BroadRouter

API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں

اپ ڈیٹ

WhatsApp وائس نوٹس .ogg فائلوں میں Opus آڈیو ہوتے ہیں، جنہیں ٹرانسکرپشن اینڈ پوائنٹ براہ راست قبول نہیں کرتا۔ ہر نوٹ کو ffmpeg سے 16 kHz مونو WAV میں تبدیل کریں، پھر درست language فیلڈ کے ساتھ BroadNet Transcribe Arabic یا BroadNet Transcribe کو بھیجیں۔ ایک چھوٹا اسکرپٹ پورے فولڈر کے لیے دونوں کام کر دیتا ہے۔

چیٹ سے وائس نوٹس ایکسپورٹ کریں (یا اپنی WhatsApp Business انٹیگریشن کے ذریعے وصول کریں) تو آپ کے پاس .ogg فائلیں ہوں گی۔ Meta کی Cloud API دستاویزات کہتی ہیں کہ WhatsApp وائس پیغامات Opus کوڈیک سے انکوڈ شدہ .ogg فائلیں ہوتے ہیں۔ فون کی ریکارڈنگز اکثر .m4a ہوتی ہیں۔ BroadNet کا ٹرانسکرپشن اینڈ پوائنٹ WAV اور MP3 قبول کرتا ہے، اس لیے پہلے کنورٹ کریں۔

1. ایک فائل کنورٹ کریں

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

-ar 16000 -ac 1 سے 16 kHz مونو آڈیو بنتا ہے، یہی کنورژن BroadNet کی دستاویزات وائس نوٹس اور فون ریکارڈنگز کے لیے استعمال کرتی ہیں۔ یہی کمانڈ .m4a پر بھی چلتی ہے۔ 16 kHz مونو 16-بٹ WAV ہر سیکنڈ میں 32,000 بائٹس کا ہوتا ہے، اس لیے 26,214,400 بائٹ کی فائل حد میں تقریباً 13 منٹ آتے ہیں۔ لمبی ریکارڈنگز کے لیے آڈیو اسپلٹر بتاتا ہے کہ کتنے حصے چاہییں اور ffmpeg کمانڈز لکھ دیتا ہے۔

2. پورا فولڈر ٹرانسکرائب کریں

import os, pathlib, subprocess
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

for src in sorted(pathlib.Path("voice-notes").glob("*.ogg")):
    wav = src.with_suffix(".wav")
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(src), "-ar", "16000", "-ac", "1", str(wav)], check=True)
    with open(wav, "rb") as audio:
        text = client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic",
            file=audio,
            language="ar",          # use "en", "es", ... with broadnet/cohere-transcribe
        ).text
    src.with_suffix(".txt").write_text(text, encoding="utf-8")
    print(src.name, "->", text[:60])

ہر .txt اپنے وائس نوٹ کے ساتھ ہی بن جاتی ہے۔ ہر آنے والے WhatsApp Business پیغام پر یہی مراحل خود بخود چلانے کے لیے n8n WhatsApp وائس نوٹ ورک فلو دیکھیں۔

لاگت

ایک منٹ کے وائس نوٹ کی لاگت عربی میں $0.0042 ہے، یا 14 زبانوں والے ماڈل پر $0.002۔ درخواست کے بعد آڈیو اور ٹرانسکرپٹس رکھے نہیں جاتے؛ دیکھیں زیرو ڈیٹا ریٹینشن۔

مسائل اور حل

  • عربی کی جگہ لاطینی حروف: language="ar" شامل کریں۔ BroadNet کی دستاویزات کہتی ہیں کہ language ہمیشہ بھیجیں۔

  • 413 ایرر: فائل 26,214,400 بائٹس (25 MiB) سے بڑی ہے۔ لمبی ریکارڈنگز کو 10، 10 منٹ کے WAV ٹکڑوں میں تقسیم کریں:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • اپلوڈ پر 400 یا 422: جانچیں کہ فائل واقعی WAV یا MP3 ہے، کہیں .wav نام دی گئی .ogg تو نہیں۔ ffmpeg کنورژن چلائیں۔

  • ffmpeg: command not found: اپنے پیکیج مینیجر سے ffmpeg انسٹال کریں (مثلاً apt install ffmpeg یا brew install ffmpeg)۔

  • 429 ایرر: استعمال کے مطابق ادائیگی والی کلیدیں ایک وقت میں 4 درخواستیں چلانے دیتی ہیں؛ فائلوں کو ایک چھوٹے پول میں پروسیس کریں۔ دیکھیں BroadNet کے تمام ایرر کوڈز۔

ماڈل، فارمیٹس اور درستی کی مزید تفصیل: عربی اسپیچ ٹو ٹیکسٹ گائیڈ۔ دوسرے فراہم کنندگان فی آڈیو منٹ کتنا لیتے ہیں، اس کا موازنہ کرنے کے لیے کھلا اسپیچ ٹو ٹیکسٹ API پرائس انڈیکس دیکھیں، جس میں ہر قیمت کا ذریعہ اور تاریخ موجود ہے۔ بول چال کے لیے 16 kHz کیوں کافی ہے، اس کے پس منظر کے لیے سیمپل ریٹ دیکھیں۔

عام سوالات

WhatsApp وائس نوٹس کس آڈیو فارمیٹ میں ہوتے ہیں؟

Ogg کنٹینر میں Opus آڈیو، جو .ogg کے طور پر محفوظ ہوتا ہے۔ Meta کی Cloud API دستاویزات کہتی ہیں کہ وائس پیغامات Opus کوڈیک سے انکوڈ شدہ .ogg فائلیں ہونے چاہییں، اور صرف مونو۔

کیا .ogg فائل سیدھی ٹرانسکرپشن API کو بھیج سکتے ہیں؟

BroadNet Inference کو نہیں۔ اس کا ٹرانسکرپشن اینڈ پوائنٹ WAV اور MP3 قبول کرتا ہے، اس لیے وائس نوٹ کو پہلے ffmpeg سے تبدیل کریں۔ ایک کمانڈ اسے 16 kHz مونو WAV بنا دیتی ہے۔

کیا ٹرانسکرپشن کے بعد وائس نوٹس محفوظ رہتے ہیں؟

BroadNet کہتا ہے کہ آڈیو اور ٹرانسکرپٹس صرف درخواست کے لیے پروسیس ہوتے ہیں اور رکھے نہیں جاتے۔ وہ بلنگ اور سیکیورٹی کے لیے صرف مواد کے بغیر ریکارڈ رکھتا ہے، جیسے اوقات، اسٹیٹس اور استعمال۔

عربی وائس نوٹس کے لیے کون سا ماڈل استعمال کریں؟

BroadNet Transcribe Arabic، یعنی broadnet/cohere-transcribe-arabic، اور language کو ar پر سیٹ کریں۔ باقی 13 زبانوں کے لیے BroadNet Transcribe، یعنی broadnet/cohere-transcribe استعمال کریں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں