---
title: "Ghi âm trình duyệt, gửi tới API chuyển giọng nói | BroadRouter"
description: "Ghi âm micro bằng MediaRecorder, chuyển WebM hoặc MP4 của Safari sang WAV 16 kHz, rồi gửi tới API chép lời qua một server nhỏ giữ API key."
url: https://broadrouter.com/vi/blog/record-browser-audio-transcription-api/
lang: vi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/record-browser-audio-transcription-api/) (cập nhật ngày 2026-11-15).

# Ghi âm trên trình duyệt và gửi tới API chuyển giọng nói thành văn bản

Đội ngũ BroadNet Inference · 6 phút đọc · Đăng ngày 2026-11-15

Ghi âm bằng getUserMedia và MediaRecorder, chọn định dạng bằng isTypeSupported và bỏ các chunk rỗng. Nếu API chỉ nhận WAV hoặc MP3, hãy giải mã bản ghi ngay trên trình duyệt rồi mã hóa thành WAV mono 16 kHz, hoặc tải lên và chuyển đổi bằng ffmpeg trên server. Dù cách nào, hãy gửi qua backend của bạn để API key không bao giờ lộ ra trình duyệt.

## Ý chính

-   Trình duyệt ghi ở định dạng nén: Chrome cho WebM với Opus, còn WebKit ghi nhận Safari dùng MP4 với AAC. OpenAI nhận cả hai; các API chỉ nhận WAV hoặc MP3, như BroadNet, cần thêm bước chuyển đổi.
-   getUserMedia chỉ chạy trong secure context (HTTPS hoặc localhost). Ở nơi khác navigator.mediaDevices là undefined, nên hãy kiểm tra trước khi gọi.
-   WAV mono 16 kHz 16-bit tốn 32.000 byte mỗi giây. Giới hạn 26.214.400 byte của BroadNet chứa được khoảng 13 phút 39 giây; dài hơn thì phải tách.
-   decodeAudioData cần toàn bộ file và resample về sample rate của context, nên một OfflineAudioContext ở 16.000 Hz tự lo việc resample cho bạn.
-   Đừng bao giờ gọi API chép lời từ trang web. Gửi âm thanh lên server của bạn, kiểm tra kích thước và định dạng ở đó, và gắn key trên server.

**Trong trang này**

1.  Trình duyệt ghi âm ở định dạng nào?
2.  Ghi âm từ micro như thế nào?
3.  Chuyển bản ghi sang WAV ngay trên trình duyệt như thế nào?
4.  Chuyển đổi trên server thì làm thế nào?
5.  Làm sao giữ API key ngoài trình duyệt?
6.  Chúng tôi đã kiểm thử thế nào?
7.  Chi phí bao nhiêu?
8.  BroadNet Inference phù hợp ở đâu

Ghi một tin nhắn thoại trong web app chỉ mất khoảng ba mươi dòng JavaScript. Rắc rối bắt đầu khi bạn gửi file đi: trình duyệt ghi WebM hoặc MP4, API lại muốn định dạng khác, iPhone trả về “Thank you” cho một đoạn im lặng, và tutorial bạn chép về đặt API key ngay trong trang. Bài này dựng toàn bộ đường đi và kiểm thử từng phần: ghi âm, chuyển sang WAV, kiểm tra kích thước và chuyển tiếp qua một server nhỏ.

Các ví dụ nhắm tới API chỉ nhận WAV hoặc MP3. BroadNet Inference là một API như vậy: tài liệu ghi WAV (`audio/wav`) hoặc MP3 (`audio/mpeg`), tối đa 26.214.400 byte mỗi file. Nếu API của bạn nhận WebM, hãy bỏ qua bước chuyển đổi và giữ phần còn lại. Hướng dẫn speech to text của OpenAI liệt kê flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav và webm, tối đa 25 MB.

## Trình duyệt ghi âm ở định dạng nào?

`MediaRecorder` ghi ở một định dạng nén do trình duyệt chọn, trừ khi bạn yêu cầu một định dạng nó hỗ trợ. Hãy hỏi bằng `MediaRecorder.isTypeSupported()` và lấy kết quả khớp đầu tiên:

| Chuỗi định dạng | Trình duyệt thường gặp |
| --- | --- |
| `audio/webm;codecs=opus` | Chrome, Edge, Firefox |
| `audio/mp4` | Safari ([WebKit ghi nhận MP4 với AAC](https://webkit.org/blog/11353/mediarecorder-api/)); Chromium cũng báo hỗ trợ trong thử nghiệm của chúng tôi |
| `audio/ogg;codecs=opus` | Firefox |

Trên Chromium headless ngày 2026-11-15, `isTypeSupported` trả về true cho WebM/Opus và MP4, false cho Ogg/Opus. Hãy coi bảng này là điểm xuất phát, không phải lời hứa. MDN lưu ý rằng `true` chỉ có nghĩa là về nguyên tắc trình duyệt ghi được định dạng đó; việc ghi vẫn có thể thất bại nếu thiếu tài nguyên. Luôn đọc `recorder.mimeType` sau khi tạo recorder, và gắn nhãn cho file tải lên bằng giá trị đó, không phải bằng định dạng bạn đã yêu cầu.

## Ghi âm từ micro như thế nào?

Hai quy tắc của trình duyệt quyết định hình dạng của code. Thứ nhất, `getUserMedia` chỉ tồn tại trong [secure context](https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/getUserMedia): HTTPS, `localhost` hoặc URL `file:`. Trên HTTP thường từ một host khác, `navigator.mediaDevices` là `undefined`, nên gọi nó sẽ ném `TypeError` thay vì hỏi quyền. Thứ hai, người dùng phải cấp quyền truy cập, và nếu từ chối thì sẽ phát sinh `NotAllowedError`. Hãy xử lý cả hai bằng một thông báo mà người dùng có thể làm theo.

```js
// record.js: record from the microphone, return a 16 kHz mono WAV Blob.
const TYPES = ["audio/webm;codecs=opus", "audio/mp4", "audio/ogg;codecs=opus"];

export async function startRecording() {
  if (!navigator.mediaDevices?.getUserMedia) {
    throw new Error("Microphone access needs HTTPS (or localhost).");
  }
  const stream = await navigator.mediaDevices.getUserMedia({ audio: true });
  const mimeType = TYPES.find((t) => MediaRecorder.isTypeSupported(t));
  const rec = new MediaRecorder(stream, mimeType ? { mimeType } : {});
  const chunks = [];
  rec.ondataavailable = (e) => { if (e.data.size > 0) chunks.push(e.data); };
  rec.start(1000); // a chunk every second, so a crash loses at most one second
  return () => new Promise((resolve) => {
    rec.onstop = () => {
      stream.getTracks().forEach((t) => t.stop()); // turn the mic indicator off
      resolve(new Blob(chunks, { type: rec.mimeType }));
    };
    rec.stop();
  });
}
```

Ba chi tiết trong đoạn code này đến từ các báo cáo lỗi thực tế:

-   **Bỏ chunk rỗng.** Trong một thread trên diễn đàn OpenAI về MediaRecorder trên iPhone, một developer phát hiện `dataavailable` được kích hoạt với dữ liệu rỗng trên iOS, và lọc bỏ các chunk đó đã sửa được lỗi. Một người khác sửa cùng triệu chứng bằng cách bắt đầu với timeslice, `start(1000)`.
-   **Dừng các track.** Dừng recorder không giải phóng micro. Nếu thiếu `getTracks().forEach(t => t.stop())`, trình duyệt vẫn tiếp tục hiện biểu tượng đang ghi âm.
-   **Đừng đo thời lượng bằng cách đếm chunk.** MDN cảnh báo rằng khoảng timeslice không chính xác và có thể giãn ra khi Safari tạm dừng micro hoặc Chrome trên Android khóa màn hình. Hãy dùng bộ đếm giờ riêng nếu bạn hiển thị thời lượng hay áp giới hạn.

