“عربی آڈیو کا انگریزی میں ترجمہ” کے لیے رینک کرنے والے زیادہ تر صفحات اپ لوڈ اور ڈاؤن لوڈ والے ویب ٹولز ہیں۔ ایک فائل کے لیے وہ ٹھیک ہیں۔ اگر آپ کو اپنی پروڈکٹ کے اندر ترجمہ چاہیے (سپورٹ کالز، انٹرویوز، وائس نوٹس، لیکچرز)، تو آپ کو دو API کالز اور ان کے گرد کچھ جانچیں چاہییں۔ یہ پوسٹ ایک OpenAI-compatible کلید پر وہ پائپ لائن بناتی ہے، اسے ٹیسٹ کرتی ہے، اور دکھاتی ہے کہ کیسے ناپیں کہ وہ کافی اچھی ہے یا نہیں۔
پہلے سے موجود عربی متن کے ترجمے کے لیے LLMs سے عربی–انگریزی ترجمہ دیکھیں۔ پورے ترجمے کے بجائے میٹنگ ریکارڈنگ سے منٹس بنانے کے لیے ریکارڈنگز سے عربی میٹنگ منٹس دیکھیں۔
ایک کال یا دو؟
عربی آواز سے انگریزی متن حاصل کرنے کے دو طریقے ہیں:
| طریقہ | کیسے کام کرتا ہے | کس کے لیے اچھا |
|---|---|---|
| Speech translation (ایک مرحلہ) | ایک درخواست؛ سروس انگریزی لوٹاتی ہے | live آڈیو، کیپشنز، سب سے سادہ کوڈ |
| پہلے ٹرانسکرائب، پھر ترجمہ (دو مرحلے) | ایک speech-to-text کال عربی متن لوٹاتی ہے؛ ایک LLM اس کا ترجمہ کرتا ہے | فائلیں، جب آپ کو عربی بھی چاہیے، glossaries اور جانچیں |
فائلوں کے لیے سب سے معروف ایک مرحلے والا اینڈپوائنٹ بدل رہا ہے۔ OpenAI کی speech-to-text گائیڈ کہتی ہے کہ /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (ترجمہ: مکمل آڈیو ریکارڈنگ کا انگریزی میں ترجمہ کرنے کے لیے whisper-1 استعمال کرتا ہے)۔ اس کا deprecations صفحہ، 2026-11-15 کو جانچا گیا، نوٹس کی تاریخ 26 اگست 2026 اور بندش کی تاریخ 26 فروری 2027 دیتا ہے۔ دیا گیا متبادل /v1/realtime/translations ہے، جو realtime API ہے، فائل اپ لوڈ نہیں۔ اگر آپ کا کوڈ پرانا اینڈپوائنٹ کال کرتا ہے، تو آپ کو اسے ہر صورت دوبارہ بنانا ہوگا۔
Soniox ایک موجودہ ایک مرحلے والا آپشن ہے: اس کا عربی سے انگریزی صفحہ ایک WebSocket درخواست دکھاتا ہے جس میں translation بلاک source ar اور target en پر سیٹ ہے۔ ایسی streaming پروڈکٹ live آڈیو کے لیے سب سے زیادہ معنی رکھتی ہے۔
فائلوں کے لیے دو مرحلوں والی پائپ لائن کے تین عملی فائدے ہیں:
- عربی ٹرانسکرپٹ آپ کے پاس رہتی ہے۔ آپ اسے تلاش کر سکتے ہیں، انگریزی کے ساتھ دکھا سکتے ہیں، اور بعد میں بہتر ماڈل سے دوبارہ ترجمہ کر سکتے ہیں، ٹرانسکرپشن کی دوبارہ ادائیگی کیے بغیر۔
- ترجمہ آپ کے کنٹرول میں ہے۔ آپ ماڈل چنتے ہیں، اسے ناموں اور پروڈکٹ اصطلاحات کی glossary دیتے ہیں، اور اس کا آؤٹ پٹ کوڈ میں جانچتے ہیں۔
- آپ دیکھ سکتے ہیں کہ غلطیاں کہاں سے آتی ہیں۔ غلط انگریزی جملہ یا تو پہچان کی غلطی ہے یا ترجمے کی۔ ٹرانسکرپٹ ہاتھ میں ہو تو آپ بتا سکتے ہیں کہ کون سی۔
قیمت ہے ایک دوسری درخواست اور زیادہ کوڈ۔ اس پوسٹ کا باقی حصہ وہی کوڈ ہے۔
پائپ لائن کیسی دکھتی ہے؟
recording (.m4a, .mp4, .ogg, .wav)
→ ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
→ transcribe each part (language=ar) → Arabic text
→ translate each part, with glossary and the end of the previous part as context
→ check numbers and empty or cut-off replies → English text
مرحلہ 1: آڈیو کیسے تیار کریں اور تقسیم کریں؟
BroadNet کا ٹرانسکرپشن اینڈپوائنٹ فی فائل 26,214,400 بائٹس تک WAV (audio/wav) یا MP3 (audio/mpeg) لیتا ہے۔ فون ریکارڈنگز (.m4a)، WhatsApp وائس نوٹس (.ogg) اور ویڈیو کو ویسے بھی تبدیل کرنا پڑتا ہے، اس لیے اسی ffmpeg مرحلے میں resample کریں اور تقسیم کریں:
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
-f segment -segment_time 600 chunks/part_%03d.wav
16 kHz mono 16-bit آڈیو فی سیکنڈ 32,000 بائٹس ہے، اس لیے 10 منٹ کا حصہ تقریباً 19.2 MB ہے، حد سے نیچے۔ ہم نے اسے 25 منٹ کی ایک ٹیسٹ فائل پر چلایا: اس نے 19,200,162 اور 19,200,194 بائٹس کے دو حصے اور 9,599,878 بائٹس کا 5 منٹ کا ایک حصہ بنایا۔
مقررہ لمبائی پر کاٹنے سے کوئی لفظ بیچ میں کٹ سکتا ہے۔ اصل آواز کے لیے خاموشی پر کاٹیں؛ لمبی آڈیو فائلیں ٹرانسکرائب کریں میں خاموشی پر مبنی splitter ہے، اور آڈیو splitter ٹول آپ کے لیے ffmpeg کمانڈ لکھ دیتا ہے۔ Sample rate کا پس منظر اور آواز کے لیے 16 kHz کیوں کافی ہے، یہ glossary میں ہے۔
مرحلہ 2 اور 3: ٹرانسکرائب اور ترجمہ کیسے کریں؟
نیچے کی اسکرپٹ ہر حصے کو عربی ٹرانسکرپشن ماڈل کو بھیجتی ہے، پھر ترجمے کے پرامپٹ کے ساتھ ایک چیٹ ماڈل کو۔ یہ OpenAI Python SDK کے ساتھ چلتی ہے۔
import os, re, glob
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"} # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""
def glossary_block(text: str) -> str:
hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""
def transcribe(path: str) -> str:
with open(path, "rb") as audio:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=audio, language="ar").text
def translate(arabic: str, previous: str = "") -> str:
context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
choice = r.choices[0]
if choice.finish_reason == "length" or not choice.message.content:
raise RuntimeError("cut off: raise max_tokens or send a shorter part")
return choice.message.content.strip()
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
nums = re.findall(r"\d+", arabic.translate(DIGITS))
return [x for x in nums if x not in re.findall(r"\d+", english)]
previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
arabic = transcribe(chunk)
english = translate(arabic, previous)
print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
if gaps := missing_numbers(arabic, english):
print(f"CHECK: numbers {gaps} missing from the translation")
previous = arabic[-500:]
ہر حصہ کس لیے ہے:
language="ar"۔ BroadNet کی دستاویزات کہتی ہیں کہ ٹرانسکرپشن درخواست کے ساتھ ہمیشہlanguageبھیجیں۔ عربی speech-to-text گائیڈ درخواست کو تفصیل سے بیان کرتی ہے۔- پرامپٹ بتاتا ہے کہ متن کہاں سے آیا۔ ٹرانسکرپٹ میں رموزِ اوقاف نہیں ہوتے، وہ لہجے میں ہو سکتی ہے اور اس میں پہچان کی غلطیاں ہو سکتی ہیں۔ ماڈل کو یہ بتانے سے وہ عجیب جملوں کو جان بوجھ کر لکھا ہوا نہیں سمجھتا، اور
[unclear]مارکر جائزہ لینے والوں کو تلاش کے لیے کچھ دیتا ہے۔ - انگریزی الفاظ برقرار رکھیں۔ عربی بولنے والے اکثر جملے کے بیچ انگریزی میں چلے جاتے ہیں (“الـ deadline”، “فريق الـ QA”)۔ یہ code-switching ہے، اور ماڈل کو ان الفاظ کو چھوڑ دینا چاہیے، ان کا ادھر ادھر ترجمہ نہیں کرنا چاہیے۔
- ہر حصے کی glossary۔ صرف وہی glossary اندراجات بھیجے جاتے ہیں جو اس حصے میں آتے ہیں، جس سے پرامپٹس مختصر رہتے ہیں۔ ملان عین ہے، اس لیے اگر آپ کی ٹرانسکرپٹس میں املا بدلتی ہے (أ بمقابلہ ا، ة بمقابلہ ه) تو پہلے دونوں طرف نارملائز کریں؛ عربی متن نارملائزر عام اصول دکھاتا ہے۔
- پچھلا حصہ سیاق کے طور پر۔ پچھلے عربی حصے کے آخری 500 حروف ضمائر اور حصوں کی حد پر کٹے جملوں میں مدد کرتے ہیں۔ پرامپٹ کہتا ہے کہ اس کا ترجمہ نہ کریں، اس لیے یہ دو بار نہیں آتا۔
max_tokens=4000اورreasoning_effort="low"۔ BroadNet کی دستاویزات کہتی ہیں کہ DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B جواب سے پہلے ریزننگ کرتے ہیں اور وہ ریزننگmax_tokensمیں گنی جاتی ہے۔ چھوٹی حد خالی جواب لوٹا سکتی ہے؛ دیکھیں ریزننگ ٹوکن اور خالی جوابات۔ آدھا ترجمہ محفوظ کرنے کے بجائے کوڈ خالی یا کٹے جواب پر error اٹھاتا ہے۔- نمبر کی جانچ۔ غلط ترجمہ سب سے زیادہ نقصان نمبروں میں کرتا ہے۔ جانچ عربی-ہندی ہندسوں (٠-٩) اور فارسی ہندسوں (۰-۹) کو 0-9 میں بدلتی ہے اور یقینی بناتی ہے کہ ہر نمبر انگریزی میں موجود ہے۔ الفاظ میں بولے گئے نمبر (“خمسة عشر”) نہیں پکڑے جائیں گے، اس لیے جو کچھ بھی اہم ہے اسے کوئی جائزہ لینے والا پھر بھی پڑھے۔
ٹیسٹ نے کیا دکھایا؟
ہم نے اسکرپٹ کو ایک مقامی mock سرور پر چلایا جو دونوں اینڈپوائنٹس نافذ کرتا ہے (کوئی live API کال نہیں)۔ 25 منٹ کی ٹیسٹ فائل کے تین حصے model=broadnet/cohere-transcribe-arabic اور language=ar کے ساتھ بھیجے گئے، اور ہر چیٹ درخواست میں اس حصے کی glossary سطریں اور سیاق کے طور پر پچھلا عربی حصہ تھا۔ mock کے تیسرے ترجمے نے جان بوجھ کر ایک نمبر چھوڑا، اور اسکرپٹ نے پرنٹ کیا:
--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation
عربی جملے اور کمپنی ٹیسٹ کے لیے گھڑے گئے ہیں۔ یہ run دکھاتا ہے کہ کوڈ کام کرتا ہے، یہ نہیں کہ کسی ماڈل کا ترجمہ کتنا اچھا ہے؛ اس کے لیے نیچے والا اسکورنگ مرحلہ استعمال کریں۔
پہچان کی غلطیاں ترجمے پر کیسے اثر ڈالتی ہیں؟
وہ سیدھی آگے چلی جاتی ہیں۔ اگر ٹرانسکرپٹ میں ٢١٤ لکھا ہے جہاں بولنے والے نے ٢٤٠ کہا تھا، تو ترجمہ ایمانداری سے 214 کہے گا۔ اگر لہجے کا کوئی لفظ ملتی جلتی آواز والے معیاری لفظ کے طور پر سنا گیا، تو ترجمہ رواں اور غلط ہوگا۔ رواں انگریزی ان غلطیوں کو پکڑنا مشکل بناتی ہے، اور یہی کسی بھی speech translation سسٹم کا بڑا خطرہ ہے۔
آپ ناپ سکتے ہیں کہ ہر مرحلے سے کتنی غلطی آتی ہے۔ 30 یا زیادہ کلپس جمع کریں، اور ہر ایک کے لیے حاصل کریں:
- ایک انسانی عربی ٹرانسکرپٹ،
- ایک انسانی انگریزی ترجمہ (ریفرنس)۔
پھر انسانی ٹرانسکرپٹ اور ASR ٹرانسکرپٹ دونوں کا اپنی پائپ لائن سے ترجمہ کریں، اور دونوں کو ریفرنس کے مقابلے میں اسکور کریں۔ chrF، ایک character n-gram اسکور، ناموں اور الفاظ کی شکلوں کو BLEU سے بہتر سنبھالتا ہے اور عربی–انگریزی کے لیے عام ڈیفالٹ ہے؛ SacreBLEU دونوں نکالتا ہے:
from sacrebleu.metrics import BLEU, CHRF
# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
"The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
"The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
"The deadline is 15 December, and Mazen is following up with the key team."]
chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f} BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")
ان دو چھوٹے جملوں پر (SacreBLEU 2.6.0)، اس نے انسانی ٹرانسکرپٹ والے راستے کے لیے chrF 94.6 اور BLEU 89.2، اور پوری پائپ لائن کے لیے chrF 87.1 اور BLEU 71.7 پرنٹ کیا۔ دو چھوٹے جملے کسی ماڈل کے بارے میں کچھ ثابت نہیں کرتے۔ آپ کے اپنے کلپس پر بڑا فرق یعنی آپ کو پہچان بہتر کرنی چاہیے: بہتر آڈیو، عربی لہجوں کی speech recognition جیسا لہجہ ٹیسٹ سیٹ، یا دوسرا فراہم کنندہ۔ مجموعی طور پر کم اسکورز کے ساتھ چھوٹا فرق یعنی ترجمے کے مرحلے پر کام چاہیے: بہتر پرامپٹ، glossary یا دوسرا ماڈل۔ ٹرانسکرپشن کے مرحلے کو اکیلے اسکور کرنے کے لیے word error rate استعمال کریں۔
خودکار اسکور سسٹمز کی درجہ بندی کرتے ہیں؛ وہ کسی ترجمے کی منظوری نہیں دیتے۔ کسی دو زبانیں جاننے والے جائزہ کار سے ایک نمونہ پڑھوائیں، خاص طور پر نمبر، نام اور نفی والے جملے۔
کون سے ماڈلز استعمال کریں؟
| مرحلہ | BroadNet ماڈل | قیمت | نوٹس |
|---|---|---|---|
| ٹرانسکرائب | BroadNet Transcribe Arabic | فی منٹ $0.0042 (فی گھنٹہ $0.25) | صرف عربی؛ $5 کے ابتدائی کریڈٹ پر |
| ترجمہ | Qwen3.8 27B | فی دس لاکھ ٹوکن $0.175 ان پٹ، $2.17 آؤٹ پٹ | ریزننگ ماڈل؛ 262,144 ٹوکن کا کانٹیکسٹ؛ ٹاپ اپ ضروری |
| ترجمہ | Gemma 4 VL 26B | فی دس لاکھ ٹوکن $0.10 ان پٹ، $0.22 آؤٹ پٹ | ابتدائی کریڈٹ پر؛ 32,768 ٹوکن کا کانٹیکسٹ، عموماً 10 منٹ کے حصے کے لیے کافی؛ ٹوکن کاؤنٹر میں ایک نمونہ جانچیں۔ reasoning_effort ہٹا دیں، جسے BroadNet صرف اپنے ریزننگ ماڈلز کے لیے دستاویز کرتا ہے |
| ترجمہ | DeepSeek V4.1 Flash | فی دس لاکھ ٹوکن $0.175 ان پٹ، $0.52 آؤٹ پٹ، یا مقررہ قیمت والا سیشن | ریزننگ ماڈل؛ پارٹنر کے ذریعے ہوسٹ؛ ٹاپ اپ یا پلان ضروری |
ہر ترجمے کے ماڈل کے ساتھ انہی کلپس پر اسکورنگ اسکرپٹ چلائیں اور اسکورز اور جائزہ کار کے نوٹس کی بنیاد پر چنیں، ہمارے جدول کی بنیاد پر نہیں۔ عربی کے لیے LLM چننا وسیع تر نفع نقصان بیان کرتا ہے۔
ایک گھنٹے کی آڈیو کی لاگت کتنی ہے؟
دو حصے ہیں:
- ٹرانسکرپشن فی آڈیو منٹ ہے: BroadNet Transcribe Arabic پر فی گھنٹہ $0.25۔
- ترجمہ فی ٹوکن ہے:
prompt_tokens × input price + completion_tokens × output price، 1,000,000 سے تقسیم۔ پرامپٹ میں system پرامپٹ، glossary سطریں، پچھلے حصے کا سیاق اور ٹرانسکرپٹ شامل ہیں۔ completion میں انگریزی اور، ریزننگ ماڈلز پر، ریزننگ ٹوکن شامل ہیں۔
ہم فی گھنٹہ ترجمے کا ایک عدد شائع نہیں کرتے، کیونکہ یہ اس پر منحصر ہے کہ لوگ کتنا تیز بولتے ہیں، لہجہ کیا ہے اور ماڈل کتنی ریزننگ کرتا ہے۔ اسے ناپیں: ایک عام گھنٹہ چلائیں، جوابات سے usage.prompt_tokens اور usage.completion_tokens جمع کریں، اور انہیں LLM API لاگت کیلکولیٹر میں ڈالیں۔ آڈیو ملنے سے پہلے آپ ایک نمونہ ٹرانسکرپٹ عربی ٹوکن کاؤنٹر میں پیسٹ کر سکتے ہیں؛ عربی عموماً انگریزی سے فی لفظ زیادہ ٹوکن لیتی ہے، جیسا عربی اور انگریزی میں فی لفظ ٹوکن دکھاتا ہے۔ speech-to-text لاگت کیلکولیٹر آڈیو والے حصے کی قیمت نکالتا ہے۔
بڑے بیک لاگ کے لیے مقررہ قیمت والا DeepSeek V4.1 Flash سیشن ترجمے کے مرحلے سے ٹوکن میٹر ہٹا دیتا ہے: فی سیشن $1 فی گھنٹہ، $15 فی ہفتہ یا $60 فی مہینہ۔ ایک سیشن ایک وقت میں ایک درخواست چلاتا ہے، اس لیے متوازی workers کو زیادہ سیشنز چاہییں۔ ٹرانسکرپشن کا بل پھر بھی فی منٹ بنتا ہے۔
یہ پائپ لائن کب غلط انتخاب ہے؟
- Live آڈیو۔ کالز، live کیپشنز اور وائس ایجنٹس کو سیکنڈوں میں streaming نتائج چاہییں۔ فائل اپ لوڈ سے بہتر streaming speech-translation API یا realtime اینڈپوائنٹ بیٹھتا ہے۔
- سب ٹائٹلز۔ BroadNet کا ٹرانسکرپشن جواب صرف متن ہے، بغیر ٹائم اسٹیمپس کے۔ صرف متن والے API سے عربی سب ٹائٹلز دکھاتی ہے کہ chunk offsets سے آپ کہاں تک پہنچتے ہیں؛ لفظ کی سطح کی ٹائمنگ کے لیے ٹائم اسٹیمپس لوٹانے والا فراہم کنندہ استعمال کریں۔
- وہ زبانیں جنہیں BroadNet ٹرانسکرائب نہیں کرتا۔ عربی ماڈل عربی سنبھالتا ہے۔ دوسری ماخذ زبانوں کے لیے پہلے کثیر لسانی ماڈل کی 14 زبانوں کی فہرست دیکھیں۔
- قانونی یا طبی ریکارڈز۔ مسودے کے لیے پائپ لائن اور ریکارڈ کے لیے انسانی مترجم استعمال کریں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference اس پائپ لائن کے دونوں مرحلے ایک OpenAI-compatible کلید پر دیتا ہے: /v1/audio/transcriptions پر عربی ٹرانسکرپشن اور /v1/chat/completions پر ترجمہ۔ اس میں ایک مرحلے والا speech-translation اینڈپوائنٹ نہیں اور streaming ٹرانسکرپشن بھی نہیں، اس لیے live آڈیو کے لیے دوسرا فراہم کنندہ استعمال کریں۔ اس کی پرائیویسی پالیسی کہتی ہے کہ inference کا مواد، جس میں آڈیو، ٹرانسکرپٹس اور جوابات شامل ہیں، محفوظ نہیں رکھا جاتا؛ ضروری اکاؤنٹ، بلنگ اور سیکیورٹی metadata محفوظ رکھا جاتا ہے۔ عربی ٹرانسکرپشن صفحے یا API ریفرنس سے شروع کریں، اور آؤٹ پٹ پر بھروسہ کرنے سے پہلے اپنی ریکارڈنگز پر ٹیسٹ کریں۔
