مشرقِ وسطیٰ کے بڑے حصے میں صارفین ٹائپ نہیں کرتے۔ وہ خلیجی یا مصری عربی میں 40 سیکنڈ کا وائس نوٹ بھیجتے ہیں، اکثر بیچ میں آرڈر نمبر بول کر۔ پھر ایجنٹ سنتے ہیں، پیچھے کرتے ہیں، اور ہیلپ ڈیسک میں ٹائپ کرتے ہیں۔ دن میں چند سو نوٹس ہوں تو وائس نوٹس آپ کا سب سے سست چینل بن جاتے ہیں۔
یہ پوسٹ ٹرانسکرپشن کے گرد کاروباری ورک فلو بناتی ہے: WhatsApp اور Telegram سے نوٹس نکالنا، انہیں منظم ٹکٹس میں بدلنا، اور ڈیٹا کو قابو میں رکھنا۔ تبدیلی اور ٹرانسکرپشن کے کوڈ کے لیے ہماری قدم بہ قدم گائیڈ WhatsApp وائس نوٹس ٹرانسکرائب کرنا دیکھیں۔ ہم اسے یہاں نہیں دہرائیں گے۔
وائس نوٹ سپورٹ ٹکٹ کیسے بنتا ہے؟
- WhatsApp یا Telegram سے webhook وصول کریں۔
- آڈیو فوراً ڈاؤن لوڈ کریں۔
- 16 kHz مونو WAV میں بدلیں۔
- درست زبان کے کوڈ کے ساتھ ٹرانسکرائب کریں۔
- LLM سے ٹکٹ فیلڈز نکالیں۔
- ٹرانسکرپٹ کے ساتھ ٹکٹ بنائیں، اور متن میں جواب دیں۔
- آڈیو فائل ڈیلیٹ کریں۔
قدم 1 اور 2: WhatsApp سے آڈیو کیسے نکالیں؟
WhatsApp Business Cloud API پر آنے والا وائس نوٹ فائل کی شکل میں نہیں بلکہ میڈیا ID والے webhook کی شکل میں آتا ہے۔ Meta کی میڈیا دستاویزات اصول طے کرتی ہیں:
urlحاصل کرنے کے لیے Graph API پرGET /<MEDIA_ID>کال کریں۔- اس URL کو
Authorization: Bearer <token>کے ساتھ ڈاؤن لوڈ کریں۔ token کے بغیر درخواست ناکام ہوتی ہے۔ - “Media URLs expire after 5 minutes.” (ترجمہ: میڈیا URLs 5 منٹ بعد ختم ہو جاتے ہیں۔) دیر ہو جائے تو نیا URL مانگیں۔
- آنے والے webhooks کے میڈیا IDs 7 دن تک کارآمد رہتے ہیں۔
import os, requests
GRAPH = os.environ["GRAPH_BASE"] # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}
def download_whatsapp(media_id, path):
url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
with open(path, "wb") as f:
f.write(requests.get(url, headers=HDR, timeout=30).content)
یہ webhook handler کے بیک گراؤنڈ جاب میں کریں، بعد میں کسی بیچ میں نہیں۔ گھنٹے میں ایک بار چلنے والی قطار کو ختم شدہ URLs ملیں گے۔
Telegram بوٹ سے وائس نوٹس کیسے نکالیں؟
Telegram بوٹ کو file_id والا ایک voice آبجیکٹ ملتا ہے۔ Bot API کہتا ہے کہ بوٹس https://api.telegram.org/file/bot<token>/<file_path> کے ذریعے “can download files of up to 20MB” (ترجمہ: 20MB تک کی فائلیں ڈاؤن لوڈ کر سکتے ہیں)، اور لنک “valid for at least 1 hour” (ترجمہ: کم از کم 1 گھنٹہ کارآمد) رہتا ہے۔
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"
def download_telegram(file_id, path):
file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
with open(path, "wb") as f:
f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
عملاً دونوں پلیٹ فارمز Ogg/Opus وائس نوٹس دیتے ہیں۔ ٹرانسکرپشن اینڈپوائنٹ WAV یا MP3 لیتا ہے، اس لیے WhatsApp گائیڈ کی ایک سطر والی ffmpeg کمانڈ سے بدلیں، پھر language="ar" (یا صارف کی زبان) کے ساتھ ٹرانسکرائب کریں۔
قدم 5: ٹرانسکرپٹ کو ٹکٹ میں کیسے بدلیں؟
خام ٹرانسکرپٹ کی درجہ بندی (triage) اب بھی مشکل ہے۔ LLM وہ فیلڈز نکال سکتا ہے جو آپ کے ہیلپ ڈیسک کو چاہییں:
import json
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
"order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")
def to_ticket(transcript):
reply = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
{"role": "user", "content": transcript}],
).choices[0].message.content
return json.loads(reply)
Qwen3.8 27B وہ ماڈل ہے جسے BroadNet نے عربی کے لیے ٹیسٹ کیا، خلیجی اور مصری لہجوں سمیت۔ ہیلپ ڈیسک میں لکھنے سے پہلے JSON کی توثیق (validate) کریں، اور parsing ناکام ہونے پر needs_human: true پر واپس آئیں؛ structured output والی پوسٹ میں validate-and-repair لوپ ہے۔ اگر کسی نوٹ میں کارڈ یا شناختی نمبر ہوں تو اس قدم سے پہلے انہیں چھپا دیں؛ دیکھیں LLM API کو حساس ڈیٹا بھیجنا۔
کن مشکل صورتوں کو پہلے سے سنبھالیں؟
حقیقی ان باکس ڈیمو سے زیادہ بکھرے ہوتے ہیں۔ پہلے ہفتے سے ان کی تیاری رکھیں:
- لگاتار کئی نوٹس۔ صارفین اکثر ایک لمبے نوٹ کے بجائے تین چھوٹے نوٹس بھیجتے ہیں۔ ایک ہی بھیجنے والے کے چند منٹ کے اندر آئے نوٹس کو ایک ٹکٹ میں جوڑیں، اور انہیں ترتیب سے ٹرانسکرائب کریں۔
- بہت چھوٹے نوٹس۔ “Okay” یا “thanks” والے نوٹس کو ٹکٹ کی ضرورت نہیں۔ جب ٹرانسکرپٹ میں چند ہی الفاظ ہوں تو extraction چھوڑ دیں۔
- فارورڈ کیے گئے نوٹس۔ فارورڈ کیے گئے وائس نوٹ میں کوئی اور بول رہا ہو سکتا ہے۔ اسے اٹیچمنٹ سمجھیں، صارف کے اپنے الفاظ نہیں۔
- ملی جلی زبان۔ خلیجی صارفین انگریزی پروڈکٹ نام ملا کر بولتے ہیں۔ اگر آپ کی قطار کئی زبانیں سنبھالتی ہے تو ہر ٹرانسکرپٹ کے ساتھ بھیجی گئی زبان درج کریں، تاکہ ایجنٹ جانیں کہ کیا توقع رکھیں۔
- بڑی فائلیں۔ Meta کی میڈیا دستاویزات آڈیو کے لیے 16 MB کی حد بتاتی ہیں اور Telegram بوٹس 20 MB تک ڈاؤن لوڈ کر سکتے ہیں، دونوں 25 MiB کی ٹرانسکرپشن حد سے نیچے، مگر لمبی ریکارڈنگز پھر بھی زیادہ وقت لیتی ہیں۔ انہیں بیک گراؤنڈ میں پروسیس کریں۔
ٹیم کو اس سے کیا ملتا ہے
| پہلے | بعد میں |
|---|---|
| ایجنٹ ہر نوٹ سنتا ہے، اکثر دو بار | ایجنٹ ٹرانسکرپٹ اور ایک سطر کا خلاصہ پڑھتا ہے |
| نوٹس تلاش نہیں کیے جا سکتے | ٹرانسکرپٹس آرڈر نمبر یا کلیدی لفظ سے تلاش کیے جا سکتے ہیں |
| جو فارغ ہو، وہی درجہ بندی کرتا ہے | intent اور urgency کے حساب سے روٹنگ |
| عربی نوٹس عربی بولنے والے کا انتظار کرتے ہیں | انگریزی خلاصے سے کوئی بھی ایجنٹ آسان کیس اٹھا سکتا ہے |
وائس نوٹ ٹرانسکرپشن کی لاگت کتنی ہے؟
پائپ لائن کا سستا حصہ ٹرانسکرپشن ہے۔ $0.0042 فی منٹ پر 30 سیکنڈ کے 10,000 عربی وائس نوٹس کی لاگت $21.00 ہے۔ 14 زبانوں والے ماڈل کی لاگت $0.002 فی منٹ ہے۔ LLM والے قدم کی قیمت فی ٹوکن ہے؛ مختصر ٹرانسکرپٹ اور ہدایت عموماً چند سو ٹوکن ہوتے ہیں۔ اپنی مقدار speech-to-text لاگت کیلکولیٹر میں ڈالیں، یا speech-to-text قیمتوں کے موازنے میں دوسرے فراہم کنندگان سے ملائیں۔
پرائیویسی اور ڈیٹا رکھنے کی مدت کیسے سنبھالیں؟
وائس نوٹس ذاتی ڈیٹا ہیں، اور ان میں اکثر اس سے زیادہ ہوتا ہے جتنا صارف بتانا چاہتا تھا۔ تین عادتیں مدد کرتی ہیں:
- ٹرانسکرپشن کے بعد آڈیو ڈیلیٹ کریں، جب تک کوئی پالیسی اسے رکھنے کا تقاضا نہ کرے۔
- ٹرانسکرپٹس ٹکٹ کے ساتھ محفوظ کریں، ہیلپ ڈیسک کے رسائی کنٹرولز کے تحت، ایپ لاگز میں نہیں۔
- ایسا فراہم کنندہ استعمال کریں جو آڈیو نہ رکھے۔ BroadNet درخواست کے بعد کوئی آڈیو یا ٹرانسکرپٹ نہیں رکھتا؛ دیکھیں zero data retention۔
جواب سادہ متن میں دیں، اور نئے رابطوں کو پہلا جواب مختصر اور لنکس کے بغیر رکھیں۔ میسجنگ پلیٹ فارمز کاروباری نمبروں سے اسپام جیسے پیٹرنز پر نظر رکھتے ہیں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadNet ایک ہی OpenAI-compatible کلید سے ٹرانسکرپشن اور extraction کے قدم سنبھالتا ہے: عربی نوٹس کے لیے BroadNet Transcribe Arabic، عربی اور 13 دوسری زبانوں کے لیے BroadNet Transcribe، اور ٹکٹ فیلڈز کے لیے عربی پر ٹیسٹ کیے گئے چیٹ ماڈلز۔ BroadNet بتاتا ہے کہ اس کا عربی ماڈل 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) ہے۔ $5 کا ابتدائی کریڈٹ عربی آڈیو کے تقریباً 1,190 منٹ کور کرتا ہے۔
BroadNet آپ کے لیے WhatsApp، Telegram یا آپ کے ہیلپ ڈیسک سے نہیں جڑتا؛ webhook سنبھالنا اور ٹکٹ بنانا آپ کا کوڈ یا آپ کا آٹومیشن ٹول کرتا ہے۔ کالز ایک الگ طرح کا مسئلہ ہیں، دو بولنے والوں اور لمبی ریکارڈنگز کے ساتھ: دیکھیں کال سینٹر کی ریکارڈنگز ٹرانسکرائب کرنا۔

