---
title: "25 MB سے بڑا آڈیو API سے ٹرانسکرائب کریں: تقسیم اور جوڑ"
description: "speech-to-text API کی فائل حد سے بڑی ریکارڈنگ کیسے ٹرانسکرائب کریں: فائل چھوٹی کریں، ffmpeg سے خاموشی پر تقسیم کریں، ٹکڑے متوازی بھیجیں اور متن جوڑیں۔"
url: https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/
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/transcribe-long-audio-files-api/) (اپ ڈیٹ: 2026-11-15).

# 25 MB سے بڑا لمبا آڈیو ٹرانسکرائب کریں: تقسیم، ارسال، جوڑ

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

زیادہ تر ٹرانسکرپشن APIs تقریباً 25 MB سے بڑی ایک فائل مسترد کر دیتے ہیں۔ پہلے ریکارڈنگ کو 16 kHz مونو میں بدلیں: صرف اس سے BroadNet کی 26,214,400 بائٹس کی حد میں تقریباً 13 منٹ WAV یا 64 kbit/s MP3 کے 54 منٹ سما جاتے ہیں۔ لمبے آڈیو کو ffmpeg سے خاموشی پر تقسیم کریں، ٹکڑوں کو متوازی ٹرانسکرائب کریں اور متن کو ترتیب سے جوڑیں۔

## اہم نکات

-   حد بائٹس کی ہے، منٹوں کی نہیں۔ 16 kHz مونو WAV فی سیکنڈ 32,000 بائٹس ہے، اس لیے 26,214,400 بائٹس تقریباً 13.6 منٹ ہیں؛ 64 kbit/s MP3 تقریباً 54 منٹ۔
-   وقت کے حساب سے، خاموشی پر تقسیم کریں، کبھی بائٹ آفسیٹ پر نہیں۔ بائٹ پر کٹ آڈیو فریم توڑ دیتا ہے، اور لفظ کے بیچ کا کٹ الفاظ کھو دیتا ہے۔
-   ٹکڑے حد سے کافی نیچے رکھیں، جیسے WAV کے 10 منٹ، تاکہ کوئی شور والی فائل کبھی 413 نہ لوٹائے۔
-   ٹکڑے کلید کی حد تک متوازی بھیجیں: BroadNet کی استعمال کے مطابق ادائیگی والی کلید پر بیک وقت 4 درخواستیں اور فی منٹ 30۔
-   تقسیم کرنے سے وہ آڈیو لمبائی نہیں بدلتی جس کی آپ ادائیگی کرتے ہیں۔ BroadNet Transcribe Arabic پر ایک گھنٹے کی عربی کی لاگت $0.25 ہے۔

**اس صفحے پر**

1.  لمبی ریکارڈنگ ناکام کیوں ہوتی ہے؟
2.  قدم 1: فائل چھوٹی کیسے کریں؟
3.  قدم 2: الفاظ کاٹے بغیر آڈیو کیسے تقسیم کریں؟
4.  پورا اسکرپٹ کیسا دکھتا ہے؟
5.  بیک وقت کتنے ٹکڑے بھیج سکتے ہیں؟
6.  کیا ٹکڑوں کے درمیان اوورلیپ چاہیے؟
7.  کیا اگلا ٹکڑا پچھلے ٹکڑے کا متن کانٹیکسٹ کے طور پر لے سکتا ہے؟
8.  لمبی فائل کی لاگت کتنی ہے؟
9.  کن غلطیوں سے بچیں؟
10.  چنکنگ کب غلط طریقہ ہے؟
11.  BroadNet Inference کہاں کام آتا ہے

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](https://broadrouter.com/ur/guides/errors-and-retries/)۔

## قدم 1: فائل چھوٹی کیسے کریں؟

کچھ بھی کرنے سے پہلے 16 kHz مونو میں بدلیں۔ ایک ffmpeg کمانڈ کافی ہے:

```bash
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](https://broadrouter.com/ur/glossary/sample-rate/) 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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) استعمال کریں۔ ہاتھ سے یہ یوں ہوتا ہے:

1.  خاموش وقفوں کی فہرست کے لیے ffmpeg کا [silencedetect](https://ffmpeg.org/ffmpeg-filters.html) فلٹر چلائیں۔
2.  ریکارڈنگ میں آگے بڑھیں۔ جب کوئی ٹکڑا تقریباً 10 منٹ کا ہو جائے تو اگلی خاموشی پر کاٹیں۔
3.  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](https://ffmpeg.org/ffmpeg-formats.html) 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۔

