---
title: "براؤزر آڈیو ریکارڈ کر کے speech-to-text API کو بھیجیں"
description: "MediaRecorder سے مائیکروفون ریکارڈ کریں، WebM یا Safari کا MP4 16 kHz WAV میں بدلیں، اور کلید رکھنے والے چھوٹے سرور کے ذریعے ٹرانسکرپشن API کو بھیجیں۔"
url: https://broadrouter.com/ur/blog/record-browser-audio-transcription-api/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/record-browser-audio-transcription-api/) (اپ ڈیٹ: 2026-11-15).

# براؤزر میں آڈیو ریکارڈ کریں اور speech-to-text API کو بھیجیں

BroadNet Inference ٹیم · 6 منٹ کی پڑھائی · شائع شدہ 2026-11-15

getUserMedia اور MediaRecorder سے ریکارڈ کریں، isTypeSupported سے فارمیٹ چنیں اور خالی chunks ہٹا دیں۔ اگر API صرف WAV یا MP3 لیتا ہے تو براؤزر میں ڈی کوڈ کر کے 16 kHz مونو WAV بنائیں، یا سرور پر ffmpeg سے بدلیں۔ دونوں صورتوں میں اپنے بیک اینڈ کے ذریعے بھیجیں تاکہ API کلید کبھی براؤزر تک نہ پہنچے۔

## اہم نکات

-   براؤزر کمپریسڈ فارمیٹس ریکارڈ کرتے ہیں: Chrome، Opus والا WebM دیتا ہے، اور WebKit، Safari کے لیے AAC والا MP4 بتاتا ہے۔ OpenAI دونوں لیتا ہے؛ جو APIs صرف WAV یا MP3 لیتے ہیں، جیسے BroadNet، ان کے لیے تبدیلی کا ایک قدم چاہیے۔
-   getUserMedia صرف secure context (HTTPS یا localhost) میں چلتا ہے۔ باقی جگہوں پر navigator.mediaDevices، undefined ہوتا ہے، اس لیے کال کرنے سے پہلے اس کی جانچ کریں۔
-   16 kHz مونو 16-bit WAV فی سیکنڈ 32,000 بائٹس ہے۔ BroadNet کی 26,214,400 بائٹس کی حد میں اس کے تقریباً 13 منٹ 39 سیکنڈ آتے ہیں؛ اس سے لمبی ہر چیز تقسیم کریں۔
-   decodeAudioData کو پوری فائل چاہیے اور وہ اپنے context کی ریٹ پر resample کرتا ہے، اس لیے 16,000 Hz والا OfflineAudioContext آپ کے لیے resampling کر دیتا ہے۔
-   صفحے سے ٹرانسکرپشن API کو کبھی کال نہ کریں۔ آڈیو اپنے سرور پر بھیجیں، وہاں اس کا سائز اور ٹائپ جانچیں، اور کلید سرور میں شامل کریں۔

**اس صفحے پر**

1.  براؤزر کس فارمیٹ میں ریکارڈ کرتا ہے؟
2.  مائیکروفون سے ریکارڈ کیسے کریں؟
3.  براؤزر میں ریکارڈنگ کو WAV میں کیسے بدلیں؟
4.  اس کے بجائے سرور پر کیسے بدلیں؟
5.  API کلید کو براؤزر سے باہر کیسے رکھیں؟
6.  ہم نے اسے کیسے ٹیسٹ کیا؟
7.  اس کی لاگت کتنی ہے؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

ویب ایپ میں وائس میسج ریکارڈ کرنے کے لیے تقریباً تیس لائن JavaScript کافی ہے۔ مسئلے فائل بھیجتے وقت شروع ہوتے ہیں: براؤزر نے WebM یا MP4 ریکارڈ کیا، API کچھ اور چاہتا ہے، iPhone خاموش کلپ پر “Thank you” لوٹاتا ہے، اور جو ٹیوٹوریل آپ نے کاپی کیا وہ API کلید صفحے ہی میں رکھ دیتا ہے۔ یہ پوسٹ پورا راستہ بناتی ہے اور ہر حصے کو ٹیسٹ کرتی ہے: ریکارڈ کریں، WAV میں بدلیں، سائز جانچیں اور ایک چھوٹے سرور کے ذریعے آگے بھیجیں۔

مثالیں ایسے API کے لیے ہیں جو صرف WAV یا MP3 لیتا ہے۔ BroadNet Inference ایسا ہی ہے: اس کی دستاویزات ہر فائل کے لیے 26,214,400 بائٹس تک WAV (`audio/wav`) یا MP3 (`audio/mpeg`) درج کرتی ہیں۔ اگر آپ کا API، WebM لیتا ہے تو تبدیلی چھوڑ دیں اور باقی رکھیں۔ OpenAI کی speech-to-text گائیڈ 25 MB تک flac، mp3، mp4، mpeg، mpga، m4a، ogg، wav اور webm درج کرتی ہے۔

## براؤزر کس فارمیٹ میں ریکارڈ کرتا ہے؟

`MediaRecorder` براؤزر کا چنا ہوا کمپریسڈ فارمیٹ ریکارڈ کرتا ہے، جب تک آپ کوئی ایسا فارمیٹ نہ مانگیں جسے وہ سپورٹ کرتا ہو۔ `MediaRecorder.isTypeSupported()` سے پوچھیں اور پہلا میچ لیں:

| ٹائپ اسٹرنگ | عام طور پر براؤزر |
| --- | --- |
| `audio/webm;codecs=opus` | Chrome، Edge، Firefox |
| `audio/mp4` | Safari ([WebKit، AAC والا MP4 بتاتا ہے](https://webkit.org/blog/11353/mediarecorder-api/))؛ ہمارے ٹیسٹ میں Chromium نے بھی اسے سپورٹڈ بتایا |
| `audio/ogg;codecs=opus` | Firefox |

2026-11-15 کو headless Chromium میں `isTypeSupported` نے WebM/Opus اور MP4 کے لیے true اور Ogg/Opus کے لیے false لوٹایا۔ اس ٹیبل کو نقطۂ آغاز سمجھیں، وعدہ نہیں۔ MDN بتاتا ہے کہ `true` کا مطلب ہے کہ براؤزر اصولاً اس ٹائپ کو ریکارڈ کر سکتا ہے؛ وسائل کم پڑیں تو ریکارڈنگ پھر بھی ناکام ہو سکتی ہے۔ recorder بنانے کے بعد ہمیشہ `recorder.mimeType` پڑھیں، اور اپ لوڈ پر وہی لیبل لگائیں، وہ نہیں جو آپ نے مانگا تھا۔

## مائیکروفون سے ریکارڈ کیسے کریں؟

براؤزر کے دو اصول کوڈ کی شکل طے کرتے ہیں۔ پہلا، `getUserMedia` صرف [secure context](https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/getUserMedia) میں موجود ہوتا ہے: HTTPS، `localhost` یا `file:` URL۔ کسی دوسرے ہوسٹ سے سادہ HTTP پر `navigator.mediaDevices` کی قدر `undefined` ہوتی ہے، اس لیے اسے کال کرنے پر اجازت مانگنے کے بجائے `TypeError` آتا ہے۔ دوسرا، صارف کو اجازت دینی ہوتی ہے، اور انکار پر `NotAllowedError` آتا ہے۔ دونوں کو ایسے پیغام کے ساتھ سنبھالیں جس پر صارف کچھ کر سکے۔

```js
// record.js: record from the microphone, return a 16 kHz mono WAV Blob.
const TYPES = ["audio/webm;codecs=opus", "audio/mp4", "audio/ogg;codecs=opus"];

export async function startRecording() {
  if (!navigator.mediaDevices?.getUserMedia) {
    throw new Error("Microphone access needs HTTPS (or localhost).");
  }
  const stream = await navigator.mediaDevices.getUserMedia({ audio: true });
  const mimeType = TYPES.find((t) => MediaRecorder.isTypeSupported(t));
  const rec = new MediaRecorder(stream, mimeType ? { mimeType } : {});
  const chunks = [];
  rec.ondataavailable = (e) => { if (e.data.size > 0) chunks.push(e.data); };
  rec.start(1000); // a chunk every second, so a crash loses at most one second
  return () => new Promise((resolve) => {
    rec.onstop = () => {
      stream.getTracks().forEach((t) => t.stop()); // turn the mic indicator off
      resolve(new Blob(chunks, { type: rec.mimeType }));
    };
    rec.stop();
  });
}
```

اس کی تین باتیں حقیقی بگ رپورٹس سے آئی ہیں:

-   **خالی chunks ہٹا دیں۔** iPhone پر MediaRecorder کے بارے میں OpenAI فورم کے ایک تھریڈ میں ایک ڈویلپر نے دیکھا کہ iOS پر `dataavailable` خالی ڈیٹا کے ساتھ فائر ہو رہا تھا، اور ان chunks کو ہٹانے سے مسئلہ حل ہوا۔ ایک اور نے یہی علامت timeslice، یعنی `start(1000)`، کے ساتھ شروع کر کے ٹھیک کی۔
-   **ٹریکس بند کریں۔** recorder روکنے سے مائیکروفون آزاد نہیں ہوتا۔ `getTracks().forEach(t => t.stop())` کے بغیر براؤزر ریکارڈنگ کا نشان دکھاتا رہتا ہے۔
-   **chunks گن کر ریکارڈنگ کا وقت نہ ناپیں۔** MDN خبردار کرتا ہے کہ timeslice کے وقفے درست نہیں ہوتے، اور جب Safari مائیکروفون روکتا ہے یا Android Chrome اسکرین لاک کرتا ہے تو یہ لمبے ہو سکتے ہیں۔ اگر آپ دورانیہ دکھاتے ہیں یا کوئی حد نافذ کرتے ہیں تو اپنا ٹائمر رکھیں۔

## براؤزر میں ریکارڈنگ کو WAV میں کیسے بدلیں؟

Web Audio API وہ سب ڈی کوڈ کر سکتا ہے جو براؤزر نے ریکارڈ کیا۔ MDN کی دو باتیں اسے مختصر بنا دیتی ہیں: `decodeAudioData` صرف مکمل فائل پر چلتا ہے، ٹکڑوں پر نہیں، اس لیے `stop()` کے بعد ڈی کوڈ کریں؛ اور وہ ڈی کوڈ شدہ آڈیو کو اپنے context کی sample rate پر resample کرتا ہے۔ اس لیے 16,000 Hz پر بنا `OfflineAudioContext` کسی اضافی resampling کوڈ کے بغیر 16 kHz سیمپلز لوٹا دیتا ہے۔ اس کا constructor، 3,000 سے 768,000 Hz تک کوئی بھی ریٹ لیتا ہے۔

```js
export async function toWav16k(blob) {
  // decodeAudioData needs the whole file and resamples to the context's rate.
  const ctx = new OfflineAudioContext(1, 1, 16000);
  const audio = await ctx.decodeAudioData(await blob.arrayBuffer());
  return encodeWav(mixDown(audio), 16000);
}

export function mixDown(audio) {
  const out = new Float32Array(audio.length);
  for (let c = 0; c < audio.numberOfChannels; c++) {
    const ch = audio.getChannelData(c);
    for (let i = 0; i < out.length; i++) out[i] += ch[i] / audio.numberOfChannels;
  }
  return out;
}

export function encodeWav(samples, rate) {
  const buf = new ArrayBuffer(44 + samples.length * 2);
  const v = new DataView(buf);
  const str = (o, s) => [...s].forEach((ch, i) => v.setUint8(o + i, ch.charCodeAt(0)));
  str(0, "RIFF"); v.setUint32(4, 36 + samples.length * 2, true); str(8, "WAVE");
  str(12, "fmt "); v.setUint32(16, 16, true); v.setUint16(20, 1, true); // PCM
  v.setUint16(22, 1, true); v.setUint32(24, rate, true);                // mono
  v.setUint32(28, rate * 2, true); v.setUint16(32, 2, true); v.setUint16(34, 16, true);
  str(36, "data"); v.setUint32(40, samples.length * 2, true);
  for (let i = 0; i < samples.length; i++) {
    const s = Math.max(-1, Math.min(1, samples[i]));
    v.setInt16(44 + i * 2, s < 0 ? s * 0x8000 : s * 0x7fff, true);
  }
  return new Blob([buf], { type: "audio/wav" });
}
```

16 kHz مونو کیوں: BroadNet کی اپنی ffmpeg مثال یہی سیٹنگ استعمال کرتی ہے (`-ar 16000 -ac 1`)، یہ بولی کی فریکوئنسی رینج برقرار رکھتی ہے، اور 48 kHz کے مقابلے میں ایک تہائی بائٹس لیتی ہے۔ اسٹیریو ایک آواز کے لیے بغیر کسی فائدے کے سائز دگنا کر دیتا ہے۔ فائدے اور نقصان کے لیے [sample rate](https://broadrouter.com/ur/glossary/sample-rate/) دیکھیں۔

سائز کا حساب اہم ہے، کیونکہ WAV کمپریسڈ نہیں ہوتا۔ فی سیکنڈ 16,000 سیمپلز، ہر ایک 2 بائٹس، یعنی فی سیکنڈ 32,000 بائٹس۔ 44 بائٹس کے ہیڈر کے ساتھ BroadNet کی 26,214,400 بائٹس کی حد میں 819 سیکنڈ آتے ہیں: تقریباً 13 منٹ 39 سیکنڈ۔ اس سے لمبی کسی بھی چیز کے لیے ریکارڈنگ کو ایک حد پر روکیں، یا سرور پر تقسیم کریں، جیسا [لمبی آڈیو فائلیں ٹرانسکرائب کرنا](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/) میں بتایا گیا ہے۔ [آڈیو اسپلٹر](https://broadrouter.com/tools/audio-splitter-ffmpeg/) ffmpeg کمانڈز لکھ دیتا ہے۔

براؤزر میں تبدیلی صارف کا CPU اور میموری خرچ کرتی ہے، اور پوری ڈی کوڈ شدہ کلپ 32-bit float کی شکل میں میموری میں رہتی ہے۔ چند منٹ کے وائس میسجز کے لیے یہ ٹھیک ہے۔ لمبی ریکارڈنگز کے لیے کمپریسڈ فائل اپ لوڈ کریں اور سرور پر بدلیں۔

## اس کے بجائے سرور پر کیسے بدلیں؟

کمپریسڈ ریکارڈنگ جیسی ہے ویسی بھیجیں اور کام ffmpeg کو کرنے دیں۔ صفحے میں کم کوڈ، چھوٹا اپ لوڈ، اور نتیجہ وہی:

```bash
ffmpeg -i in.webm -ar 16000 -ac 1 out.wav
```

اپ لوڈ کو ffmpeg میں پائپ کرنے کے بجائے ایک عارضی فائل میں لکھیں۔ MP4 فائلیں اپنا انڈیکس آخر میں رکھ سکتی ہیں، اور ffmpeg انہیں پائپ سے ہمیشہ نہیں پڑھ پاتا۔ [WhatsApp وائس نوٹ گائیڈ](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/) `.ogg` فائلوں کے لیے یہی کمانڈ استعمال کرتی ہے۔

## API کلید کو براؤزر سے باہر کیسے رکھیں؟

صفحے اور API کے درمیان ایک چھوٹا اینڈپوائنٹ رکھیں۔ وہ ریکارڈنگ لیتا ہے، ضرورت ہو تو بدلتا ہے، سائز جانچتا ہے، environment variable سے کلید شامل کرتا ہے اور آگے بھیجتا ہے۔ Node 18 اور اس کے بعد کے ورژنز میں `fetch`، `FormData` اور `Blob` پہلے سے موجود ہیں، اس لیے اس کے لیے کوئی پیکیج نہیں چاہیے:

```js
// server.mjs: POST /transcribe with the recording as the body. The key stays here.
import http from "node:http";
import { execFile } from "node:child_process";
import { mkdtemp, writeFile, readFile, rm } from "node:fs/promises";
import { tmpdir } from "node:os";
import { join } from "node:path";
import { promisify } from "node:util";

const API = process.env.BROADNET_BASE_URL ?? "https://inference.broadnet.ai/v1";
const KEY = process.env.BROADNET_API_KEY;
const FFMPEG = process.env.FFMPEG ?? "ffmpeg";
const MAX = 26_214_400; // BroadNet's per-file cap in bytes
const run = promisify(execFile);

async function readBody(req, limit) {
  const parts = []; let n = 0;
  for await (const c of req) { n += c.length; if (n > limit) throw Object.assign(new Error("too large"), { code: 413 }); parts.push(c); }
  return Buffer.concat(parts);
}

async function toWav(bytes) {
  // Temp files, not pipes: an MP4 from Safari can keep its index at the end.
  const dir = await mkdtemp(join(tmpdir(), "rec-"));
  try {
    await writeFile(join(dir, "in"), bytes);
    await run(FFMPEG, ["-v", "error", "-i", join(dir, "in"), "-ar", "16000", "-ac", "1", join(dir, "out.wav")]);
    return await readFile(join(dir, "out.wav"));
  } finally { await rm(dir, { recursive: true, force: true }); }
}

http.createServer(async (req, res) => {
  const reply = (code, obj) => { res.writeHead(code, { "content-type": "application/json" }); res.end(JSON.stringify(obj)); };
  if (req.method !== "POST" || req.url !== "/transcribe") return reply(404, { error: "not found" });
  try {
    const type = (req.headers["content-type"] ?? "").split(";")[0];
    let body = await readBody(req, 4 * MAX);
    if (type !== "audio/wav" && type !== "audio/mpeg") {
      try { body = await toWav(body); }
      catch { return reply(400, { error: "Could not read the recording." }); }
    }
    if (body.length > MAX) return reply(413, { error: "Recording too long; split it first." });
    const form = new FormData();
    form.append("model", "broadnet/cohere-transcribe-arabic");
    form.append("language", "ar");
    form.append("file", new Blob([body], { type: type === "audio/mpeg" ? "audio/mpeg" : "audio/wav" }),
      type === "audio/mpeg" ? "audio.mp3" : "audio.wav");
    const r = await fetch(`${API}/audio/transcriptions`, {
      method: "POST", headers: { Authorization: `Bearer ${KEY}` }, body: form,
    });
    const data = await r.json();
    return r.ok ? reply(200, { text: data.text }) : reply(r.status, { error: data });
  } catch (e) {
    return reply(e.code === 413 ? 413 : 500, { error: String(e.message ?? e) });
  }
}).listen(process.env.PORT ?? 8787);
```

پھر صفحہ یا تو WAV بھیجتا ہے یا خام ریکارڈنگ:

```js
const stop = await startRecording();
// ...later, when the user taps Stop:
const raw = await stop();
const wav = await toWav16k(raw);          // or send `raw` and let the server convert
const r = await fetch("/transcribe", { method: "POST", headers: { "content-type": wav.type }, body: wav });
const { text } = await r.json();
```

اسے اپنے حساب سے ڈھالتے وقت یہ باتیں برقرار رکھیں:

-   **`language` ہمیشہ بھیجیں۔** BroadNet کی دستاویزات کہتی ہیں کہ ورنہ عربی لاطینی حروف میں transliterate ہو کر واپس آ سکتی ہے۔ عربی ماڈل کے ساتھ `ar` استعمال کریں، یا `broadnet/cohere-transcribe` پر جائیں اور اس کی 14 زبانوں میں سے درست کوڈ دیں۔
-   **عمومی ایررز لوٹائیں۔** ہمارے ٹیسٹ پراکسی کا پہلا ورژن ffmpeg کا ایرر واپس بھیج دیتا تھا، جس میں سرور کا ایک فائل پاتھ تھا۔ اوپر والا کوڈ اس کے بجائے “Could not read the recording.” لوٹاتا ہے۔
-   **ڈیپلائے کرنے سے پہلے تصدیق (authentication) اور rate limit شامل کریں۔** ورنہ جسے بھی `/transcribe` مل جائے، وہ آپ کا بیلنس خرچ کرے گا۔ باقی باتیں [LLM API کلید کی حفاظت](https://broadrouter.com/ur/blog/llm-api-key-security/) میں ہیں، اور BroadNet کی کلیدوں کو [IP allow-lists](https://broadrouter.com/ur/guides/api-keys-ip-allow-lists/) سے محدود کیا جا سکتا ہے۔
-   **تقریباً خاموش کلپس مسترد کریں۔** فورم پر گھڑے ہوئے “Thank you” یا “Bye” ٹرانسکرپٹس کی رپورٹس خاموش یا ٹوٹی ہوئی ریکارڈنگز سے جڑی ہیں۔ ادائیگی سے پہلے دورانیہ (WAV بائٹس ÷ 32,000) اور، ہو سکے تو، سگنل لیول جانچیں۔

## ہم نے اسے کیسے ٹیسٹ کیا؟

کوئی BroadNet کلید استعمال نہیں ہوئی۔ 2026-11-15 کو ہم نے اوپر والا کوڈ `/v1/audio/transcriptions` کے ایک مقامی mock پر چلایا:

1.  **Node میں encoder۔** دو clipped سیمپلز والی 440 Hz ٹون کے ایک سیکنڈ پر `encodeWav` نے 32,044 بائٹس بنائے۔ Python کے `wave` ماڈیول نے اسے 1 چینل، 16,000 Hz، 2 بائٹس کے سیمپلز، 16,000 فریمز کے طور پر پڑھا، اور ffmpeg نے `pcm_s16le, 16000 Hz, mono` کے طور پر۔ clipped سیمپلز 32767 اور −32768 نکلے۔
2.  **Chromium میں براؤزر والا راستہ۔** Playwright نے نقلی مائیکروفون کے ساتھ headless Chromium چلایا۔ `startRecording` نے 3 سیکنڈ `audio/webm;codecs=opus` (40,563 بائٹس) میں ریکارڈ کیے، اور `toWav16k` نے اسے 96,044 بائٹس کے WAV میں بدلا: 3.0 سیکنڈ، 16 kHz، مونو۔
3.  **پراکسی۔** WAV اور خام WebM، دونوں نے 200 لوٹایا۔ mock کو ہر بار `Bearer` auth، عربی ماڈل ID، `language=ar` اور 16 kHz مونو `audio/wav` فائل ملی؛ WebM کو ffmpeg نے سرور پر بدلا۔ 26,214,401 بائٹس کے WAV کو upstream کال کے بغیر 413 ملا۔ جو باڈی آڈیو نہیں تھی، اسے 400 ملا۔
4.  **غیر محفوظ origin۔** مشین کے LAN پتے سے سادہ HTTP پر لوڈ کرنے پر صفحے نے `isSecureContext` کو false بتایا، اور `startRecording` نے `TypeError` کے بجائے ہمارا HTTPS والا پیغام دیا۔

ہم نے Safari یا Firefox ٹیسٹ نہیں کیے، نہ ہی کوئی حقیقی ٹرانسکرپشن۔ شپ کرنے سے پہلے کسی حقیقی iPhone پر آزمائیں۔

## اس کی لاگت کتنی ہے؟

BroadNet ٹرانسکرپشن کا بل فی آڈیو منٹ بناتا ہے: Transcribe Arabic کے لیے $0.0042 اور کثیر لسانی ماڈل کے لیے $0.002۔ عربی وائس میسجز کا ایک گھنٹہ $0.25 ہے۔ دونوں $5 کے ابتدائی کریڈٹ پر چلتے ہیں، جو عربی کے تقریباً 1,190 منٹ کور کرتا ہے۔ اپنی مقدار کے لیے [speech-to-text لاگت کیلکولیٹر](https://broadrouter.com/tools/speech-to-text-cost-calculator/) استعمال کریں۔ [عربی speech-to-text خریدار گائیڈ](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) فراہم کنندگان کا موازنہ کرتی ہے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference اپ لوڈ کی گئی فائلیں ٹرانسکرائب کرتا ہے: WAV یا MP3، ہر فائل کے لیے ایک درخواست، اور متن والا JSON جواب۔ یہ لائیو یا اسٹریمنگ ٹرانسکرپشن، ٹائم اسٹیمپس یا اسپیکر لیبلز کی کوئی دستاویز نہیں دیتا۔ اگر آپ کی ایپ میں صارف کے بولتے وقت ہی الفاظ نظر آنے چاہییں تو اسٹریمنگ speech API والا فراہم کنندہ استعمال کریں۔ وائس میسجز، نوٹس اور فارمز کے لیے، جہاں صارف پہلے ریکارڈ کرتا ہے اور پھر بھیجتا ہے، اوپر والا اپ لوڈ فلو کافی ہے۔ سیٹ اپ [عربی speech-to-text API گائیڈ](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) میں ہے، اور [API ریفرنس](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-record-browser-audio-transcription-api&utm_content=body) فیلڈز درج کرتا ہے۔ اس کا پرائیویسی بیان کہتا ہے کہ آڈیو اور ٹرانسکرپٹس محفوظ نہیں رکھے جاتے۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[WAV فائل (WAV)](https://broadrouter.com/ur/glossary/wav/)

WAV (Waveform Audio File Format، یا WAVE) مائیکروسافٹ اور IBM کے RIFF فارمیٹ پر بنا ایک آڈیو کنٹینر ہے۔ اس میں عموماً غیر کمپریسڈ linear PCM سیمپلز ہوتے ہیں، اس لیے اس کا سائز پہلے سے معلوم ہوتا ہے: فی سیکنڈ سیمپل ریٹ ضرب فی سیمپل بائٹس ضرب چینلز۔

[اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/)

اسپیچ ٹو ٹیکسٹ، جسے automatic speech recognition (ASR) بھی کہتے ہیں، بولے گئے آڈیو کو تحریری متن میں بدلنے کی ٹیکنالوجی ہے۔ speech-to-text API آڈیو فائل یا اسٹریم لے کر ٹرانسکرپٹ لوٹاتا ہے، عموماً فی آڈیو منٹ قیمت پر۔ درستگی ورڈ ایرر ریٹ سے ناپی جاتی ہے اور لہجے، بولی اور ریکارڈنگ کے معیار کے ساتھ بدلتی ہے۔

[Prefill اور decode](https://broadrouter.com/ur/glossary/prefill-and-decode/)

Prefill اور decode، LLM انفرنس کے دو مراحل ہیں۔ Prefill میں ماڈل پورا پرامپٹ متوازی طور پر پروسیس کر کے اپنا KV cache بھرتا ہے؛ decode میں وہ اسی cache کو دوبارہ استعمال کرتے ہوئے جواب ایک ایک ٹوکن کر کے بناتا ہے۔ Prefill زیادہ تر پہلے ٹوکن تک کا وقت طے کرتا ہے؛ decode آؤٹ پٹ کی رفتار۔

[API کلید (API key)](https://broadrouter.com/ur/glossary/api-key/)

API کلید ایک خفیہ اسٹرنگ ہے جو API کال کرنے والے کلائنٹ کی شناخت کرتی اور اسے اجازت دیتی ہے۔ LLM API عموماً اسے Authorization: Bearer ہیڈر میں چاہتے ہیں، اور جس کے پاس بھی یہ کلید ہو وہ ایسی درخواستیں کر سکتا ہے جن کا بل کلید والے اکاؤنٹ پر بنتا ہے۔

[Ogg Opus](https://broadrouter.com/ur/glossary/ogg-opus/)

Ogg Opus وہ آڈیو ہے جو Opus codec (RFC 6716) سے انکوڈ ہو کر Ogg کنٹینر (RFC 7845) میں رکھا جاتا ہے۔ یہ کم bitrate پر گفتگو اور انٹرایکٹو آڈیو کے لیے بنا ہے، اور WhatsApp وائس نوٹس کے لیے یہی فارمیٹ استعمال کرتا ہے، عموماً .ogg یا .opus فائلوں کی صورت میں۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[ریٹ لمٹ (rate limit)](https://broadrouter.com/ur/glossary/rate-limit/)

ریٹ لمٹ وہ حد ہے جو کوئی API طے کرتا ہے کہ ایک کلائنٹ کسی مدت میں اسے کتنا استعمال کر سکتا ہے، جیسے فی منٹ درخواستیں یا فی منٹ ٹوکن۔ حد سے زیادہ درخواستیں رد کر دی جاتی ہیں، عموماً HTTP 429 Too Many Requests کے ساتھ، جب تک استعمال دوبارہ حد سے نیچے نہ آ جائے۔

## عام سوالات

### کیا میں MediaRecorder کی WebM فائل سیدھی speech-to-text API کو بھیج سکتا ہوں؟

صرف تب، جب API، WebM لیتا ہو۔ OpenAI کا ٹرانسکرپشن اینڈپوائنٹ اپنے فارمیٹس میں webm اور mp4 درج کرتا ہے۔ BroadNet صرف WAV اور MP3 لیتا ہے، اس لیے پہلے بدلیں: براؤزر میں Web Audio API سے، یا اپنے سرور پر ffmpeg -i in.webm -ar 16000 -ac 1 out.wav سے۔

### getUserMedia یہ کیوں کہتا ہے کہ navigator.mediaDevices، undefined ہے؟

صفحہ secure context نہیں ہے۔ MDN کے مطابق getUserMedia صرف HTTPS پر، localhost پر یا file URL سے چلتا ہے۔ کسی دوسرے ہوسٹ سے سادہ HTTP پر navigator.mediaDevices موجود ہی نہیں ہوتا۔ صفحہ HTTPS پر پیش کریں؛ ڈویلپمنٹ کے لیے localhost ٹھیک ہے۔

### 25 MB کے اپ لوڈ میں WAV کی شکل میں کتنی لمبی ریکارڈنگ آتی ہے؟

16 kHz مونو 16-bit WAV فی سیکنڈ 32,000 بائٹس ہے، اس کے علاوہ 44 بائٹس کا ہیڈر۔ BroadNet کی 26,214,400 بائٹس کی حد میں تقریباً 819 سیکنڈ، یعنی 13 منٹ 39 سیکنڈ آتے ہیں۔ MP3 یا کم sample rate میں زیادہ آتا ہے؛ لمبے آڈیو کو ٹکڑوں میں تقسیم کریں۔

### iPhone پر خالی ریکارڈنگ سے "Thank you" یا "Bye" کیوں ملتا ہے؟

OpenAI فورم پر ڈویلپرز بتاتے ہیں کہ خاموش یا ٹوٹی ہوئی ریکارڈنگز سے چھوٹے گھڑے ہوئے جملے آتے ہیں، اور iOS والے کیسز کی وجہ خالی dataavailable chunks نکلی؛ size 0 والے chunks ہٹانے اور recorder کو timeslice کے ساتھ شروع کرنے سے ان کا مسئلہ حل ہوا۔ اپ لوڈ سے پہلے دورانیہ جانچیں۔

### کیا براؤزر کو سیدھا ٹرانسکرپشن API کال کرنا چاہیے؟

نہیں۔ فرنٹ اینڈ کوڈ میں جو کچھ ہے، API کلید سمیت، صارف پڑھ سکتا ہے۔ آڈیو اپنے اینڈپوائنٹ پر بھیجیں، جو سائز اور ٹائپ جانچے، environment variable سے کلید شامل کرے اور آگے بھیجے۔

## مزید پڑھیں

-   [25 MB سے بڑا لمبا آڈیو ٹرانسکرائب کریں: تقسیم، ارسال، جوڑ](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/)
-   [Whisper API کا متبادل: کب بدلیں، اور اسے کیسے ٹیسٹ کریں](https://broadrouter.com/ur/blog/whisper-api-alternative/)
-   [کثیر لسانی speech-to-text API: 14 زبانیں، ایک اینڈپوائنٹ](https://broadrouter.com/ur/blog/multilingual-speech-to-text-api/)
-   [LLM API کلید کو محفوظ کیسے رکھیں: اسٹوریج، روٹیشن اور IP allow-list](https://broadrouter.com/ur/blog/llm-api-key-security/)
-   [عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/)
-   [کاروبار کے لیے وائس نوٹ سے متن: WhatsApp اور Telegram سے ٹکٹس](https://broadrouter.com/ur/blog/voice-notes-to-text-for-business/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Node.js SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-node-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-record-browser-audio-transcription-api&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference API ریفرنس: WAV (audio/wav) یا MP3 (audio/mpeg)، 26,214,400 بائٹس تک، language ہمیشہ بھیجیں، text والا JSON جواب (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-record-browser-audio-transcription-api&utm_content=sources)
-   [MDN، MediaDevices.getUserMedia(): صرف secure context، صارف کی اجازت، NotAllowedError (جانچا گیا 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaDevices/getUserMedia)
-   [MDN، MediaRecorder.isTypeSupported(): true کا مطلب یہ ضمانت نہیں کہ ریکارڈنگ کامیاب ہوگی (جانچا گیا 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaRecorder/isTypeSupported_static)
-   [MDN، MediaRecorder کا dataavailable ایونٹ: timeslice، stop() اور غیر یقینی وقفے (جانچا گیا 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/MediaRecorder/dataavailable_event)
-   [MDN، BaseAudioContext.decodeAudioData(): context کی ریٹ پر resample، صرف مکمل فائلیں (جانچا گیا 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/BaseAudioContext/decodeAudioData)
-   [MDN، OfflineAudioContext() constructor: sampleRate 3,000 سے 768,000 Hz تک (جانچا گیا 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/API/OfflineAudioContext/OfflineAudioContext)
-   [WebKit بلاگ، MediaRecorder API: Safari، H.264 ویڈیو اور AAC آڈیو کے ساتھ MP4 ریکارڈ کرتا ہے، فارمیٹس رن ٹائم پر معلوم ہوتے ہیں (جانچا گیا 2026-11-15)](https://webkit.org/blog/11353/mediarecorder-api/)
-   [OpenAI speech to text گائیڈ: flac، mp3، mp4، mpeg، mpga، m4a، ogg، wav اور webm، 25 MB تک کی فائلیں (جانچا گیا 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI Developer Community، "MediaRecorder API w/ Whisper not working on mobile browsers"، جولائی سے دسمبر 2024 (جانچا گیا 2026-11-15)](https://community.openai.com/t/mediarecorder-api-w-whisper-not-working-on-mobile-browsers/866019)
