BroadRouter

کثیر لسانی speech-to-text API: 14 زبانیں، ایک اینڈپوائنٹ

BroadNet Inference ٹیم · 6 منٹ کی پڑھائی · شائع شدہ · اپ ڈیٹ

BroadNet Transcribe 14 زبانوں کا speech-to-text ماڈل ہے، جن میں انگریزی، ہسپانوی، فرانسیسی، جرمن، چینی، جاپانی اور عربی شامل ہیں، اور یہ OpenAI-compatible /v1/audio/transcriptions اینڈپوائنٹ پر چلتا ہے۔ قیمت $0.002 فی آڈیو منٹ ($0.12 فی گھنٹہ) ہے۔ زیادہ تر عربی آڈیو کے لیے BroadNet Transcribe Arabic خصوصی آپشن ہے، $0.0042 فی منٹ پر۔

The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."

آڈیو سنبھالنے والی زیادہ تر پروڈکٹس ایک سے زیادہ زبانوں سے نمٹتی ہیں: دنیا بھر کی سپورٹ لائن، مختلف دفاتر کی میٹنگ ریکارڈنگز، کسی کثیر لسانی شہر کا وائس نوٹ ان باکس۔ ہر زبان کے لیے الگ speech-to-text وینڈر چلانا دیکھ بھال کا خرچ ہے۔ BroadNet Transcribe 14 زبانوں کو ایک OpenAI-compatible اینڈپوائنٹ کے پیچھے رکھتا ہے، فی آڈیو منٹ قیمت پر، اور عربی سے بھرپور کاموں کے لیے اس کے ساتھ ایک خصوصی عربی ماڈل ہے۔

BroadNet Transcribe کن زبانوں کا احاطہ کرتا ہے؟

زبانوں کی فہرست BroadNet کے شائع شدہ pricing.json سے ہے، ISO 639-1 کوڈز کی صورت میں:

کوڈ زبان کوڈ زبان
en انگریزی nl ڈچ
es ہسپانوی pl پولش
fr فرانسیسی zh چینی
de جرمن ja جاپانی
it اطالوی ko کوریائی
pt پرتگالی vi ویتنامی
el یونانی ar عربی

BroadNet Transcribe Cohere Transcribe پر مبنی ہے اور BroadNet اسے سرو کرتا ہے۔ ماڈل id broadnet/cohere-transcribe ہے۔

پوری تصویر کے لیے، ہمارا کھلا speech-to-text API پرائس انڈیکس 20 سے زیادہ پروڈکٹس کی بیچ اور اسٹریمنگ قیمتیں، بلنگ کی اکائی اور عربی سپورٹ درج کرتا ہے، ہر ایک فراہم کنندہ کے اپنے قیمتوں کے صفحے سے جانچا ہوا (CSV اور JSON)۔

کثیر لسانی ٹرانسکرپشن کی لاگت کتنی ہے؟

ماڈل فی منٹ فی گھنٹہ زبانیں
BroadNet Transcribe $0.002 $0.12 14
BroadNet Transcribe Arabic $0.0042 $0.25 عربی

بلنگ آڈیو کے منٹ کے حساب سے ہوتی ہے، درخواست یا ٹوکن کے حساب سے نہیں۔ دونوں ماڈلز مفت $5 ابتدائی کریڈٹ پر چلتے ہیں، اس لیے ٹاپ اپ سے پہلے آپ اپنی ریکارڈنگز ٹیسٹ کر سکتے ہیں۔ تمام قیمتیں قیمتوں کے صفحے پر دیکھیں، اپنے ماہانہ گھنٹوں کی قیمت speech-to-text لاگت کیلکولیٹر میں نکالیں، یا دوسرے فراہم کنندگان سے موازنہ speech-to-text API قیمتوں کا موازنہ میں کریں۔

ٹرانسکرپشن اینڈپوائنٹ کو کیسے کال کریں؟

اینڈپوائنٹ OpenAI آڈیو ٹرانسکرپشن کے ڈھانچے پر چلتا ہے، اس لیے سرکاری SDKs صرف base URL بدل کر کام کرتے ہیں:

import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

with open("meeting-fr.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe",
        file=audio,
        language="fr",
    )
print(result.text)

یا curl سے:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe \
  -F language=es \
  -F file=@llamada.wav

جواب JSON ہے، جس میں ٹرانسکرپٹ text میں ہوتا ہے۔ BroadNet کا دستاویزی جواب صرف متن ہے؛ اگر آپ کو الفاظ کے ٹائم اسٹیمپس یا بولنے والوں کے لیبل چاہییں، تو ان کے گرد ڈیزائن کرنے سے پہلے API ریفرنس میں دیکھیں کہ ابھی کیا سپورٹ ہے۔

زبان ہمیشہ کیوں بھیجیں؟

BroadNet کی دستاویزات واضح ہیں: ہر ٹرانسکرپشن درخواست کے ساتھ language بھیجیں۔ اس کے بغیر عربی لاطینی حروف میں تبدیل ہو کر واپس آ سکتی ہے، اور یہی خطرہ ہر اس زبان پر ہے جسے ماڈل غلط سمجھ سکتا ہے۔ اگر آپ کو زبان پہلے سے معلوم نہیں:

  1. پہلے میٹا ڈیٹا دیکھیں۔ کال کرنے والے کا ملک، صارف کی ایپ کی زبان یا فون نمبر کا سابقہ عام طور پر درست ہوتا ہے۔
  2. وائس پروڈکٹس میں صارف سے پوچھیں (“انگریزی کے لیے 1 دبائیں، عربی کے لیے 2”)۔
  3. مختصر نمونہ آزمائیں۔ پہلے 30 سیکنڈ اپنے بہترین اندازے سے ٹرانسکرائب کریں؛ اگر متن غلط لگے (غلط رسم الخط، بے معنی الفاظ)، تو اگلی ممکنہ زبان سے دوبارہ کوشش کریں۔

حدیں اور فارمیٹس کیا ہیں؟

  • فارمیٹس: WAV (audio/wav) یا MP3 (audio/mpeg)۔ .ogg، .m4a، .webm اور ویڈیو فائلیں پہلے ffmpeg سے بدلیں۔ WhatsApp وائس نوٹ گائیڈ میں ایک سطری کمانڈ ہے۔
  • سائز: ہر فائل 26,214,400 بائٹس (25 MiB) تک؛ بڑی فائلیں 413 لوٹاتی ہیں۔ یہ 16 kHz مونو WAV کے تقریباً 13 منٹ یا 64 kbit/s MP3 کے تقریباً 54 منٹ کے برابر ہے۔ لمبے آڈیو کو ffmpeg -f segment -segment_time 600 سے تقسیم کریں۔
  • شرح: استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستوں اور بیک وقت 4 کی اجازت دیتی ہے۔ 429 پر بیک آف کے ساتھ دوبارہ کوشش کریں؛ دیکھیں ایررز اور دوبارہ کوششیں۔
  • پرائیویسی: آڈیو اور ٹرانسکرپٹس درخواست کے لیے پروسیس ہوتے ہیں اور محفوظ نہیں رکھے جاتے۔ دیکھیں زیرو ڈیٹا ریٹینشن۔

چنکنگ اور ورکر پول والی پروڈکشن بیچ پائپ لائن کے لیے بڑے پیمانے پر عربی کال سینٹر ٹرانسکرپشن دیکھیں؛ یہی ڈیزائن 14 میں سے کسی بھی زبان کے لیے کام کرتا ہے۔

عربی کے لیے خصوصی ماڈل کب چنیں؟

BroadNet دو ماڈلز اس لیے پیش کرتا ہے کہ اسپیچ ریکگنیشن کے لیے عربی زیادہ تر زبانوں سے مشکل ہے: ایک تحریری معیار کے تحت کئی لہجے، انگریزی اور فرانسیسی کے ساتھ بار بار code-switching، اور بہت سا فون کے معیار کا آڈیو۔ BroadNet Transcribe Arabic خصوصی آپشن ہے، اور BroadNet عربی درستی صرف اسی کے لیے شائع کرتا ہے:

  • BroadNet کے مطابق یہ Open Universal Arabic ASR Leaderboard پر 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا) پر ہے، اور ان ماڈلز میں #1 ہے جن کے لائسنس API سے سرو کرنے کی اجازت دیتے ہیں۔
  • BroadNet کی لیب کے ورڈ ایرر ریٹس: FLEURS-ar پر 3.8، MASC-ar پر 21.1 اور اس کے لہجوں کے سیٹ پر 23.4 (کم بہتر ہے)۔ ان اعداد کا مطلب کیا ہے۔

BroadNet 14 زبانوں والے ماڈل کے عربی اعداد شائع نہیں کرتا، مگر پبلک لیڈر بورڈ کرتا ہے: 15 نومبر 2026 کو اس نے BroadNet Transcribe کے پیچھے کے ماڈل، Cohere Transcribe 03-2026، کو 39 میں سے #8 پر 30.67 کے اوسط WER کے ساتھ دکھایا، جبکہ 39 میں سے #4 پر عربی ماڈل کا 24.19 تھا۔ دوسری زبانوں کے لیے، BroadNet اپنے ماڈل صفحے پر BroadNet Transcribe کے لیے FLEURS انگریزی پر 5.5 اور FLEURS ہسپانوی پر 3.2 ورڈ ایرر ریٹ بتاتا ہے، اور انگریزی آڈیو پر ایک اسٹریم میں تقریباً 113 گنا ریئل ٹائم (بیچ میں 217 گنا)۔ ایک سادہ اصول:

آپ کا آڈیو منتخب کریں
زیادہ تر عربی، کوئی بھی لہجہ BroadNet Transcribe Arabic
عربی فائلیں کم ہیں، درستی بہت اہم نہیں سب کچھ BroadNet Transcribe پر، یا دونوں ٹیسٹ کریں
ملی جلی فائلیں، ہر فائل کی زبان معلوم ہے عربی فائلیں عربی ماڈل پر، باقی BroadNet Transcribe پر
باقی 13 میں سے کوئی بھی زبان BroadNet Transcribe

زبان کے حساب سے روٹنگ ایک سطر کی تبدیلی ہے، کیونکہ دونوں ماڈلز ایک ہی اینڈپوائنٹ اور درخواست کا ڈھانچہ استعمال کرتے ہیں:

def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"

عربی ماڈل فی منٹ تقریباً دوگنا مہنگا ہے۔ بڑے حجم پر، اپنے اصل عربی آڈیو کے چند گھنٹوں پر دونوں کو ٹیسٹ کریں اور ہر لہجے کا ورڈ ایرر ریٹ ملائیں؛ عربی speech-to-text خریدار گائیڈ میں ایک گھنٹے کا ٹیسٹ پلان ہے۔ اگر شور والے عربی آڈیو میں اعداد، تاریخیں اور نام مسئلہ ہیں، تو BroadNet ماڈلز کے صفحے پر درخواست پر ملنے والا ایک فائن ٹیون شدہ عربی ماڈل بھی درج کرتا ہے۔

ہر زبان میں درستی کیسے ٹیسٹ کریں؟

وینڈر کا ایک اکیلا درستی کا عدد زبانوں، لہجوں اور ریکارڈنگ کے حالات کے درمیان بڑے فرق چھپا دیتا ہے۔ کوئی ورک لوڈ سونپنے سے پہلے ہر زبان پر ایک چھوٹا ٹیسٹ چلائیں:

  1. ہر زبان کے 20 سے 50 اصل کلپس جمع کریں، اسی چینل سے جسے آپ واقعی ٹرانسکرائب کریں گے: فون کالز، میٹنگ ریکارڈنگز، وائس نوٹس یا ویڈیو۔ اپنے مشکل ترین لہجے بھی شامل کریں۔
  2. کچھ کلپس کے حوالہ جاتی ٹرانسکرپٹس ہاتھ سے لکھیں، اعداد، ناموں اور انگریزی سے لیے گئے الفاظ کے املا کے طے شدہ اصولوں کے ساتھ۔
  3. درست language کوڈ کے ساتھ ٹرانسکرائب کریں اور ہر زبان کا ورڈ ایرر ریٹ نکالیں۔ چینی اور جاپانی، جن میں الفاظ کے درمیان اسپیس نہیں ہوتی، کے لیے کیریکٹر ایرر ریٹ استعمال کریں۔
  4. غلطیاں پڑھیں۔ پروڈکٹ کے نام، رقوم اور پتے، بھرتی کے الفاظ سے زیادہ اہم ہیں۔
  5. اگر عربی آپ کے مجموعے میں ہے تو اسے دونوں ماڈلز پر دہرائیں، اور ہر لہجے کا موازنہ کریں۔

$5 ابتدائی کریڈٹ BroadNet Transcribe پر کئی زبانوں کے ایسے ٹیسٹ کا احاطہ کر لیتا ہے، کیونکہ فی منٹ قیمت کم ہے۔

