---
title: "API से WhatsApp वॉइस नोट (.ogg) ट्रांसक्राइब करें | BroadRouter"
description: "WhatsApp के .ogg वॉइस नोट या फ़ोन की .m4a रिकॉर्डिंग को ffmpeg से WAV में बदलें और एक API कॉल से अरबी या 13 दूसरी भाषाओं में ट्रांसक्राइब करें।"
url: https://broadrouter.com/hi/guides/transcribe-whatsapp-voice-notes/
lang: hi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/guides/transcribe-whatsapp-voice-notes/) (2026-11-16 को अपडेट किया गया).

# API से WhatsApp वॉइस नोट को टेक्स्ट में बदलें

अपडेट किया गया 2026-11-16

WhatsApp वॉइस नोट .ogg फ़ाइलों में Opus ऑडियो होते हैं, जिन्हें ट्रांसक्रिप्शन एंडपॉइंट सीधे नहीं लेता। हर नोट को ffmpeg से 16 kHz मोनो WAV में बदलें, फिर सही language फ़ील्ड के साथ BroadNet Transcribe Arabic या BroadNet Transcribe को भेजें। एक छोटी स्क्रिप्ट पूरे फ़ोल्डर के लिए दोनों काम करती है।

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

```bash
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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) बताता है कि कितने हिस्से चाहिए और ffmpeg कमांड लिख देता है।

## 2\. पूरा फ़ोल्डर ट्रांसक्राइब करें

```python
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](https://broadrouter.com/hi/guides/n8n-whatsapp-voice-note-transcription/) 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](https://broadrouter.com/hi/privacy/)।

## समस्या और समाधान

-   **अरबी की जगह लैटिन अक्षर:** `language="ar"` जोड़ें। BroadNet के डॉक्स कहते हैं कि `language` हमेशा भेजें।
    
-   **413 एरर:** फ़ाइल 26,214,400 बाइट (25 MiB) से बड़ी है। लंबी रिकॉर्डिंग को 10-10 मिनट के WAV टुकड़ों में बाँटें:
    
    ```bash
    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 `.wav` नाम दी गई `.ogg` तो नहीं। ffmpeg कन्वर्ज़न चलाएँ।
    
-   **`ffmpeg: command not found`:** अपने पैकेज मैनेजर से ffmpeg इंस्टॉल करें (जैसे `apt install ffmpeg` या `brew 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](https://broadrouter.com/hi/guides/errors-and-retries/)।
    

मॉडल, फ़ॉर्मैट और सटीकता पर ज़्यादा जानकारी: [अरबी स्पीच-टू-टेक्स्ट गाइड](https://broadrouter.com/hi/guides/arabic-speech-to-text-api/)। दूसरे प्रोवाइडर प्रति ऑडियो मिनट कितना लेते हैं, इसकी तुलना के लिए खुला [स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स](https://broadrouter.com/data/speech-to-text-api-prices/) देखें, जिसमें हर कीमत का स्रोत और तारीख़ है। 16 kHz बोलचाल के लिए क्यों काफ़ी है, इसकी पृष्ठभूमि के लिए [सैंपल रेट](https://broadrouter.com/hi/glossary/sample-rate/) देखें।

## इस गाइड के शब्द

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

WAV (Waveform Audio File Format, या WAVE) Microsoft और IBM के RIFF फ़ॉर्मैट पर बना एक ऑडियो कंटेनर है। इसमें आम तौर पर बिना कंप्रेशन वाले linear PCM सैंपल होते हैं, इसलिए इसका साइज़ पहले से पता होता है: प्रति सेकंड सैंपल रेट गुणा प्रति सैंपल बाइट गुणा चैनल।

[उपयोग के अनुसार भुगतान (pay-as-you-go)](https://broadrouter.com/hi/glossary/pay-as-you-go/)

उपयोग के अनुसार भुगतान (pay-as-you-go) एक प्राइसिंग मॉडल है जिसमें आप सिर्फ़ उतना देते हैं जितना इस्तेमाल करते हैं, जिसे टोकन, अनुरोध या ऑडियो मिनट जैसी इकाइयों में मापा जाता है, बिना सब्सक्रिप्शन या न्यूनतम प्रतिबद्धता के। ज़्यादातर LLM API इसी तरह बिल बनाते हैं, प्रीपेड बैलेंस या समय-समय पर बनने वाले इनवॉइस से।

[कॉन्करेंसी (concurrency)](https://broadrouter.com/hi/glossary/concurrency/)

कॉन्करेंसी, किसी क्लाइंट के एक ही समय पर चल रहे (in-flight) अनुरोधों की संख्या है। LLM API अक्सर इसकी सीमा हर key या प्लान पर, प्रति मिनट अनुरोधों से अलग रखते हैं, क्योंकि हर खुला अनुरोध जवाब पूरा होने तक GPU क्षमता घेरे रहता है।

[स्पीच-टू-टेक्स्ट (speech-to-text)](https://broadrouter.com/hi/glossary/speech-to-text/)

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।

[ज़ीरो डेटा रिटेंशन (zero data retention, ZDR)](https://broadrouter.com/hi/glossary/zero-data-retention/)

ज़ीरो डेटा रिटेंशन (ZDR) डेटा सँभालने की एक पॉलिसी है, जिसमें AI प्रोवाइडर प्रॉम्प्ट और आउटपुट सिर्फ़ अनुरोध पूरा करने के लिए प्रोसेस करता है और बाद में वह सामग्री लॉग, कैश या ट्रेनिंग डेटा में स्टोर नहीं करता। टोकन गिनती और समय जैसे बिना सामग्री वाले रिकॉर्ड आम तौर पर फिर भी रखे जाते हैं।

[टूल कॉलिंग (tool calling)](https://broadrouter.com/hi/glossary/tool-calling/)

टूल कॉलिंग, जिसे function calling भी कहते हैं, LLM API की वह सुविधा है जिसमें मॉडल डेवलपर के तय किए किसी फ़ंक्शन को चलाने का एक स्ट्रक्चर्ड अनुरोध, JSON आर्ग्युमेंट के साथ, लौटाता है। ऐप्लिकेशन फ़ंक्शन चलाकर नतीजा वापस भेजता है; मॉडल ख़ुद कभी कोड नहीं चलाता।

[रेट लिमिट (rate limit)](https://broadrouter.com/hi/glossary/rate-limit/)

रेट लिमिट वह सीमा है जो कोई API तय करता है कि एक क्लाइंट किसी समय-अवधि में उसका कितना इस्तेमाल कर सकता है, जैसे प्रति मिनट अनुरोध या प्रति मिनट टोकन। सीमा से ऊपर के अनुरोध ठुकरा दिए जाते हैं, आम तौर पर HTTP 429 Too Many Requests के साथ, जब तक इस्तेमाल फिर सीमा के नीचे न आ जाए।

[सैंपल रेट (sample rate)](https://broadrouter.com/hi/glossary/sample-rate/)

सैंपल रेट हर सेकंड रिकॉर्ड होने वाले ऑडियो सैंपल की संख्या है, जिसे हर्ट्ज़ (Hz) में नापा जाता है। स्पीच रिकग्निशन मॉडल आम तौर पर 16,000 Hz (16 kHz) मोनो ऑडियो की उम्मीद करते हैं। बिट डेप्थ और चैनल संख्या के साथ मिलकर सैंपल रेट तय करता है कि बिना कंप्रेशन वाली ऑडियो फ़ाइल प्रति मिनट कितनी बड़ी होगी।

## अक्सर पूछे जाने वाले सवाल

### WhatsApp वॉइस नोट किस ऑडियो फ़ॉर्मैट में होते हैं?

Ogg कंटेनर में Opus ऑडियो, .ogg के रूप में सेव। Meta के Cloud API डॉक्स कहते हैं कि वॉइस मैसेज Opus कोडेक से एनकोड की गई .ogg फ़ाइलें होने चाहिए, और सिर्फ़ मोनो।

### क्या .ogg फ़ाइल सीधे ट्रांसक्रिप्शन API पर भेज सकते हैं?

BroadNet Inference पर नहीं। इसका ट्रांसक्रिप्शन एंडपॉइंट WAV और MP3 लेता है, इसलिए वॉइस नोट को पहले ffmpeg से बदलें। एक कमांड उसे 16 kHz मोनो WAV बना देती है।

### क्या ट्रांसक्रिप्शन के बाद वॉइस नोट स्टोर रहते हैं?

BroadNet कहता है कि ऑडियो और ट्रांसक्रिप्ट सिर्फ़ अनुरोध के लिए प्रोसेस होते हैं और रखे नहीं जाते। वह बिलिंग और सुरक्षा के लिए सिर्फ़ बिना कंटेंट वाले रिकॉर्ड रखता है, जैसे समय, स्टेटस और उपयोग।

### अरबी वॉइस नोट के लिए कौन-सा मॉडल इस्तेमाल करें?

BroadNet Transcribe Arabic, यानी broadnet/cohere-transcribe-arabic, language को ar पर सेट करके। बाकी 13 भाषाओं के लिए BroadNet Transcribe, यानी broadnet/cohere-transcribe इस्तेमाल करें।

## संबंधित गाइड

-   [n8n में WhatsApp वॉइस नोट को टेक्स्ट में बदलें](https://broadrouter.com/hi/guides/n8n-whatsapp-voice-note-transcription/)
-   [अरबी speech-to-text API, स्टेप बाय स्टेप](https://broadrouter.com/hi/guides/arabic-speech-to-text-api/)
-   [BroadNet Inference के एरर कोड और रीट्राई कब करें](https://broadrouter.com/hi/guides/errors-and-retries/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**स्रोत**

-   [BroadNet Inference API रेफ़रंस, ट्रांसक्रिप्शन और ffmpeg कन्वर्ज़न (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [BroadNet Inference की कीमतें (अंग्रेज़ी में)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API, ऑडियो मैसेज (वॉइस मैसेज Opus कोडेक वाली OGG फ़ाइल होते हैं; 2026-11-14 को जाँचा गया)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [FFmpeg फ़ॉर्मैट डॉक्यूमेंटेशन, segment muxer (2026-11-14 को जाँचा गया)](https://ffmpeg.org/ffmpeg-formats.html#segment)