## Chuyển bản ghi sang WAV ngay trên trình duyệt như thế nào?

Web Audio API giải mã được bất cứ thứ gì trình duyệt đã ghi. Hai điều từ MDN giúp code ngắn gọn: `decodeAudioData` chỉ chạy trên file hoàn chỉnh, không phải các mảnh, nên hãy giải mã sau `stop()`; và nó resample âm thanh đã giải mã về sample rate của context. Vì vậy một `OfflineAudioContext` tạo ở 16.000 Hz sẽ trả về mẫu 16 kHz mà không cần thêm code resample. Hàm khởi tạo của nó nhận mọi sample rate từ 3.000 đến 768.000 Hz.

```js
export async function toWav16k(blob) {
  // decodeAudioData needs the whole file and resamples to the context's rate.
  const ctx = new OfflineAudioContext(1, 1, 16000);
  const audio = await ctx.decodeAudioData(await blob.arrayBuffer());
  return encodeWav(mixDown(audio), 16000);
}

export function mixDown(audio) {
  const out = new Float32Array(audio.length);
  for (let c = 0; c < audio.numberOfChannels; c++) {
    const ch = audio.getChannelData(c);
    for (let i = 0; i < out.length; i++) out[i] += ch[i] / audio.numberOfChannels;
  }
  return out;
}

export function encodeWav(samples, rate) {
  const buf = new ArrayBuffer(44 + samples.length * 2);
  const v = new DataView(buf);
  const str = (o, s) => [...s].forEach((ch, i) => v.setUint8(o + i, ch.charCodeAt(0)));
  str(0, "RIFF"); v.setUint32(4, 36 + samples.length * 2, true); str(8, "WAVE");
  str(12, "fmt "); v.setUint32(16, 16, true); v.setUint16(20, 1, true); // PCM
  v.setUint16(22, 1, true); v.setUint32(24, rate, true);                // mono
  v.setUint32(28, rate * 2, true); v.setUint16(32, 2, true); v.setUint16(34, 16, true);
  str(36, "data"); v.setUint32(40, samples.length * 2, true);
  for (let i = 0; i < samples.length; i++) {
    const s = Math.max(-1, Math.min(1, samples[i]));
    v.setInt16(44 + i * 2, s < 0 ? s * 0x8000 : s * 0x7fff, true);
  }
  return new Blob([buf], { type: "audio/wav" });
}
```

Vì sao 16 kHz mono: đó là thiết lập mà chính ví dụ ffmpeg của BroadNet dùng (`-ar 16000 -ac 1`), nó giữ được dải tần giọng nói, và chỉ bằng một phần ba số byte so với 48 kHz. Stereo làm kích thước tăng gấp đôi mà không được gì với một giọng nói đơn. Xem [sample rate](https://broadrouter.com/vi/glossary/sample-rate/) để hiểu các đánh đổi.

Phép tính kích thước rất quan trọng, vì WAV không nén. 16.000 mẫu mỗi giây, mỗi mẫu 2 byte, là 32.000 byte mỗi giây. Cộng header 44 byte, giới hạn 26.214.400 byte của BroadNet chứa được 819 giây: khoảng 13 phút 39 giây. Dài hơn thế, hãy dừng ghi âm ở một giới hạn, hoặc tách trên server như trong bài [chép lời file âm thanh dài](https://broadrouter.com/vi/blog/transcribe-long-audio-files-api/). [Công cụ tách âm thanh](https://broadrouter.com/tools/audio-splitter-ffmpeg/) sẽ viết sẵn lệnh ffmpeg.

Chuyển đổi trên trình duyệt tốn CPU và bộ nhớ của người dùng, và toàn bộ đoạn đã giải mã nằm trong bộ nhớ dưới dạng số thực 32-bit. Với tin nhắn thoại vài phút thì không sao. Với bản ghi dài, hãy tải file nén lên và chuyển đổi trên server.

## Chuyển đổi trên server thì làm thế nào?

Gửi nguyên bản ghi nén và để ffmpeg làm việc. Code trong trang ít hơn, file tải lên nhỏ hơn, và kết quả như nhau:

```bash
ffmpeg -i in.webm -ar 16000 -ac 1 out.wav
```

Hãy ghi file tải lên vào một file tạm thay vì pipe vào ffmpeg. File MP4 có thể đặt chỉ mục ở cuối file, và ffmpeg không phải lúc nào cũng đọc được loại file đó từ pipe. [Hướng dẫn tin nhắn thoại WhatsApp](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/) dùng cùng lệnh này cho file `.ogg`.

## Làm sao giữ API key ngoài trình duyệt?

Đặt một endpoint nhỏ giữa trang web và API. Nó nhận bản ghi, chuyển đổi nếu cần, kiểm tra kích thước, gắn key từ biến môi trường rồi chuyển tiếp. Node 18 trở lên có sẵn `fetch`, `FormData` và `Blob`, nên không cần package nào:

```js
// server.mjs: POST /transcribe with the recording as the body. The key stays here.
import http from "node:http";
import { execFile } from "node:child_process";
import { mkdtemp, writeFile, readFile, rm } from "node:fs/promises";
import { tmpdir } from "node:os";
import { join } from "node:path";
import { promisify } from "node:util";

const API = process.env.BROADNET_BASE_URL ?? "https://inference.broadnet.ai/v1";
const KEY = process.env.BROADNET_API_KEY;
const FFMPEG = process.env.FFMPEG ?? "ffmpeg";
const MAX = 26_214_400; // BroadNet's per-file cap in bytes
const run = promisify(execFile);

async function readBody(req, limit) {
  const parts = []; let n = 0;
  for await (const c of req) { n += c.length; if (n > limit) throw Object.assign(new Error("too large"), { code: 413 }); parts.push(c); }
  return Buffer.concat(parts);
}

async function toWav(bytes) {
  // Temp files, not pipes: an MP4 from Safari can keep its index at the end.
  const dir = await mkdtemp(join(tmpdir(), "rec-"));
  try {
    await writeFile(join(dir, "in"), bytes);
    await run(FFMPEG, ["-v", "error", "-i", join(dir, "in"), "-ar", "16000", "-ac", "1", join(dir, "out.wav")]);
    return await readFile(join(dir, "out.wav"));
  } finally { await rm(dir, { recursive: true, force: true }); }
}

http.createServer(async (req, res) => {
  const reply = (code, obj) => { res.writeHead(code, { "content-type": "application/json" }); res.end(JSON.stringify(obj)); };
  if (req.method !== "POST" || req.url !== "/transcribe") return reply(404, { error: "not found" });
  try {
    const type = (req.headers["content-type"] ?? "").split(";")[0];
    let body = await readBody(req, 4 * MAX);
    if (type !== "audio/wav" && type !== "audio/mpeg") {
      try { body = await toWav(body); }
      catch { return reply(400, { error: "Could not read the recording." }); }
    }
    if (body.length > MAX) return reply(413, { error: "Recording too long; split it first." });
    const form = new FormData();
    form.append("model", "broadnet/cohere-transcribe-arabic");
    form.append("language", "ar");
    form.append("file", new Blob([body], { type: type === "audio/mpeg" ? "audio/mpeg" : "audio/wav" }),
      type === "audio/mpeg" ? "audio.mp3" : "audio.wav");
    const r = await fetch(`${API}/audio/transcriptions`, {
      method: "POST", headers: { Authorization: `Bearer ${KEY}` }, body: form,
    });
    const data = await r.json();
    return r.ok ? reply(200, { text: data.text }) : reply(r.status, { error: data });
  } catch (e) {
    return reply(e.code === 413 ? 413 : 500, { error: String(e.message ?? e) });
  }
}).listen(process.env.PORT ?? 8787);
```

Sau đó trang gửi WAV hoặc bản ghi gốc:

```js
const stop = await startRecording();
// ...later, when the user taps Stop:
const raw = await stop();
const wav = await toWav16k(raw);          // or send `raw` and let the server convert
const r = await fetch("/transcribe", { method: "POST", headers: { "content-type": wav.type }, body: wav });
const { text } = await r.json();
```

Những điểm nên giữ khi bạn điều chỉnh code:

-   **Luôn gửi `language`.** Tài liệu BroadNet nói nếu không, tiếng Ả Rập có thể bị trả về dưới dạng phiên âm sang chữ Latin. Dùng `ar` với model tiếng Ả Rập, hoặc chuyển sang `broadnet/cohere-transcribe` và mã đúng cho một trong 14 ngôn ngữ của nó.
-   **Trả về lỗi chung chung.** Phiên bản đầu của proxy thử nghiệm của chúng tôi trả lại nguyên lỗi của ffmpeg, trong đó có cả đường dẫn file trên server. Code ở trên trả về “Could not read the recording.” thay vào đó.
-   **Thêm xác thực và giới hạn tần suất** trước khi triển khai. Nếu không, bất kỳ ai tìm ra `/transcribe` đều tiêu được số dư của bạn. [Bảo mật API key LLM](https://broadrouter.com/vi/blog/llm-api-key-security/) bàn về phần còn lại, và key BroadNet có thể bị giới hạn bằng [danh sách IP được phép](https://broadrouter.com/vi/guides/api-keys-ip-allow-lists/).
-   **Từ chối đoạn gần như im lặng.** Các báo cáo trên diễn đàn về bản chép lời bịa ra như “Thank you” hay “Bye” đều liên quan tới bản ghi im lặng hoặc hỏng. Hãy kiểm tra thời lượng (số byte WAV ÷ 32.000) và, nếu được, mức tín hiệu trước khi trả tiền cho nó.

## Chúng tôi đã kiểm thử thế nào?

Không dùng key BroadNet nào. Ngày 2026-11-15, chúng tôi chạy code trên với một bản mock cục bộ của `/v1/audio/transcriptions`:

1.  **Encoder trong Node.** `encodeWav` trên một giây âm 440 Hz có hai mẫu bị clip tạo ra 32.044 byte. Module `wave` của Python đọc được 1 kênh, 16.000 Hz, mẫu 2 byte, 16.000 frame, còn ffmpeg đọc là `pcm_s16le, 16000 Hz, mono`. Hai mẫu bị clip ra thành 32767 và −32768.
2.  **Đường đi trên trình duyệt, trong Chromium.** Playwright khởi chạy Chromium headless với micro giả. `startRecording` ghi 3 giây dưới dạng `audio/webm;codecs=opus` (40.563 byte), và `toWav16k` biến nó thành file WAV 96.044 byte: 3,0 giây, 16 kHz, mono.
3.  **Proxy.** Cả WAV lẫn WebM gốc đều trả về 200. Mỗi lần, bản mock đều nhận xác thực `Bearer`, ID model tiếng Ả Rập, `language=ar` và một file `audio/wav` mono 16 kHz; ffmpeg chuyển WebM trên server. Một file WAV 26.214.401 byte nhận 413 mà không có lời gọi upstream nào. Một body không phải âm thanh nhận 400.
4.  **Origin không an toàn.** Khi tải từ địa chỉ LAN của máy qua HTTP thường, trang báo `isSecureContext` là false và `startRecording` ném thông báo HTTPS của chúng tôi thay vì `TypeError`.

Chúng tôi chưa thử Safari hay Firefox, cũng chưa chép lời thật. Hãy thử trên iPhone thật trước khi phát hành.

## Chi phí bao nhiêu?

BroadNet tính phí chép lời theo phút âm thanh: $0.0042 cho Transcribe Arabic và $0.002 cho model đa ngôn ngữ. Một giờ tin nhắn thoại tiếng Ả Rập là $0.25. Cả hai đều dùng được với tín dụng ban đầu $5, đủ cho khoảng 1,190 phút tiếng Ả Rập. Để tính cho khối lượng của bạn, dùng [máy tính chi phí chuyển giọng nói thành văn bản](https://broadrouter.com/tools/speech-to-text-cost-calculator/). [Hướng dẫn chọn API chuyển giọng nói tiếng Ả Rập thành văn bản](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/) so sánh các nhà cung cấp.

## BroadNet Inference phù hợp ở đâu

BroadRouter là website của chính BroadNet. BroadNet Inference chép lời các file được tải lên: WAV hoặc MP3, mỗi file một request, phản hồi JSON chứa văn bản. Tài liệu không ghi nhận chép lời trực tiếp hay streaming, timestamp hoặc nhãn người nói. Nếu app của bạn cần chữ hiện ra trong lúc người dùng nói, hãy dùng nhà cung cấp có API giọng nói dạng streaming. Với tin nhắn thoại, ghi chú và biểu mẫu, nơi người dùng ghi âm rồi mới gửi, luồng tải lên ở trên là đủ. Cách thiết lập nằm trong [hướng dẫn API chuyển giọng nói tiếng Ả Rập thành văn bản](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/), và [tài liệu tham chiếu API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-record-browser-audio-transcription-api&utm_content=body) liệt kê các trường. Tuyên bố quyền riêng tư của BroadNet nói âm thanh và bản chép lời không được lưu giữ.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [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.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

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

WAV (Waveform Audio File Format, hay WAVE) là một container audio xây trên định dạng RIFF của Microsoft và IBM. Nó thường chứa các mẫu PCM tuyến tính không nén, nên dung lượng dễ dự đoán: mỗi giây bằng tần số lấy mẫu nhân số byte mỗi mẫu nhân số kênh.

[Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/)

Tần số lấy mẫu (sample rate) là số mẫu âm thanh ghi được mỗi giây, đo bằng hertz (Hz). Model nhận dạng giọng nói thường cần audio mono 16.000 Hz (16 kHz). Cùng với bit depth và số kênh, sample rate quyết định dung lượng mỗi phút của file audio không nén.

[API key (khóa API)](https://broadrouter.com/vi/glossary/api-key/)

API key là một chuỗi bí mật dùng để xác định và cấp quyền cho client gọi API. API LLM thường yêu cầu nó trong header Authorization: Bearer, và bất kỳ ai giữ key đều có thể gửi request được tính phí vào tài khoản sở hữu key đó.

[Ogg Opus](https://broadrouter.com/vi/glossary/ogg-opus/)

Ogg Opus là audio được mã hóa bằng codec Opus (RFC 6716) và lưu trong container Ogg (RFC 7845). Nó được thiết kế cho giọng nói và audio tương tác ở bitrate thấp, và là định dạng WhatsApp dùng cho tin nhắn thoại, thường là tệp .ogg hoặc .opus.

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

[IP allow list (danh sách IP được phép)](https://broadrouter.com/vi/glossary/ip-allow-list/)

IP allow list là cơ chế bảo mật chỉ chấp nhận request từ các địa chỉ IP hoặc dải CIDR trong danh sách và từ chối mọi nguồn khác. Trên API, nó hạn chế thiệt hại khi key bị lộ, vì key không hoạt động từ các mạng không có trong danh sách.

[Streaming (trả phản hồi dạng luồng)](https://broadrouter.com/vi/glossary/streaming/)

Streaming là cách trả phản hồi của model ngôn ngữ thành từng chunk nhỏ ngay trong lúc nó đang được sinh, thay vì một câu trả lời trọn vẹn ở cuối. Các API tương thích OpenAI stream qua server-sent events khi request đặt stream là true.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

## Câu hỏi thường gặp

### Có gửi thẳng file WebM từ MediaRecorder tới API chuyển giọng nói thành văn bản được không?

Chỉ khi API đó nhận WebM. Endpoint chép lời của OpenAI có webm và mp4 trong danh sách định dạng. BroadNet chỉ nhận WAV và MP3, nên hãy chuyển đổi trước: trên trình duyệt bằng Web Audio API, hoặc trên server bằng ffmpeg -i in.webm -ar 16000 -ac 1 out.wav.

### Vì sao getUserMedia báo navigator.mediaDevices là undefined?

Trang không ở trong secure context. MDN cho biết getUserMedia chỉ chạy qua HTTPS, trên localhost hoặc từ file URL. Trên HTTP thường từ một host khác, navigator.mediaDevices không tồn tại. Hãy phục vụ trang qua HTTPS; khi phát triển thì localhost là đủ.

### Giới hạn tải lên 25 MB chứa được bản ghi WAV dài bao lâu?

WAV mono 16 kHz 16-bit là 32.000 byte mỗi giây cộng header 44 byte. Giới hạn 26.214.400 byte của BroadNet chứa khoảng 819 giây, tức 13 phút 39 giây. MP3 hoặc sample rate thấp hơn chứa được nhiều hơn; âm thanh dài hơn thì tách thành nhiều phần.

### Vì sao bản ghi trống trên iPhone lại trả về "Thank you" hoặc "Bye"?

Các developer trên diễn đàn OpenAI báo cáo những cụm từ ngắn bị bịa ra từ bản ghi im lặng hoặc hỏng, và truy ra các trường hợp trên iOS là do chunk dataavailable rỗng; lọc bỏ chunk có size 0 và khởi động recorder với timeslice đã khắc phục được. Hãy kiểm tra thời lượng trước khi tải lên.

### Trình duyệt có nên gọi trực tiếp API chép lời không?

Không. Mọi thứ trong code frontend, kể cả API key, đều có thể bị người dùng đọc. Hãy gửi âm thanh tới endpoint của riêng bạn; endpoint đó kiểm tra kích thước và định dạng, gắn key từ biến môi trường rồi chuyển tiếp.

## Đọc tiếp

-   [Chép lời âm thanh dài trên 25 MB: tách, gửi và ghép lại](https://broadrouter.com/vi/blog/transcribe-long-audio-files-api/)
-   [Thay thế Whisper API: khi nào nên chuyển và cách test](https://broadrouter.com/vi/blog/whisper-api-alternative/)
-   [API chuyển giọng nói thành văn bản: 14 ngôn ngữ, một endpoint](https://broadrouter.com/vi/blog/multilingual-speech-to-text-api/)
-   [Bảo mật API key LLM: lưu trữ, xoay vòng và danh sách IP cho phép](https://broadrouter.com/vi/blog/llm-api-key-security/)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Tin nhắn thoại thành văn bản cho doanh nghiệp: WhatsApp, Telegram](https://broadrouter.com/vi/blog/voice-notes-to-text-for-business/)
-   [Phần cứng GPU và cách phục vụ model của BroadNet, theo lời BroadNet](https://broadrouter.com/vi/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache phản hồi API LLM để giảm chi phí: cache khớp chính xác (Python)](https://broadrouter.com/vi/blog/cache-llm-responses-cut-cost/)
-   [Hướng dẫn: Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/)
-   [Hướng dẫn: API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/)
-   [Hướng dẫn: Dùng OpenAI Node.js SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-node-sdk/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-record-browser-audio-transcription-api&utm_content=page-cta) ·

**Nguồn**

-   [Tài liệu tham chiếu API BroadNet Inference: WAV (audio/wav) hoặc MP3 (audio/mpeg) tối đa 26.214.400 byte, luôn gửi language, phản hồi JSON có text (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-record-browser-audio-transcription-api&utm_content=sources)
-   [MDN, MediaDevices.getUserMedia(): chỉ trong secure context, quyền của người dùng, NotAllowedError (kiểm tra ngày 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/getUserMedia)
-   [MDN, MediaRecorder.isTypeSupported(): true không đảm bảo ghi âm thành công (kiểm tra ngày 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaRecorder/isTypeSupported_static)
-   [MDN, sự kiện dataavailable của MediaRecorder: timeslice, stop() và khoảng thời gian không chính xác (kiểm tra ngày 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaRecorder/dataavailable_event)
-   [MDN, BaseAudioContext.decodeAudioData(): resample về sample rate của context, chỉ nhận file hoàn chỉnh (kiểm tra ngày 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/BaseAudioContext/decodeAudioData)
-   [MDN, hàm khởi tạo OfflineAudioContext(): sampleRate từ 3.000 đến 768.000 Hz (kiểm tra ngày 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/OfflineAudioContext/OfflineAudioContext)
-   [Blog WebKit, MediaRecorder API: Safari ghi MP4 với video H.264 và âm thanh AAC, định dạng phát hiện được lúc chạy (kiểm tra ngày 2026-11-15)](https://webkit.org/blog/11353/mediarecorder-api/)
-   [Hướng dẫn speech to text của OpenAI: flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav và webm, file tối đa 25 MB (kiểm tra ngày 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI Developer Community, "MediaRecorder API w/ Whisper not working on mobile browsers", tháng 7 đến tháng 12 năm 2024 (kiểm tra ngày 2026-11-15)](https://community.openai.com/t/mediarecorder-api-w-whisper-not-working-on-mobile-browsers/866019)
