زیادہ تر speech-to-text APIs ہر درخواست میں تقریباً 25 MB کی ایک فائل لیتے ہیں۔ BroadNet Inference 26,214,400 بائٹس تک کا WAV یا MP3 لیتا ہے۔ لمبی میٹنگ، لیکچر یا پوڈکاسٹ اس سے آگے نکل جاتا ہے، اور درخواست 413 کے ساتھ ناکام ہوتی ہے۔ اس کا حل چار قدموں میں ہے: فائل چھوٹی کریں، اسے خاموشی پر تقسیم کریں، ٹکڑے متوازی بھیجیں، اور متن واپس جوڑیں۔
لمبی ریکارڈنگ ناکام کیوں ہوتی ہے؟
حد بائٹس پر ہے، منٹوں پر نہیں۔ کتنے منٹ سمائیں گے، یہ فارمیٹ پر منحصر ہے:
| فارمیٹ | فی سیکنڈ بائٹس | 26,214,400 بائٹس میں کتنا |
|---|---|---|
| WAV، 44.1 kHz اسٹیریو، 16-bit | 176,400 | تقریباً 2.5 منٹ |
| WAV، 16 kHz مونو، 16-bit | 32,000 | تقریباً 13.6 منٹ |
| MP3، 64 kbit/s | 8,000 | تقریباً 54 منٹ |
| MP3، 32 kbit/s | 4,000 | تقریباً 109 منٹ |
یہ سادہ حساب ہیں: فی سیکنڈ بائٹس ضرب سیکنڈ۔ فون یا لیپ ٹاپ کی ریکارڈنگ اکثر 44.1 یا 48 kHz اسٹیریو ہوتی ہے، جو چند منٹوں میں حد بھر دیتی ہے۔ بولی کو اس کی ضرورت نہیں۔ سب سے پہلے 16 kHz مونو میں بدلنا سب سے بڑا اکیلا فائدہ ہے۔
جب فائل پھر بھی بہت بڑی ہو تو API اسے سیدھا مسترد کر دیتا ہے۔ BroadNet پر جواب 413 ہے، “the request exceeds the endpoint byte or text limit” (ترجمہ: درخواست اینڈپوائنٹ کی بائٹ یا متن کی حد سے بڑھ گئی ہے)، اور کچھ بھی ٹرانسکرائب نہیں ہوتا۔ دیکھیں ایرر کوڈ گائیڈ۔
قدم 1: فائل چھوٹی کیسے کریں؟
کچھ بھی کرنے سے پہلے 16 kHz مونو میں بدلیں۔ ایک ffmpeg کمانڈ کافی ہے:
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
BroadNet کے لیے آؤٹ پٹ WAV (audio/wav) یا MP3 (audio/mpeg) ہونا چاہیے۔ .m4a، .ogg اور .webm جیسے فارمیٹس ویسے بھی بدلنے پڑتے ہیں، اس لیے ری سیمپلنگ اسی قدم میں کر لیں۔
WAV چنیں یا MP3؟ WAV لاس لیس ہے، کچھ نہیں کھوتا، مگر تقریباً 13 منٹ میں حد بھر دیتا ہے۔ 64 kbit/s پر MP3 ہر درخواست میں چار گنا زیادہ آڈیو سما لیتا ہے، مگر وہ لاسی ہے۔ MP3 استعمال کریں تو ایک چھوٹا ٹیسٹ چلائیں: وہی پانچ منٹ WAV اور MP3 دونوں میں ٹرانسکرائب کریں اور متن ملائیں۔ سیمپل ریٹ والا اندراج بتاتا ہے کہ بولی کے لیے 16 kHz کیوں کافی ہے۔
قدم 2: الفاظ کاٹے بغیر آڈیو کیسے تقسیم کریں؟
وقت سے تقسیم کریں، بائٹس سے کبھی نہیں۔ بائٹ آفسیٹ پر کٹ کسی آڈیو فریم کے بیچ میں پڑ سکتا ہے، اور فائل ڈی کوڈ نہیں ہوگی۔ مقررہ وقت پر کٹ کسی لفظ کے بیچ میں پڑ سکتا ہے۔ OpenAI کی اپنی گائیڈ جملے کے بیچ تقسیم سے منع کرتی ہے، کیونکہ یہ “can remove context and reduce accuracy” (ترجمہ: کانٹیکسٹ ہٹا سکتا ہے اور درستی کم کر سکتا ہے)۔
قابلِ اعتماد طریقہ یہ ہے کہ اپنی ہدف لمبائی کے قریب کسی خاموشی کے اندر کاٹیں۔ اپنی فائل کے سائز اور دورانیے کے لیے تیار کمانڈز پانے کو مفت آڈیو اسپلٹر کمانڈ بلڈر استعمال کریں۔ ہاتھ سے یہ یوں ہوتا ہے:
- خاموش وقفوں کی فہرست کے لیے ffmpeg کا silencedetect فلٹر چلائیں۔
- ریکارڈنگ میں آگے بڑھیں۔ جب کوئی ٹکڑا تقریباً 10 منٹ کا ہو جائے تو اگلی خاموشی پر کاٹیں۔
- ہر ٹکڑے کو ffmpeg سے ایک کٹ پوائنٹ سے اگلے تک کاٹیں۔
16 kHz مونو WAV کے دس منٹ 19.2 MB ہیں، جس سے حد کے نیچے گنجائش بچتی ہے۔ اگر کوئی بولنے والا بغیر رکے دیر تک بولے، تو نیچے کا اسکرپٹ سخت زیادہ سے زیادہ حد پر کاٹتا ہے۔
ffmpeg کا segment muxer بھی ایک کمانڈ سے فائل کو “of nearly fixed duration” (ترجمہ: تقریباً مقررہ دورانیے والے) ٹکڑوں میں تقسیم کر سکتا ہے۔ یہ تیز ہے، مگر خاموشی نہیں ڈھونڈتا، اس لیے اسے تب ہی استعمال کریں جب ہر سرحد پر ایک لفظ کھونا قابلِ قبول ہو، یا اوورلیپ شامل کریں (نیچے دیکھیں)۔
پورا اسکرپٹ کیسا دکھتا ہے؟
یہ Python اسکرپٹ فائل بدلتا ہے، خاموشی پر تقسیم کرتا ہے، بیک وقت چار ٹکڑے تک بھیجتا ہے اور متن جوڑتا ہے۔ یہ BroadNet Inference پر پوائنٹ کیا ہوا OpenAI SDK استعمال کرتا ہے۔
# pip install openai
import os, re, subprocess, tempfile
from concurrent.futures import ThreadPoolExecutor
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
TARGET, HARD_MAX = 600, 750 # seconds: aim for 10 min, never above 12.5 min
def run(*args):
return subprocess.run(args, capture_output=True, text=True, check=True)
def silences(path):
"""Midpoints (in seconds) of silent gaps of 0.5 s or more."""
out = run("ffmpeg", "-i", path, "-af", "silencedetect=noise=-35dB:d=0.5",
"-f", "null", "-").stderr
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", out)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", out)]
return [(s + e) / 2 for s, e in zip(starts, ends)]
def duration(path):
return float(run("ffprobe", "-v", "error", "-show_entries", "format=duration",
"-of", "csv=p=0", path).stdout)
def cut_points(path):
total, gaps, cuts, last = duration(path), silences(path), [0.0], 0.0
while total - last > HARD_MAX:
ok = [g for g in gaps if last + TARGET <= g <= last + HARD_MAX]
last = ok[0] if ok else last + HARD_MAX # no silence: hard cut
cuts.append(last)
return cuts + [total]
def transcribe(chunk):
with open(chunk, "rb") as f:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=f, language="ar").text
def transcribe_long(src):
with tempfile.TemporaryDirectory() as tmp:
wav = os.path.join(tmp, "full.wav")
run("ffmpeg", "-y", "-i", src, "-ac", "1", "-ar", "16000", wav)
cuts, chunks = cut_points(wav), []
for i, (a, b) in enumerate(zip(cuts, cuts[1:])):
out = os.path.join(tmp, f"part{i:03d}.wav")
run("ffmpeg", "-y", "-i", wav, "-ss", str(a), "-to", str(b), out)
chunks.append(out)
with ThreadPoolExecutor(max_workers=4) as pool: # map() keeps order
return "\n".join(pool.map(transcribe, chunks))
print(transcribe_long("meeting.m4a"))
اسکرپٹ پر نوٹس:
- زبان۔ BroadNet کی دستاویزات کہتی ہیں کہ ہمیشہ
languageبھیجیں؛ اس کے بغیر عربی “can otherwise be transliterated into Latin letters” (ترجمہ: ورنہ لاطینی حروف میں تبدیل ہو سکتی ہے)۔ انگریزی، فرانسیسی یا اس کی کسی اور سپورٹ شدہ زبان کے لیے درست زبان کوڈ کے ساتھbroadnet/cohere-transcribeاستعمال کریں۔ - حدود (thresholds)۔
-35dBاور0.5سیکنڈ خاموش کمرے کے لیے ٹھیک ہیں۔ شور والے کمروں کو زیادہ noise ویلیو چاہیے، جیسے-30dB۔ ایک بار کٹ پوائنٹس پرنٹ کر کے جانچ لیں۔ - ترتیب۔
pool.mapنتائج ان پٹ کی ترتیب میں لوٹاتا ہے، اس لیے ٹکڑے مختلف وقت پر مکمل ہونے کے باوجود متن درست ترتیب میں جڑتا ہے۔
بیک وقت کتنے ٹکڑے بھیج سکتے ہیں؟
جتنے آپ کی کلید اجازت دے۔ BroadNet کی استعمال کے مطابق ادائیگی والی کلید بیک وقت 4 درخواستوں اور فی منٹ 30 درخواستوں کی اجازت دیتی ہے، اسی لیے اسکرپٹ چار ورکرز استعمال کرتا ہے۔ اسی وقت پانچویں درخواست کو 429 ملتا ہے۔ 429 اور 5xx جوابات پر ایکسپونینشل بیک آف کے ساتھ دوبارہ کوشش کریں؛ 413 پر دوبارہ کوشش نہ کریں، کیونکہ وہی فائل پھر ناکام ہوگی۔ 429 ایررز کیسے سنبھالیں میں ایک ری ٹرائی مددگار ہے جسے آپ transcribe() کے گرد لگا سکتے ہیں۔
چار ورکرز کے ساتھ، 10 منٹ کے ٹکڑوں میں دو گھنٹے کی ریکارڈنگ تین لہروں میں 12 درخواستیں بن جاتی ہے۔ کل وقت تقریباً تین ٹکڑوں کے آنے جانے جتنا ہے، بارہ جتنا نہیں۔
کیا ٹکڑوں کے درمیان اوورلیپ چاہیے؟
نہیں، اگر آپ خاموشی کے اندر کاٹتے ہیں: سرحد پر کوئی بولی ہی نہیں جو کھوئے۔ اوورلیپ مقررہ وقت والے کٹ کے لیے ہے۔ ہر ٹکڑا پچھلے ٹکڑے کے ختم ہونے سے ایک دو سیکنڈ پہلے شروع کریں، پھر متن جوڑتے وقت دہرائے گئے الفاظ ہٹا دیں۔ عام طریقہ یہ ہے کہ ایک ٹکڑے کے آخری چند الفاظ کو اگلے کے پہلے چند الفاظ سے ملائیں اور مماثل حصہ ہٹا دیں۔
اوورلیپ کی تھوڑی لاگت ہے۔ ہر 10 منٹ کے ٹکڑے پر دو سیکنڈ، ادائیگی والے آڈیو میں تقریباً 0.3% شامل کرتے ہیں۔
کیا اگلا ٹکڑا پچھلے ٹکڑے کا متن کانٹیکسٹ کے طور پر لے سکتا ہے؟
کچھ APIs اس کی اجازت دیتے ہیں۔ OpenAI اپنے prompt پیرامیٹر کا ایک استعمال “carrying context from a previous chunk of a longer recording” (ترجمہ: لمبی ریکارڈنگ کے پچھلے ٹکڑے سے کانٹیکسٹ آگے لے جانا) بتاتا ہے۔ BroadNet کا API ریفرنس ٹرانسکرپشن کے لیے صرف model، language اور file درج کرتا ہے، اور text فیلڈ والا JSON لوٹاتا ہے۔ اس لیے BroadNet پر ہر ٹکڑے کو آزاد سمجھیں، اور نام اور اصطلاحات بعد میں درست کریں۔ ایک سستا طریقہ یہ ہے کہ جڑا ہوا ٹرانسکرپٹ لوگوں، پروڈکٹس اور جگہوں کے درست املا کی فہرست کے ساتھ کسی چیٹ ماڈل کو بھیجیں۔
لمبی فائل کی لاگت کتنی ہے؟
speech to text کا بل فی آڈیو منٹ بنتا ہے، اس لیے تقسیم کرنے سے کل رقم نہیں بدلتی۔ BroadNet کے شائع شدہ ریٹس پر:
| آڈیو | BroadNet Transcribe Arabic | BroadNet Transcribe (14 زبانیں) |
|---|---|---|
| فی منٹ قیمت | $0.0042 | $0.002 |
| ایک گھنٹہ | $0.25 | $0.12 |
| 1,000 گھنٹے | $252.00 | $120.00 |
قیمتوں کا صفحہ فی آڈیو منٹ قیمت درج کرتا ہے اور فی فائل کم از کم یا راؤنڈنگ کے بارے میں کچھ نہیں کہتا۔ پہلی بیچ کے بعد usage صفحہ دیکھ کر تصدیق کریں کہ کل رقم آڈیو کی لمبائی سے مطابقت رکھتی ہے۔ دونوں ٹرانسکرپشن ماڈلز $5 کے مفت ابتدائی کریڈٹ پر دستیاب ہیں، جو تقریباً 1,190 منٹ کی عربی کا احاطہ کرتا ہے۔ اپنے حجم کی قیمت نکالنے کے لیے speech-to-text لاگت کیلکولیٹر استعمال کریں؛ فراہم کنندگان کے موازنے کے لیے speech-to-text API قیمتوں کا ڈیٹا سیٹ دیکھیں۔
کن غلطیوں سے بچیں؟
- اصل فائل بھیجنا۔ 48 kHz اسٹیریو WAV ضرورت سے چھ گنا بڑا ہے۔
- بائٹ آفسیٹ پر کاٹنا۔ ٹکڑا ڈی کوڈ نہیں ہوگا، یا پہلا سیکنڈ شور ہوگا۔
- عین حد پر ٹکڑے۔ 25.9 MB کا ٹکڑا آج پاس ہوتا ہے اور جب ریکارڈنگ ذرا اونچی آواز والی ہو تو ناکام ہوتا ہے۔ گنجائش چھوڑیں۔
- بے حساب متوازی پن۔ بیک وقت 50 ٹکڑے بھیجنے پر زیادہ تر کو 429 ملتا ہے۔ ورکرز کی تعداد کلید کی بیک وقت حد پر روکیں۔
- زبان بھول جانا۔ ہر ٹکڑا الگ درخواست ہے، اس لیے ہر ایک کو
languageچاہیے۔
چنکنگ کب غلط طریقہ ہے؟
اگر آپ کو بولنے والوں کے لیبل یا الفاظ کے ٹائم اسٹیمپس چاہییں، تو سادہ متن والے API کو ٹکڑوں میں بانٹنے سے وہ نہیں ملیں گے۔ BroadNet کا ٹرانسکرپشن جواب صرف متن ہے۔ جو فراہم کنندگان ڈائرائزیشن اور ٹائم اسٹیمپس لوٹاتے ہیں، وہ لمبی فائلیں بھی زیادہ سیدھے طریقے سے سنبھالتے ہیں؛ عربی speech-to-text خریدار گائیڈ ان کا موازنہ کرتی ہے۔ اسٹیریو کال ریکارڈنگز کے لیے وقت کے بجائے چینل سے تقسیم کریں: کال سینٹر پائپ لائن دکھاتی ہے کیسے۔
BroadNet Inference کہاں کام آتا ہے
BroadNet Transcribe Arabic کی قیمت $0.0042 فی منٹ ہے، اور BroadNet اسے Open Universal Arabic ASR Leaderboard پر 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) بتاتا ہے۔ درخواست کے بعد آڈیو اور ٹرانسکرپٹس محفوظ نہیں رکھے جاتے۔ اوپر بتائے گئے طریقے سے تقسیم کرنے کے بعد یہ لمبی عربی ریکارڈنگز کی بیچ ٹرانسکرپشن کے لیے موزوں ہے۔ اگر آپ کو اسی API میں ٹائم اسٹیمپس، بولنے والوں کے لیبل یا لائیو اسٹریمنگ چاہیے، تو یہ آپ کے لیے موزوں نہیں۔ عربی speech-to-text گائیڈ پہلی درخواست کا احاطہ کرتی ہے؛ یہ پوسٹ ان فائلوں کا احاطہ کرتی ہے جو ایک درخواست کے لیے بہت بڑی ہیں۔
