WhatsApp वॉइस नोट डाउनलोड करें, तो आपको एक छोटी .ogg फ़ाइल मिलती है। उसके अंदर Opus ऑडियो है, जो वॉइस कॉल के लिए बना codec है।
यह कैसे काम करता है
इसकी दो परतें हैं, हर एक किसी IETF RFC में परिभाषित:
| परत | स्पेसिफ़िकेशन | क्या करती है |
|---|---|---|
| Opus codec | RFC 6716 | ऑडियो को compress करती है। यह SILK पर आधारित linear-prediction परत को CELT पर आधारित MDCT परत के साथ जोड़ती है, और 6 kbit/s narrowband बोली से लेकर 510 kbit/s stereo संगीत तक चलती है |
| Ogg कंटेनर | RFC 7845 | Opus packets को एक फ़ाइल में लपेटती है, जो OpusHead पहचान header से शुरू होती है |
RFC 6716 पाँच bandwidth बताता है, narrowband (8 kHz sample rate) से fullband (48 kHz) तक। RFC 7845 कहता है कि granule positions हमेशा 48 kHz पर samples गिनती हैं, चाहे decoder किसी भी rate पर आउटपुट दे। वह .opus एक्सटेंशन और audio/ogg media type की सलाह देता है, वैकल्पिक रूप से audio/ogg; codecs=opus।
Meta का WhatsApp Cloud API मीडिया रेफ़रंस OGG ऑडियो को audio/ogg के रूप में “Opus codec only” (अनुवाद: सिर्फ़ Opus codec), mono, 16 MB तक बताता है।
यह क्यों मायने रखता है
- कई API इसे नहीं लेते. जो speech-to-text एंडपॉइंट सिर्फ़ WAV या MP3 लेता है, वह वॉइस नोट को तब तक ठुकराएगा जब तक आप उसे बदल न दें।
- बदलना सस्ता है. एक ffmpeg कमांड Opus को PCM में decode कर देता है। नतीजा वॉइस नोट से बहुत बड़ा होता है, इसलिए फ़ाइल साइज़ की सीमा पर नज़र रखें।
- नाम का भ्रम. “Opus” दूसरे प्रोवाइडरों के यहाँ एक मॉडल का नाम भी है। ऑडियो के संदर्भ में इसका मतलब codec है।
BroadNet Inference पर
BroadNet का ट्रांसक्रिप्शन एंडपॉइंट सिर्फ़ WAV (audio/wav) या MP3 (audio/mpeg) लेता है, प्रति फ़ाइल 26,214,400 बाइट तक। उसके डॉक्स WhatsApp वॉइस नोट को एक क़दम में बदलते हैं:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg डॉक्यूमेंटेशन के अनुसार -ar ऑडियो sampling frequency और -ac चैनलों की संख्या सेट करता है, इसलिए यह 16 kHz mono WAV लिखता है। फिर इसे language=ar (या en) के साथ BroadNet Transcribe Arabic या BroadNet Transcribe को भेजें। WhatsApp वॉइस नोट गाइड में एक स्क्रिप्ट है जो पूरे फ़ोल्डर को बदलकर ट्रांसक्राइब करती है, और n8n गाइड यही एक workflow के अंदर करती है। अगर वॉइस नोट एक फ़ाइल के लिए बहुत लंबा है, तो audio splitter टुकड़े तय कर देता है।
आम ग़लतियाँ
- बदलने के बजाय नाम बदलना.
.oggको.wavकर देने से अंदर का ऑडियो नहीं बदलता। ffmpeg से decode करें। -ac 1छोड़ देना. Stereo WAV का साइज़ दोगुना कर देता है और ट्रांसक्रिप्शन में कोई मदद नहीं करता।