے۔
  • آواز: اپنی ریکارڈنگز پر word error rate ناپیں، لہجے، اسپیکر اور لائن کے معیار کے حساب سے بانٹ کر، اور اہم الفاظ (نام، نمبر، رقمیں) الگ سے جانچیں۔ عربی ASR WER کی وضاحت دیکھیں۔
  • Chains: جب آواز کسی چیٹ ماڈل کو جاتی ہے تو دونوں مراحل اور آخری نتیجہ، تینوں کو اسکور کریں۔ غلط سنا گیا نمبر ایک پُراعتماد غلط جواب بن جاتا ہے، اور صرف end-to-end ٹیسٹ دکھاتا ہے کہ ایسا کتنی بار ہوتا ہے۔

سیٹس الگ رکھیں، ان کے ورژن رکھیں، اور جب بھی ماڈل یا پرامپٹ بدلیں، متعلقہ سیٹ دوبارہ چلائیں۔

BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet Inference ٹاسک جدول کی پہلی پانچ قطاریں ایک کلید اور ایک base URL سے پوری کرتا ہے: متنی چیٹ، GLM 5.3 اور Qwen3.8 27B پر ٹول کالنگ، تین ماڈلز پر تصویر سمجھنا، اور عربی یا کثیر لسانی ٹرانسکرپشن۔ Gemma 4 VL 26B اور دونوں ٹرانسکرپشن ماڈلز $5 کے ابتدائی کریڈٹ پر چلتے ہیں؛ DeepSeek، GLM اور Qwen کے لیے ٹاپ اپ چاہیے۔ inference کا مواد نہیں رکھا جاتا؛ ضروری اکاؤنٹ، بلنگ اور سکیورٹی میٹا ڈیٹا BroadNet کے پرائیویسی بیان کے مطابق رکھا جاتا ہے۔ بولنے، تصویر سازی، لائیو وائس یا embeddings کے لیے کوئی دوسری سروس استعمال کریں۔ اوپر کی ہر چیز کی قیمتیں قیمتوں کے صفحے پر ہیں۔

عام سوالات

تصاویر کے لیے کون سا AI ماڈل استعمال کروں؟

ایسا ماڈل جو آپ کے API پر تصویری ان پٹ قبول کرے۔ BroadNet Inference کی قیمتوں کی فیڈ کے مطابق یہ DeepSeek V4.1 Flash، Qwen3.8 27B یا Gemma 4 VL 26B ہیں؛ GLM 5.3 صرف متن لیتا ہے۔ تصویر کو چیٹ پیغام میں data URL کے طور پر بھیجیں۔

کیا چیٹ ماڈل آڈیو ٹرانسکرائب کر سکتا ہے؟

BroadNet Inference پر نہیں۔ آڈیو ٹرانسکرپشن endpoint، /v1/audio/transcriptions، پر ٹرانسکرپشن ماڈل کے ساتھ جاتا ہے۔ اگر اس کے بعد خلاصہ یا جواب چاہیے تو دوسرے مرحلے میں ٹرانسکرپٹ کسی چیٹ ماڈل کو بھیجیں۔

کیا BroadNet Inference ٹیکسٹ ٹو اسپیچ یا تصویر سازی دیتا ہے؟

نہیں۔ اس کا API ریفرنس صرف chat completions اور آڈیو ٹرانسکرپشن کو دستاویزی شکل دیتا ہے۔ ٹیکسٹ ٹو اسپیچ اور تصویر سازی کے ماڈلز BroadNet کے تحقیقی کیٹلاگ میں benchmarked کے طور پر نظر آتے ہیں، جو فراہم کیے جانے کے برابر نہیں۔

BroadNet کون سے آڈیو فارمیٹس قبول کرتا ہے؟

WAV (audio/wav) یا MP3 (audio/mpeg)، ہر فائل 26,214,400 bytes تک۔ دوسرے فارمیٹس، جیسے WhatsApp کا .ogg وائس نوٹ، پہلے ffmpeg سے تبدیل کریں، اور language پیرامیٹر ہمیشہ بھیجیں۔

تصویر کا بل کیسے بنتا ہے؟

استعمال کے مطابق ادائیگی والی کلید پر BroadNet تصویر کو ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکن کے طور پر بل کرتا ہے، اور بڑی تصویر زیادہ ٹوکن لیتی ہے۔ DeepSeek سیشن پلان پر تصاویر مقررہ قیمت میں شامل ہیں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں