BroadRouter

اسپیچ ٹو ٹیکسٹ (speech-to-text)

اپ ڈیٹ

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۔

دوسرے نام: اسپیچ ٹو ٹیکسٹ، آواز سے متن، ٹرانسکرپشن API، speech to text kya hai، awaz se text، speech-to-text، STT، ASR، automatic speech recognition، transcription API، audio transcription، voice to text

وائس نوٹس، کالز اور میٹنگز میں ایسی معلومات ہوتی ہیں جنہیں سافٹ ویئر تب تک تلاش نہیں کر سکتا جب تک وہ متن نہ بن جائیں۔ اسپیچ ٹو ٹیکسٹ یہی خلا پُر کرتا ہے۔

یہ کیسے کام کرتا ہے

Hugging Face، automatic speech recognition کو “the task of transcribing a given audio to text” (ترجمہ: دیے گئے آڈیو کو متن میں ٹرانسکرائب کرنے کا کام) کہتا ہے۔ جدید ASR ماڈل آڈیو کو فیچرز میں بدلتا ہے، پھر الفاظ کا سب سے ممکنہ سلسلہ بناتا ہے۔

OpenAI-compatible API میں آپ فائل کو multipart form data کے طور پر /v1/audio/transcriptions پر اپ لوڈ کرتے ہیں:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

ریسپانس JSON ہوتا ہے، اور ٹرانسکرپٹ text میں۔ فراہم کنندگان فائل کے سائز اور فارمیٹس پر حدیں لگاتے ہیں؛ OpenAI کا اپنا اینڈپوائنٹ 25 MB تک کی فائلیں قبول کرتا ہے (اس کی speech to text گائیڈ کے مطابق، 2026-11-15 کو دیکھا گیا)۔

یہ کیوں اہم ہے

  • درستگی ہی اصل قدر ہے۔ غلط ناموں یا نمبروں والا ٹرانسکرپٹ، ٹرانسکرپٹ نہ ہونے سے بھی برا ہو سکتا ہے۔ درستگی ورڈ ایرر ریٹ سے ناپی جاتی ہے، اور لہجوں، بولیوں، بیک وقت بولنے اور فون آڈیو پر کم ہو جاتی ہے۔
  • فی گھنٹہ آڈیو کی قیمت۔ STT کا بل فی آڈیو منٹ بنتا ہے، اس لیے حجم کا اندازہ آسان ہے: آڈیو کے گھنٹے ضرب فی گھنٹہ شرح۔
  • پرائیویسی۔ آواز میں نام، فون نمبر اور صحت یا بینکنگ کی تفصیلات ہوتی ہیں۔ پوچھیں کہ آڈیو اور ٹرانسکرپٹس رکھے جاتے ہیں یا نہیں؛ دیکھیں زیرو ڈیٹا ریٹینشن۔
  • پائپ لائنز۔ ٹرانسکرپٹ اکثر آگے کسی LLM کو جاتا ہے، خلاصوں، روٹنگ یا معلومات نکالنے کے لیے۔

BroadNet Inference پر

ماڈل زبانیں فی منٹ قیمت فی گھنٹہ
BroadNet Transcribe Arabic لہجوں سمیت عربی $0.0042 $0.25
BroadNet Transcribe 14 زبانیں $0.002 $0.12

دونوں فی فائل 26,214,400 بائٹس (25 MiB) تک کی WAV یا MP3 قبول کرتے ہیں؛ بڑی فائل پر 413 آتا ہے۔ عربی کے لیے language=ar بھیجیں، ورنہ وہ لاطینی حروف میں منتقل ہو کر آ سکتی ہے۔ BroadNet کے مطابق Open Universal Arabic ASR Leaderboard پر عربی ماڈل کی رینک 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۔ آڈیو اور ٹرانسکرپٹس محفوظ نہیں رکھے جاتے۔

دوسرے فراہم کنندگان سستے پڑ سکتے ہیں۔ 2026-11-14 کو Soniox کے قیمتوں والے صفحے پر فائل (async) ٹرانسکرپشن کے لیے تقریباً USD 0.10 فی گھنٹہ اور ریئل ٹائم کے لیے USD 0.12 فی گھنٹہ درج تھا، اور اس کی زبانوں کی فہرست میں عربی شامل ہے۔ یہ BroadNet Transcribe Arabic کے $0.25 فی گھنٹہ سے کم ہے، اس لیے دونوں کو اپنے آڈیو پر ٹیسٹ کریں۔ ہمارا کھلا speech-to-text API قیمت انڈیکس 20 سے زیادہ پروڈکٹس درج کرتا ہے، ہر قیمت کے ماخذ اور تاریخ کے ساتھ۔

دونوں ماڈلز $5 کے مفت ابتدائی کریڈٹ پر چلتے ہیں، جو تقریباً 1,190 منٹ عربی آڈیو کور کرتا ہے۔ آغاز عربی اسپیچ ٹو ٹیکسٹ گائیڈ سے کریں، WhatsApp کی .ogg فائلیں وائس نوٹ گائیڈ سے تبدیل کریں، اور فراہم کنندگان کا موازنہ خریدار گائیڈ سے کریں۔

عام سوالات

اسپیچ ٹو ٹیکسٹ کی درستگی کیسے ناپی جاتی ہے؟

ورڈ ایرر ریٹ (WER) سے، یعنی درست حوالے کے مقابلے میں ٹرانسکرپٹ میں غلط الفاظ کا تناسب۔ کم بہتر ہے۔ اسے اپنی ریکارڈنگز پر ناپیں، کیونکہ درستگی لہجے، بولی اور آڈیو کے معیار کے ساتھ کافی بدلتی ہے۔

سائز کی حد سے بڑی فائلیں کیسے ٹرانسکرائب کریں؟

آڈیو کو چھوٹے حصوں میں تقسیم کریں، بہتر ہے کہ وقفوں پر، اور ہر حصہ ٹرانسکرائب کریں۔ MP3 میں کمپریس کرنے سے بھی سائز کم ہوتا ہے۔

عربی کبھی کبھی لاطینی حروف میں کیوں آتی ہے؟

زبان کا اشارہ نہ ہو تو کچھ ماڈلز رسم الخط بدل دیتے ہیں۔ BroadNet Inference پر عربی کے لیے language=ar بھیجیں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں