WhatsApp وائس نوٹ ڈاؤن لوڈ کریں تو آپ کو ایک چھوٹی .ogg فائل ملتی ہے۔ اس کے اندر Opus آڈیو ہے، جو وائس کالز کے لیے بنایا گیا codec ہے۔
یہ کیسے کام کرتا ہے
اس کی دو تہیں ہیں، ہر ایک کسی IETF RFC میں بیان کی گئی:
| تہہ | تفصیل نامہ | کیا کرتی ہے |
|---|---|---|
| Opus codec | RFC 6716 | آڈیو کو compress کرتی ہے۔ یہ SILK پر مبنی linear-prediction تہہ کو CELT پر مبنی MDCT تہہ کے ساتھ جوڑتی ہے، اور 6 kbit/s narrowband گفتگو سے لے کر 510 kbit/s stereo موسیقی تک چلتی ہے |
| Ogg کنٹینر | RFC 7845 | Opus packets کو ایک فائل میں لپیٹتی ہے، جو OpusHead شناختی header سے شروع ہوتی ہے |
RFC 6716 پانچ bandwidths بتاتا ہے، narrowband (8 kHz sample rate) سے fullband (48 kHz) تک۔ RFC 7845 کہتا ہے کہ granule positions ہمیشہ 48 kHz پر samples گنتی ہیں، چاہے decoder کسی بھی rate پر آؤٹ پٹ دے۔ یہ .opus ایکسٹینشن اور audio/ogg media type کی سفارش کرتا ہے، اختیاری طور پر audio/ogg; codecs=opus۔
Meta کا WhatsApp Cloud API میڈیا ریفرنس OGG آڈیو کو audio/ogg کے طور پر “Opus codec only” (ترجمہ: صرف Opus codec)، mono، 16 MB تک درج کرتا ہے۔
یہ کیوں اہم ہے
- کئی APIs اسے قبول نہیں کرتے۔ جو speech-to-text اینڈپوائنٹ صرف WAV یا MP3 لیتا ہے، وہ وائس نوٹ کو تب تک رد کرے گا جب تک آپ اسے تبدیل نہ کریں۔
- تبدیلی سستی ہے۔ ایک ffmpeg کمانڈ Opus کو PCM میں decode کر دیتی ہے۔ نتیجہ وائس نوٹ سے کہیں بڑا ہوتا ہے، اس لیے فائل سائز کی حد پر نظر رکھیں۔
- نام کی الجھن۔ “Opus” دوسرے فراہم کنندگان کے ہاں ایک ماڈل کا نام بھی ہے۔ آڈیو کے سیاق میں اس کا مطلب codec ہے۔
BroadNet Inference پر
BroadNet کا ٹرانسکرپشن اینڈپوائنٹ صرف WAV (audio/wav) یا MP3 (audio/mpeg) قبول کرتا ہے، فی فائل 26,214,400 بائٹس تک۔ اس کی دستاویزات WhatsApp وائس نوٹ کو ایک قدم میں تبدیل کرتی ہیں:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg کی دستاویزات کے مطابق -ar آڈیو sampling frequency اور -ac چینلز کی تعداد سیٹ کرتا ہے، اس لیے یہ 16 kHz mono WAV لکھتا ہے۔ پھر اسے language=ar (یا en) کے ساتھ BroadNet Transcribe Arabic یا BroadNet Transcribe کو بھیجیں۔ WhatsApp وائس نوٹس گائیڈ میں ایک اسکرپٹ ہے جو پورا فولڈر تبدیل اور ٹرانسکرائب کرتا ہے، اور n8n گائیڈ یہی کام ایک workflow کے اندر کرتی ہے۔ اگر وائس نوٹ ایک فائل کے لیے بہت لمبا ہو تو audio splitter ٹکڑے طے کر دیتا ہے۔
عام غلطیاں
- تبدیل کرنے کے بجائے نام بدلنا۔
.oggکو.wavکر دینے سے اندر کا آڈیو نہیں بدلتا۔ ffmpeg سے decode کریں۔ -ac 1چھوڑ دینا۔ Stereo، WAV کا سائز دوگنا کر دیتا ہے اور ٹرانسکرپشن میں کوئی مدد نہیں کرتا۔