BroadRouter

स्पीच-टू-टेक्स्ट (speech-to-text)

अपडेट किया गया

स्पीच-टू-टेक्स्ट, जिसे automatic speech recognition (ASR) भी कहते हैं, बोले गए ऑडियो को लिखित टेक्स्ट में बदलने की तकनीक है। speech-to-text API ऑडियो फ़ाइल या स्ट्रीम लेकर ट्रांसक्रिप्ट लौटाता है, आम तौर पर प्रति ऑडियो मिनट की कीमत पर। सटीकता वर्ड एरर रेट से मापी जाती है और लहजे, बोली और रिकॉर्डिंग क्वालिटी के साथ बदलती है।

अन्य नाम: स्पीच-टू-टेक्स्ट, आवाज़ से टेक्स्ट, ट्रांसक्रिप्शन API, speech to text kya hai, awaz se text, speech-to-text, STT, ASR, automatic speech recognition, transcription API, audio transcription, voice to text

वॉइस नोट, कॉल और मीटिंग में ऐसी जानकारी होती है जिसे सॉफ़्टवेयर तब तक खोज नहीं सकता जब तक वह टेक्स्ट न बन जाए। स्पीच-टू-टेक्स्ट यही कमी पूरी करता है।

यह कैसे काम करता है

Hugging Face, automatic speech recognition को “the task of transcribing a given audio to text” (अनुवाद: दिए गए ऑडियो को टेक्स्ट में ट्रांसक्राइब करने का काम) बताता है। आधुनिक ASR मॉडल ऑडियो को फ़ीचर में बदलता है, फिर शब्दों का सबसे संभावित क्रम बनाता है।

OpenAI-compatible API में आप फ़ाइल को multipart form data के रूप में /v1/audio/transcriptions पर अपलोड करते हैं:

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

रिस्पॉन्स JSON होता है, और ट्रांसक्रिप्ट text में। प्रोवाइडर फ़ाइल साइज़ और फ़ॉर्मैट पर सीमाएँ लगाते हैं; OpenAI का अपना एंडपॉइंट 25 MB तक की फ़ाइलें लेता है (उसकी speech to text गाइड के अनुसार, 2026-11-15 को जाँचा गया)।

यह क्यों मायने रखता है

  • सटीकता ही असली क़ीमत है. ग़लत नामों या नंबरों वाला ट्रांसक्रिप्ट, ट्रांसक्रिप्ट न होने से भी बुरा हो सकता है। सटीकता वर्ड एरर रेट से मापी जाती है, और लहजों, बोलियों, एक साथ बोलने और फ़ोन ऑडियो पर घटती है।
  • प्रति घंटा ऑडियो की कीमत. STT का बिल प्रति ऑडियो मिनट बनता है, इसलिए वॉल्यूम का अनुमान आसान है: ऑडियो के घंटे गुणा प्रति घंटा दर।
  • प्राइवेसी. आवाज़ में नाम, फ़ोन नंबर और सेहत या बैंक की जानकारी होती है। पूछें कि ऑडियो और ट्रांसक्रिप्ट रखे जाते हैं या नहीं; देखें ज़ीरो डेटा रिटेंशन।
  • पाइपलाइन. ट्रांसक्रिप्ट अक्सर आगे किसी LLM को जाता है, सारांश, रूटिंग या जानकारी निकालने के लिए।

BroadNet Inference पर

मॉडल भाषाएँ प्रति मिनट कीमत प्रति घंटा
BroadNet Transcribe Arabic बोलियों समेत अरबी $0.0042 $0.25
BroadNet Transcribe 14 भाषाएँ $0.002 $0.12

दोनों प्रति फ़ाइल 26,214,400 बाइट (25 MiB) तक की WAV या MP3 लेते हैं; बड़ी फ़ाइल पर 413 आता है। अरबी के लिए language=ar भेजें, वरना वह लैटिन अक्षरों में लिप्यंतरित होकर आ सकती है। BroadNet के अनुसार Open Universal Arabic ASR Leaderboard पर अरबी मॉडल की रैंक 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) है। ऑडियो और ट्रांसक्रिप्ट रखे नहीं जाते।

दूसरे प्रोवाइडर सस्ते पड़ सकते हैं। 2026-11-14 को Soniox के कीमतों वाले पेज पर फ़ाइल (async) ट्रांसक्रिप्शन के लिए लगभग USD 0.10 प्रति घंटा और रियल-टाइम के लिए USD 0.12 प्रति घंटा लिखा था, और उसकी भाषा-सूची में अरबी है। यह BroadNet Transcribe Arabic के $0.25 प्रति घंटा से कम है, इसलिए दोनों को अपने ऑडियो पर टेस्ट करें। हमारा खुला speech-to-text API कीमत इंडेक्स 20 से ज़्यादा प्रोडक्ट सूचीबद्ध करता है, हर कीमत के स्रोत और तारीख़ के साथ।

दोनों मॉडल $5 के मुफ़्त शुरुआती क्रेडिट पर चलते हैं, जो लगभग 1,190 मिनट अरबी ऑडियो कवर करता है। शुरुआत अरबी स्पीच-टू-टेक्स्ट गाइड से करें, WhatsApp की .ogg फ़ाइलें वॉइस नोट गाइड से कन्वर्ट करें, और प्रोवाइडर की तुलना ख़रीदार गाइड से करें।

अक्सर पूछे जाने वाले सवाल

स्पीच-टू-टेक्स्ट की सटीकता कैसे मापी जाती है?

वर्ड एरर रेट (WER) से, यानी सही रेफ़रंस के मुक़ाबले ट्रांसक्रिप्ट में ग़लत शब्दों का हिस्सा। कम बेहतर है। इसे अपनी रिकॉर्डिंग पर मापें, क्योंकि सटीकता लहजे, बोली और ऑडियो क्वालिटी के साथ काफ़ी बदलती है।

साइज़ लिमिट से बड़ी फ़ाइलें कैसे ट्रांसक्राइब करें?

ऑडियो को छोटे टुकड़ों में बाँटें, बेहतर हो कि रुकावटों पर, और हर टुकड़े को ट्रांसक्राइब करें। MP3 में कंप्रेस करने से भी साइज़ घटता है।

अरबी कभी-कभी लैटिन अक्षरों में क्यों आती है?

भाषा का संकेत न हो तो कुछ मॉडल लिप्यंतरण कर देते हैं। BroadNet Inference पर अरबी के लिए language=ar भेजें।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें