चैट से वॉइस नोट एक्सपोर्ट करें (या अपने WhatsApp Business इंटीग्रेशन से पाएँ), तो आपके पास .ogg फ़ाइलें होंगी। Meta के Cloud API डॉक्स कहते हैं कि WhatsApp वॉइस मैसेज Opus कोडेक से एनकोड की गई .ogg फ़ाइलें होते हैं। फ़ोन की रिकॉर्डिंग अक्सर .m4a होती हैं। BroadNet का ट्रांसक्रिप्शन एंडपॉइंट WAV और MP3 लेता है, इसलिए पहले कन्वर्ट करें।
1. एक फ़ाइल कन्वर्ट करें
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 से 16 kHz मोनो ऑडियो बनता है, यही कन्वर्ज़न BroadNet के डॉक्स वॉइस नोट और फ़ोन रिकॉर्डिंग के लिए इस्तेमाल करते हैं। यही कमांड .m4a पर भी चलती है। 16 kHz मोनो 16-बिट WAV हर सेकंड 32,000 बाइट का होता है, इसलिए 26,214,400 बाइट की फ़ाइल सीमा में लगभग 13 मिनट आते हैं। लंबी रिकॉर्डिंग के लिए ऑडियो स्प्लिटर बताता है कि कितने हिस्से चाहिए और ffmpeg कमांड लिख देता है।
2. पूरा फ़ोल्डर ट्रांसक्राइब करें
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])
हर .txt अपने वॉइस नोट के बगल में बनती है। हर आने वाले WhatsApp Business मैसेज पर यही स्टेप अपने-आप चलाने के लिए n8n WhatsApp वॉइस नोट वर्कफ़्लो देखें।
ख़र्च
एक मिनट के वॉइस नोट का ख़र्च अरबी में $0.0042 है, या 14 भाषाओं वाले मॉडल पर $0.002। अनुरोध के बाद ऑडियो और ट्रांसक्रिप्ट रखे नहीं जाते; देखें ज़ीरो डेटा रिटेंशन।
समस्या और समाधान
-
अरबी की जगह लैटिन अक्षर:
language="ar"जोड़ें। BroadNet के डॉक्स कहते हैं किlanguageहमेशा भेजें। -
413 एरर: फ़ाइल 26,214,400 बाइट (25 MiB) से बड़ी है। लंबी रिकॉर्डिंग को 10-10 मिनट के WAV टुकड़ों में बाँटें:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
अपलोड पर 400 या 422: जाँचें कि फ़ाइल सच में WAV या MP3 है, कहीं
.wavनाम दी गई.oggतो नहीं। ffmpeg कन्वर्ज़न चलाएँ। -
ffmpeg: command not found: अपने पैकेज मैनेजर से ffmpeg इंस्टॉल करें (जैसेapt install ffmpegयाbrew install ffmpeg)। -
429 एरर: उपयोग के अनुसार भुगतान वाली key एक साथ 4 अनुरोध चलाने देती हैं; फ़ाइलों को एक छोटे पूल में प्रोसेस करें। देखें BroadNet के सभी एरर कोड।
मॉडल, फ़ॉर्मैट और सटीकता पर ज़्यादा जानकारी: अरबी स्पीच-टू-टेक्स्ट गाइड। दूसरे प्रोवाइडर प्रति ऑडियो मिनट कितना लेते हैं, इसकी तुलना के लिए खुला स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स देखें, जिसमें हर कीमत का स्रोत और तारीख़ है। 16 kHz बोलचाल के लिए क्यों काफ़ी है, इसकी पृष्ठभूमि के लिए सैंपल रेट देखें।
