عربی WhatsApp chatbot کو پانچ حصے چاہییں: آفیشل WhatsApp Business Platform سے پیغامات وصول کرنے والا webhook، ایک queue، وائس نوٹس کے لیے speech to text، عربی میں جوابات کا مسودہ بنانے والا LLM، اور WhatsApp کی 24 گھنٹے کی window کے اندر جواب بھیجنے والا sender۔ وائس نوٹس اس لیے اہم ہیں کہ بہت سے عربی بولنے والے گاہک ٹائپ کرنے کے بجائے لہجے میں بولتے ہیں۔
BroadRouter کو BroadNet چلاتا ہے، اس لیے مثالیں BroadNet Inference استعمال کرتی ہیں۔ کوئی بھی OpenAI-compatible speech-to-text اور چیٹ فراہم کنندہ انہی جگہوں پر فٹ ہوتا ہے۔
عربی WhatsApp chatbot کے حصے کیا ہیں؟
WhatsApp user
│ text or voice note
▼
WhatsApp Business Platform (Cloud API)
│ webhook POST
▼
1. Webhook receiver ── verify signature, store event, return 200
│
▼
2. Queue (Redis, SQS, a database table)
│
▼
3. Worker
├─ voice note? download media → ffmpeg → speech to text
├─ build prompt: system rules + recent history + new message
└─ LLM drafts reply (or hands over to a human)
│
▼
4. Sender ── POST /messages on the Cloud API
│
▼
5. Store ── conversation state, opt-in status, audit log
1. Webhook receiver
WhatsApp Cloud API آنے والے پیغامات کو آپ کے رجسٹر کیے گئے webhook پر HTTPS POST درخواستوں کی شکل میں پہنچاتا ہے۔ دو اصول اس حصے کو ٹھیک رکھتے ہیں:
- ہر درخواست کی تصدیق کریں۔ Meta کی دستاویزات کہتی ہیں کہ اپنے app secret سے JSON payload کا HMAC-SHA256 نکالیں اور اس کا موازنہ
X-Hub-Signature-256ہیڈر سے کریں۔ جو نہ ملے، اسے مسترد کریں۔ - 200 جلدی لوٹائیں۔ event محفوظ کریں اور acknowledge کریں۔ webhook handler کے اندر آڈیو ڈاؤن لوڈ نہ کریں، نہ LLM کال کریں۔ ترسیل ناکام ہونے پر Meta “immediately, then a few more times with decreasing frequency over the next 7 days” (ترجمہ: فوراً، پھر اگلے 7 دنوں میں کم ہوتی تعداد کے ساتھ چند مزید بار) دوبارہ کوشش کرتا ہے، اور deduplication آپ کے ذمے بتاتا ہے۔
WhatsApp message id کو idempotency key کے طور پر استعمال کریں، تاکہ دوبارہ پہنچا webhook کبھی دو جوابات نہ بنائے۔
2. Queue
queue، WhatsApp کی ترسیل کے وقت کو آپ کے پروسیسنگ کے وقت سے الگ کرتی ہے۔ اس سے آپ concurrency کو اپنی inference حدوں کے مطابق محدود بھی کر سکتے ہیں۔ BroadNet کی استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستوں اور بیک وقت 4 کی اجازت دیتی ہے، اس لیے 429 پر retries والا چھوٹا worker pool درست ڈھانچہ ہے۔ دیکھیں errors اور retries اور 429 rate limits کیسے سنبھالیں۔
3. Worker: وائس نوٹس سے متن
وائس نوٹ کے لیے webhook آپ کو ایک audio آبجیکٹ دیتا ہے، جس میں media id، audio/ogg; codecs=opus جیسا mime_type، اور WhatsApp میں بنی ریکارڈنگز کے لیے voice: true ہوتا ہے۔ worker ڈاؤن لوڈ URL حاصل کرنے کے لیے media id پر GET کرتا ہے، اپنے access token سے فائل ڈاؤن لوڈ کرتا ہے، پھر اسے تبدیل کر کے ٹرانسکرائب کرتا ہے۔ BroadNet کا اینڈپوائنٹ WAV یا MP3 لیتا ہے، اس لیے پہلے تبدیل کریں:
import os, subprocess, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_voice_note(ogg_bytes: bytes) -> str:
with tempfile.TemporaryDirectory() as d:
src, wav = os.path.join(d, "in.ogg"), os.path.join(d, "in.wav")
open(src, "wb").write(ogg_bytes)
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", src,
"-ar", "16000", "-ac", "1", wav], check=True)
with open(wav, "rb") as audio:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic",
file=audio,
language="ar", # without it, Arabic can come back in Latin letters
).text
کال کے بعد عارضی ڈائریکٹری غائب ہو جاتی ہے، جس سے آڈیو آپ کی ڈسک پر نہیں رہتی۔ WhatsApp وائس نوٹ گائیڈ میں ایکسپورٹ کی گئی چیٹس کے لیے batch ورژن ہے، اور عربی speech-to-text گائیڈ فارمیٹس اور حدیں بتاتی ہے۔ فائلیں 26,214,400 بائٹس (25 MiB) سے کم ہونی چاہییں؛ عام وائس نوٹس اس سے بہت نیچے ہیں۔
3b. Worker: جواب کا مسودہ
ٹرانسکرپٹ کو بالکل ٹائپ شدہ پیغام کی طرح لیں، لیکن ماڈل کو بتائیں کہ یہ آواز سے آیا ہے، کیونکہ ٹرانسکرپٹس میں رموزِ اوقاف نہیں ہوتے اور پہچان کی غلطیاں ہو سکتی ہیں:
SYSTEM = """You are the WhatsApp assistant of a clinic in Dubai.
Customers write or speak in Gulf Arabic, other dialects, MSA, English or Arabizi.
Reply in simple Modern Standard Arabic unless the customer used English.
Keep replies under 60 words. Plain text only: no links, no markdown.
You can: answer opening hours, explain how to book, collect name and preferred time.
If the message is a complaint, medical question or you are unsure, reply that a
staff member will follow up, and set handover=true."""
def draft_reply(history: list[dict], text: str, from_voice: bool) -> str:
note = "(transcribed voice note, may contain errors) " if from_voice else ""
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=1500,
messages=[{"role": "system", "content": SYSTEM}, *history[-10:],
{"role": "user", "content": note + text}],
)
return r.choices[0].message.content
routing کے لیے ماڈل سے آزاد متن کی جگہ structured output (intent، handover، reply) مانگیں، اور فیلڈز کی بنیاد پر عمل کریں؛ مفت JSON schema generator ایک مثالی جواب سے schema لکھ دیتا ہے۔ BroadNet کے ٹیسٹس میں Qwen3.8 27B نے خلیجی اور مصری لہجے سمجھے اور رواں عربی لکھی؛ DeepSeek V4.1 Flash فی ٹوکن سستا ہے اور BroadNet کے لامحدود پلانز کا ماڈل ہے۔ دونوں جواب سے پہلے ریزننگ کرتے ہیں، اس لیے max_tokens میں جگہ چھوڑیں۔ لہجوں کو سنبھالنا LLMs کے ساتھ خلیجی، مصری اور شامی عربی میں گہرائی سے بیان ہے۔
4. Sender
جوابات آپ کے phone number id کے لیے Cloud API کے messages اینڈپوائنٹ سے جاتے ہیں۔ گفتگو والے جوابات کے لیے سادہ متن بھیجیں۔ WhatsApp فارمیٹنگ (bold، فہرستیں) دکھائی دیتی ہے، لیکن Markdown جدول اور عنوانات نہیں، اس لیے ماڈل سے کہیں کہ انہیں نہ بنائے۔
5. Store
گفتگو کی حالت (زیادہ تر سپورٹ بوٹس کے لیے آخری دس باریاں کافی ہیں)، گاہک کی opt-in حیثیت، اور بوٹ نے کیا بھیجا اور کیوں، اس کا audit log رکھیں۔ ضرورت سے زیادہ محفوظ نہ کریں: وائس نوٹس کی ٹرانسکرپٹس میں اکثر نام، پتے اور صحت کی تفصیلات ہوتی ہیں۔
Chatbot پر WhatsApp پالیسی کے کون سے اصول لاگو ہوتے ہیں؟
WhatsApp اس بارے میں سخت ہے کہ کاروبار اسے کیسے استعمال کریں، اور یہ اصول آپ کے گاہکوں جتنا ہی آپ کے نمبر کو بھی بچاتے ہیں۔ لانچ سے پہلے WhatsApp Business Messaging Policy پڑھیں۔ عملی طور پر:
- پہلے opt-in۔ پالیسی آپ کو صرف انہی لوگوں سے رابطے کی اجازت دیتی ہے جنہوں نے آپ کو اپنا نمبر دیا اور WhatsApp پر آپ سے پیغامات کے لیے opt-in کیا۔ گاہک کا آپ کو لکھنا مارکیٹنگ کی رضامندی نہیں۔
- بن مانگے پیغامات نہیں۔ پالیسی کہتی ہے: “Do not confuse, deceive, defraud, mislead, spam, or surprise people with your communications.” (ترجمہ: اپنے پیغامات سے لوگوں کو الجھن میں نہ ڈالیں، دھوکا نہ دیں، فراڈ نہ کریں، گمراہ نہ کریں، اسپیم نہ کریں اور حیران نہ کریں۔) جن لوگوں نے آپ سے رابطہ یا opt-in نہیں کیا، انہیں پہلا پیغام کبھی نہ بھیجیں۔
- 24 گھنٹے کی customer service window کا احترام کریں۔ گاہک کے آخری پیغام کے 24 گھنٹے کے اندر آزاد جوابات کی اجازت ہے۔ اس سے باہر آپ صرف منظور شدہ message templates بھیج سکتے ہیں۔
- انسان کا آپشن دیں۔ 24 گھنٹے کی window میں خودکار جوابات کی اجازت ہے، لیکن پالیسی کسی انسان تک “prompt, clear, and direct escalation paths” (ترجمہ: فوری، واضح اور براہِ راست escalation راستے) مانگتی ہے۔
- opt-out کا احترام کریں۔ پالیسی کہتی ہے کہ آپ کو block، بند کرنے یا opt-out کی ہر درخواست کا احترام کرنا ہوگا۔ “stop” یا “توقف” کو بھی ایسی ہی درخواست سمجھیں۔
ایک اصول اور ہے، جو Meta کا نہیں، ہمارا ہے: نئے رابطوں کو پہلے جوابات سادہ رکھیں۔ بغیر URL والا مختصر، سادہ متن والا جواب سب سے محفوظ ہے۔ کسی انجان کاروبار کے لنکس سے بھرے پیغامات صارفین کو اسپیم لگتے ہیں، اور وہ آپ کو block اور report کر سکتے ہیں۔ لنکس بعد میں بھیجیں، جب گاہک مانگے۔
عربی WhatsApp بوٹ چلانے کی لاگت کتنی ہے؟
Speech to text کا بل فی آڈیو منٹ بنتا ہے۔ BroadNet Transcribe Arabic کے ساتھ:
| مقدار | لاگت |
|---|---|
| وائس نوٹس کا ایک منٹ | $0.0042 |
| وائس نوٹس کا ایک گھنٹہ | $0.25 |
| 30 سیکنڈ کے 10,000 وائس نوٹس | $21.00 |
LLM جوابات کا بل استعمال کے مطابق ادائیگی پر فی ٹوکن بنتا ہے: فی دس لاکھ ٹوکن، Qwen3.8 27B $0.175 ان پٹ اور $2.17 آؤٹ پٹ ہے، اور DeepSeek V4.1 Flash $0.175 ان پٹ اور $0.52 آؤٹ پٹ۔ دس باریوں کی ہسٹری والا ایک سپورٹ جواب چند ہزار ٹوکن کا ہوتا ہے، ریزننگ سمیت، اس لیے ایک جواب کی لاگت اوپر دی گئی فی دس لاکھ قیمتوں کے چند ہزارویں حصے کے برابر ہوتی ہے۔ ماہانہ عدد کے لیے اپنے پیغامات کی مقدار مفت LLM API لاگت کیلکولیٹر میں ڈالیں۔ اگر بوٹ سارا دن DeepSeek V4.1 Flash پر چلتا ہے تو قیمتوں کے صفحے پر $60 والے Full Moon پلان سے موازنہ کریں۔
وائس نوٹس کو نجی کیسے رکھیں؟
وائس نوٹس کسی کاروبار کے پاس آنے والے سب سے ذاتی ڈیٹا میں سے ہیں۔ BroadNet Inference درخواست کے بعد آڈیو، پرامپٹس یا ٹرانسکرپٹس محفوظ نہیں رکھتا (دیکھیں zero data retention)، لیکن یہ صرف inference کے مرحلے کا احاطہ کرتا ہے۔ طے کریں کہ آپ کی اپنی queue، logs اور ڈیٹابیس ٹرانسکرپٹس کتنی دیر رکھیں گے، اور پروسیسنگ کے بعد media فائلیں حذف کر دیں۔
لانچ چیک لسٹ
- webhook signature کی تصدیق، پروسیسنگ سے پہلے 200 لوٹایا گیا۔
- WhatsApp message id پر idempotency۔
- وائس نوٹس WAV میں تبدیل اور
language=arکے ساتھ ٹرانسکرائب کیے گئے۔ - worker pool آپ کی rate limits کے مطابق، 429 پر backoff کے ساتھ۔
- system پرامپٹ لہجہ، انداز، لمبائی اور “کوئی لنک نہیں” طے کرتا ہے۔
- انسان کو منتقلی کا راستہ، ٹیسٹ شدہ۔
- opt-in درج؛ کوئی بن مانگا پیغام نہیں؛ 24 گھنٹے کی window سے باہر صرف templates۔
- ٹرانسکرپٹس شیڈول کے مطابق حذف کی جاتی ہیں۔
اگر آپ کو جواب دینے والا بوٹ نہیں، صرف وائس نوٹس سے ٹکٹس بنانے ہیں، تو کاروبار کے لیے وائس نوٹس سے متن وہ سادہ پائپ لائن بیان کرتا ہے۔