```python
# 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 `language` بھیجیں؛ 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](https://broadrouter.com/ur/blog/multilingual-speech-to-text-api/) کے لیے درست زبان کوڈ کے ساتھ `broadnet/cohere-transcribe` استعمال کریں۔
-   **حدود (thresholds)۔** `-35dB` اور `0.5` سیکنڈ 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.map` نتائج 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](https://broadrouter.com/ur/blog/handle-llm-api-429-rate-limits/) 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/) استعمال کریں؛ فراہم کنندگان کے موازنے کے لیے [speech-to-text API قیمتوں کا ڈیٹا سیٹ](https://broadrouter.com/data/speech-to-text-api-prices/) 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 `language` چاہیے۔

## 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](https://broadrouter.com/ur/glossary/diarization/) اور [ٹائم اسٹیمپس](https://broadrouter.com/ur/glossary/timestamps-asr/) لوٹاتے ہیں، وہ لمبی فائلیں بھی زیادہ سیدھے طریقے سے سنبھالتے ہیں؛ [عربی speech-to-text خریدار گائیڈ](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) ان کا موازنہ کرتی ہے۔ اسٹیریو کال ریکارڈنگز کے لیے وقت کے بجائے چینل سے تقسیم کریں: [کال سینٹر پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/) 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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) پہلی درخواست کا احاطہ کرتی ہے؛ یہ پوسٹ ان فائلوں کا احاطہ کرتی ہے جو ایک درخواست کے لیے بہت بڑی ہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

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

## اس مضمون کی اصطلاحات

[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۔

[WAV فائل (WAV)](https://broadrouter.com/ur/glossary/wav/)

WAV (Waveform Audio File Format، یا WAVE) مائیکروسافٹ اور IBM کے RIFF فارمیٹ پر بنا ایک آڈیو کنٹینر ہے۔ اس میں عموماً غیر کمپریسڈ linear PCM سیمپلز ہوتے ہیں، اس لیے اس کا سائز پہلے سے معلوم ہوتا ہے: فی سیکنڈ سیمپل ریٹ ضرب فی سیمپل بائٹس ضرب چینلز۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[ایکسپونینشل بیک آف (exponential backoff)](https://broadrouter.com/ur/glossary/exponential-backoff/)

ایکسپونینشل بیک آف دوبارہ کوشش کی ایک حکمتِ عملی ہے جس میں کلائنٹ ہر ناکام کوشش کے بعد، دوبارہ کوشش سے پہلے، زیادہ دیر انتظار کرتا ہے، عموماً تاخیر کو ایک حد تک دگنا کرتے ہوئے۔ ہر انتظار میں رینڈم jitter شامل کرنے سے کئی کلائنٹس کی دوبارہ کوششیں بکھر جاتی ہیں تاکہ وہ بیک وقت سرور تک نہ پہنچیں۔

[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۔

[کنکرنسی (concurrency)](https://broadrouter.com/ur/glossary/concurrency/)

کنکرنسی، کسی کلائنٹ کی بیک وقت چل رہی (in-flight) درخواستوں کی تعداد ہے۔ LLM APIs اکثر اس کی حد ہر کلید یا پلان پر، فی منٹ درخواستوں سے الگ رکھتے ہیں، کیونکہ ہر کھلی درخواست جواب مکمل ہونے تک GPU کی گنجائش گھیرے رکھتی ہے۔

[Prefill اور decode](https://broadrouter.com/ur/glossary/prefill-and-decode/)

Prefill اور decode، LLM انفرنس کے دو مراحل ہیں۔ Prefill میں ماڈل پورا پرامپٹ متوازی طور پر پروسیس کر کے اپنا KV cache بھرتا ہے؛ decode میں وہ اسی cache کو دوبارہ استعمال کرتے ہوئے جواب ایک ایک ٹوکن کر کے بناتا ہے۔ Prefill زیادہ تر پہلے ٹوکن تک کا وقت طے کرتا ہے؛ decode آؤٹ پٹ کی رفتار۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

## عام سوالات

### 25 MB سے بڑی آڈیو فائل کیسے ٹرانسکرائب کروں؟

پہلے اسے 16 kHz مونو میں بدلیں، جس سے وہ اکثر حد کے نیچے آ جاتی ہے۔ اگر پھر بھی بڑی ہے تو ffmpeg سے خاموش جگہوں پر تقریباً 10 منٹ کے ٹکڑوں میں تقسیم کریں، ہر ٹکڑے کو اسی language سیٹنگ کے ساتھ ٹرانسکرائب کریں، اور متن کو ترتیب سے جوڑیں۔

### 25 MB میں کتنے منٹ کا آڈیو آتا ہے؟

یہ فارمیٹ پر منحصر ہے۔ 16 kHz مونو 16-bit WAV فی سیکنڈ 32,000 بائٹس لیتا ہے، اس لیے 26,214,400 بائٹس میں تقریباً 13.6 منٹ آتے ہیں۔ 64 kbit/s MP3 میں تقریباً 54 منٹ۔ اسٹیریو یا 44.1 kHz WAV میں بہت کم آتا ہے۔

### حد سے بڑی فائل اپ لوڈ کرنے پر کیا ہوتا ہے؟

درخواست مسترد ہو جاتی ہے۔ BroadNet Inference 413 لوٹاتا ہے، جسے اس کی دستاویزات ایسی درخواست بتاتی ہیں جو اینڈپوائنٹ کی بائٹ یا متن کی حد سے بڑھ جائے۔ کچھ بھی ٹرانسکرائب نہیں ہوتا، اس لیے تقسیم کریں اور دوبارہ بھیجیں۔

### کیا ٹکڑوں کی سرحد پر الفاظ کھو جاتے ہیں؟

کھو سکتے ہیں، اگر آپ بولنے کے بیچ کسی مقررہ وقت پر کاٹیں۔ اس کے بجائے خاموشی کے اندر کاٹیں۔ اگر مقررہ وقت پر ہی کاٹنا ہو تو ٹکڑوں کو ایک دو سیکنڈ اوورلیپ کریں اور جوڑتے وقت دہرائے گئے الفاظ ہٹا دیں۔

### کیا فائل تقسیم کرنے سے لاگت بڑھتی ہے؟

آپ آڈیو کے منٹوں کی ادائیگی کرتے ہیں، اس لیے کل لمبائی وہی رہتی ہے۔ BroadNet کا قیمتوں کا صفحہ فی آڈیو منٹ قیمت درج کرتا ہے اور فی فائل کم از کم یا راؤنڈنگ کا ذکر نہیں کرتا؛ تصدیق کے لیے پہلی بیچ کے بعد usage صفحہ دیکھیں۔

### کیا میں پچھلے ٹکڑے کا متن کانٹیکسٹ کے طور پر بھیج سکتا ہوں؟

کچھ APIs اس کے لیے prompt لیتے ہیں؛ OpenAI پچھلے ٹکڑے سے کانٹیکسٹ آگے لے جانے کو اپنے prompt پیرامیٹر کا ایک استعمال بتاتا ہے۔ BroadNet کی دستاویزات صرف model، language اور file درج کرتی ہیں، اس لیے وہاں prompt پر بھروسہ نہ کریں۔

## مزید پڑھیں

-   [کال سینٹر ریکارڈنگز کیسے ٹرانسکرائب کریں: عربی کے لیے تیار پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/)
-   [کثیر لسانی speech-to-text API: 14 زبانیں، ایک اینڈپوائنٹ](https://broadrouter.com/ur/blog/multilingual-speech-to-text-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/)
-   [Whisper API کا متبادل: کب بدلیں، اور اسے کیسے ٹیسٹ کریں](https://broadrouter.com/ur/blog/whisper-api-alternative/)
-   [اسپیچ ٹو ٹیکسٹ API کی قیمتوں کا موازنہ: 2026 میں فی منٹ قیمت](https://broadrouter.com/ur/blog/speech-to-text-api-pricing-compared/)
-   [speech-to-text API سے عربی سب ٹائٹلز (SRT): آپ کو کیا چاہیے](https://broadrouter.com/ur/blog/arabic-subtitles-srt-api/)
-   [براؤزر میں آڈیو ریکارڈ کریں اور speech-to-text API کو بھیجیں](https://broadrouter.com/ur/blog/record-browser-audio-transcription-api/)
-   [API سے عربی آڈیو کا انگریزی متن میں ترجمہ: ٹیسٹ شدہ پائپ لائن](https://broadrouter.com/ur/blog/translate-arabic-audio-to-english/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [گائیڈ: API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/)
-   [گائیڈ: BroadNet Inference کے ایرر کوڈز اور دوبارہ کوشش کب کریں](https://broadrouter.com/ur/guides/errors-and-retries/)

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-transcribe-long-audio-files-api&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference API ریفرنس: WAV یا MP3، 26,214,400 بائٹس تک، language فیلڈ، 413 اور 429 ایررز، استعمال کے مطابق ادائیگی کی حدیں (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [BroadNet Inference قیمتوں کا صفحہ، فی آڈیو منٹ ٹرانسکرپشن قیمت (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [OpenAI speech to text گائیڈ: 25 MB فائل کی حد، ٹکڑوں میں تقسیم کریں، جملے کے بیچ میں تقسیم نہ کریں (جانچا گیا 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [FFmpeg فارمیٹس دستاویزات، segment muxer (جانچا گیا 2026-11-15)](https://ffmpeg.org/ffmpeg-formats.html)
-   [Hugging Face پر Open Universal Arabic ASR Leaderboard (BroadNet کی بتائی ہوئی رینک؛ BroadRouter نے جانچا 2026-11-15)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [FFmpeg فلٹرز دستاویزات، silencedetect (جانچا گیا 2026-11-15)](https://ffmpeg.org/ffmpeg-filters.html)
