چیٹ سے وائس نوٹس ایکسپورٹ کریں (یا اپنی WhatsApp Business انٹیگریشن کے ذریعے وصول کریں) تو آپ کے پاس .ogg فائلیں ہوں گی۔ Meta کی Cloud API دستاویزات کہتی ہیں کہ WhatsApp وائس پیغامات Opus کوڈیک سے انکوڈ شدہ .ogg فائلیں ہوتے ہیں۔ فون کی ریکارڈنگز اکثر .m4a ہوتی ہیں۔ BroadNet کا ٹرانسکرپشن اینڈ پوائنٹ WAV اور MP3 قبول کرتا ہے، اس لیے پہلے کنورٹ کریں۔
1. ایک فائل کنورٹ کریں
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 سے 16 kHz مونو آڈیو بنتا ہے، یہی کنورژن BroadNet کی دستاویزات وائس نوٹس اور فون ریکارڈنگز کے لیے استعمال کرتی ہیں۔ یہی کمانڈ .m4a پر بھی چلتی ہے۔ 16 kHz مونو 16-بٹ WAV ہر سیکنڈ میں 32,000 بائٹس کا ہوتا ہے، اس لیے 26,214,400 بائٹ کی فائل حد میں تقریباً 13 منٹ آتے ہیں۔ لمبی ریکارڈنگز کے لیے آڈیو اسپلٹر بتاتا ہے کہ کتنے حصے چاہییں اور ffmpeg کمانڈز لکھ دیتا ہے۔
2. پورا فولڈر ٹرانسکرائب کریں
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])
ہر .txt اپنے وائس نوٹ کے ساتھ ہی بن جاتی ہے۔ ہر آنے والے WhatsApp Business پیغام پر یہی مراحل خود بخود چلانے کے لیے n8n WhatsApp وائس نوٹ ورک فلو دیکھیں۔
لاگت
ایک منٹ کے وائس نوٹ کی لاگت عربی میں $0.0042 ہے، یا 14 زبانوں والے ماڈل پر $0.002۔ درخواست کے بعد آڈیو اور ٹرانسکرپٹس رکھے نہیں جاتے؛ دیکھیں زیرو ڈیٹا ریٹینشن۔
مسائل اور حل
-
عربی کی جگہ لاطینی حروف:
language="ar"شامل کریں۔ BroadNet کی دستاویزات کہتی ہیں کہlanguageہمیشہ بھیجیں۔ -
413 ایرر: فائل 26,214,400 بائٹس (25 MiB) سے بڑی ہے۔ لمبی ریکارڈنگز کو 10، 10 منٹ کے WAV ٹکڑوں میں تقسیم کریں:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
اپلوڈ پر 400 یا 422: جانچیں کہ فائل واقعی WAV یا MP3 ہے، کہیں
.wavنام دی گئی.oggتو نہیں۔ ffmpeg کنورژن چلائیں۔ -
ffmpeg: command not found: اپنے پیکیج مینیجر سے ffmpeg انسٹال کریں (مثلاًapt install ffmpegیاbrew install ffmpeg)۔ -
429 ایرر: استعمال کے مطابق ادائیگی والی کلیدیں ایک وقت میں 4 درخواستیں چلانے دیتی ہیں؛ فائلوں کو ایک چھوٹے پول میں پروسیس کریں۔ دیکھیں BroadNet کے تمام ایرر کوڈز۔
ماڈل، فارمیٹس اور درستی کی مزید تفصیل: عربی اسپیچ ٹو ٹیکسٹ گائیڈ۔ دوسرے فراہم کنندگان فی آڈیو منٹ کتنا لیتے ہیں، اس کا موازنہ کرنے کے لیے کھلا اسپیچ ٹو ٹیکسٹ API پرائس انڈیکس دیکھیں، جس میں ہر قیمت کا ذریعہ اور تاریخ موجود ہے۔ بول چال کے لیے 16 kHz کیوں کافی ہے، اس کے پس منظر کے لیے سیمپل ریٹ دیکھیں۔