یہ کن کاموں کے لیے موزوں ہے؟

کام نوٹس
کثیر لسانی سپورٹ لائنیں IVR میں منتخب زبان سے روٹ کریں؛ مطابقت رکھنے والا language کوڈ بھیجیں
مختلف جگہوں کی ٹیموں کے میٹنگ نوٹس ہر ریکارڈنگ ٹرانسکرائب کریں، پھر LLM سے خلاصہ بنائیں
وائس نوٹ ان باکس پہلے .ogg کو WAV میں بدلیں؛ WhatsApp گائیڈ دیکھیں
میڈیا اور پوڈکاسٹ آرکائیو لمبی فائلیں 25 MiB سے نیچے تقسیم کریں؛ رات کو بیچ چلائیں
زبان سیکھنے والی ایپس سیکھنے والے کی آواز ٹرانسکرائب کریں، پھر LLM سے فیڈ بیک دیں

ہر صورت میں لاگت صرف آڈیو کے منٹوں کے ساتھ بڑھتی ہے: BroadNet Transcribe پر ہر گھنٹے کے آڈیو کے لیے $0.12، زبان چاہے کوئی بھی ہو۔

ٹرانسکرپشن کے بعد کیا ہوتا ہے؟

ٹرانسکرپٹ شاذ و نادر ہی آخری پروڈکٹ ہوتا ہے۔ اسی API کلید پر عام اگلے قدم:

  • میٹنگز کے لیے خلاصے اور ایکشن آئٹمز، DeepSeek V4.1 Flash سے، جس کا 1,048,576 ٹوکن کا کانٹیکسٹ بہت لمبے ٹرانسکرپٹس سما لیتا ہے۔
  • ٹرانسکرپٹس کا کسی ایک کاروباری زبان میں ترجمہ؛ دیکھیں LLMs سے عربی–انگریزی ترجمہ۔
  • سپورٹ کالز کی اسٹرکچرڈ JSON آؤٹ پٹ کے ساتھ QA اسکورنگ۔

کسی دوسرے ٹرانسکرپشن API سے کیسے منتقل ہوں؟

اگر آپ پہلے سے OpenAI طرز کا ٹرانسکرپشن اینڈپوائنٹ کال کرتے ہیں، جس میں Whisper API بھی شامل ہے جسے OpenAI 26 فروری 2027 کو بند ہوتا بتاتا ہے (بدلنے سے پہلے کیا ٹیسٹ کریں)، تو منتقلی عام طور پر تین تبدیلیاں ہیں: base URL، API کلید اور ماڈل id، ساتھ میں یہ یقینی بنانا کہ آپ language بھیجیں۔ آپ کا کوڈ text کے علاوہ جواب کے جو فیلڈز پڑھتا ہے، انہیں جانچیں۔ باقی OpenAI-compatible مائیگریشن چیک لسٹ میں ہے۔

عام سوالات

BroadNet Transcribe کون سی زبانیں سپورٹ کرتا ہے؟

چودہ: انگریزی، ہسپانوی، فرانسیسی، جرمن، اطالوی، پرتگالی، یونانی، ڈچ، پولش، چینی، جاپانی، کوریائی، ویتنامی اور عربی۔ فہرست pricing.json میں ISO 639-1 کوڈز کی صورت میں شائع ہے۔

کیا ایک فائل میں دو زبانیں ہو سکتی ہیں؟

ہر درخواست ایک زبان کا کوڈ لیتی ہے۔ جس آڈیو میں زبان بدلتی ہو، اسے بنیادی زبان کے ساتھ ٹرانسکرائب کریں اور دیکھیں کہ دوسری زبان کیسی آتی ہے، یا اگر زبان لمبے حصوں میں بدلتی ہو تو آڈیو کو بولنے والے یا سیگمنٹ کے حساب سے تقسیم کر دیں۔

کیا کثیر لسانی ماڈل عربی کے لیے کافی اچھا ہے؟

یہ عربی قبول کرتا ہے اور فی منٹ سستا ہے۔ BroadNet عربی درستی کے اعداد صرف BroadNet Transcribe Arabic کے لیے شائع کرتا ہے، اس لیے اگر آپ کے آڈیو کا بڑا حصہ عربی ہے تو دونوں کو اپنی ریکارڈنگز پر ٹیسٹ کریں اور ورڈ ایرر ریٹ کا موازنہ کریں۔

کیا یہ OpenAI SDK کے ساتھ چلتا ہے؟

جی ہاں۔ SDK کو BroadNet کے base URL پر پوائنٹ کریں اور ماڈل id، فائل اور زبان کے ساتھ audio.transcriptions.create کال کریں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں