---
title: "API سے WhatsApp وائس نوٹس (.ogg) ٹرانسکرائب کریں | BroadRouter"
description: "WhatsApp کے .ogg وائس نوٹس یا فون کی .m4a ریکارڈنگز کو ffmpeg سے WAV میں بدلیں اور ایک API کال سے عربی یا 13 دوسری زبانوں میں ٹرانسکرائب کریں۔"
url: https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/
lang: ur
updated: 2026-11-16
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/guides/transcribe-whatsapp-voice-notes/) (اپ ڈیٹ: 2026-11-16).

# API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں

اپ ڈیٹ 2026-11-16

WhatsApp وائس نوٹس .ogg فائلوں میں Opus آڈیو ہوتے ہیں، جنہیں ٹرانسکرپشن اینڈ پوائنٹ براہ راست قبول نہیں کرتا۔ ہر نوٹ کو ffmpeg سے 16 kHz مونو WAV میں تبدیل کریں، پھر درست language فیلڈ کے ساتھ BroadNet Transcribe Arabic یا BroadNet Transcribe کو بھیجیں۔ ایک چھوٹا اسکرپٹ پورے فولڈر کے لیے دونوں کام کر دیتا ہے۔

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

```bash
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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) بتاتا ہے کہ کتنے حصے چاہییں اور ffmpeg کمانڈز لکھ دیتا ہے۔

## 2\. پورا فولڈر ٹرانسکرائب کریں

```python
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](https://broadrouter.com/ur/guides/n8n-whatsapp-voice-note-transcription/) 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](https://broadrouter.com/ur/privacy/)۔

## مسائل اور حل

-   **عربی کی جگہ لاطینی حروف:** `language="ar"` شامل کریں۔ BroadNet کی دستاویزات کہتی ہیں کہ `language` ہمیشہ 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:
    
    ```bash
    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 `.wav` نام دی گئی `.ogg` تو نہیں۔ ffmpeg کنورژن چلائیں۔
    
-   **`ffmpeg: command not found`:** اپنے پیکیج مینیجر سے ffmpeg انسٹال کریں (مثلاً `apt install ffmpeg` یا `brew 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](https://broadrouter.com/ur/guides/errors-and-retries/)۔
    

ماڈل، فارمیٹس اور درستی کی مزید تفصیل: [عربی اسپیچ ٹو ٹیکسٹ گائیڈ](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)۔ دوسرے فراہم کنندگان فی آڈیو منٹ کتنا لیتے ہیں، اس کا موازنہ کرنے کے لیے کھلا [اسپیچ ٹو ٹیکسٹ API پرائس انڈیکس](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/ur/glossary/sample-rate/) دیکھیں۔

## اس گائیڈ 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۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[کنکرنسی (concurrency)](https://broadrouter.com/ur/glossary/concurrency/)

کنکرنسی، کسی کلائنٹ کی بیک وقت چل رہی (in-flight) درخواستوں کی تعداد ہے۔ LLM APIs اکثر اس کی حد ہر کلید یا پلان پر، فی منٹ درخواستوں سے الگ رکھتے ہیں، کیونکہ ہر کھلی درخواست جواب مکمل ہونے تک GPU کی گنجائش گھیرے رکھتی ہے۔

[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۔

[زیرو ڈیٹا ریٹینشن (zero data retention، ZDR)](https://broadrouter.com/ur/glossary/zero-data-retention/)

زیرو ڈیٹا ریٹینشن (ZDR) ڈیٹا سنبھالنے کی ایک پالیسی ہے، جس میں AI فراہم کنندہ پرامپٹس اور آؤٹ پٹ صرف درخواست پوری کرنے کے لیے پروسیس کرتا ہے اور بعد میں وہ مواد لاگز، کیش یا تربیتی ڈیٹا میں محفوظ نہیں کرتا۔ ٹوکن گنتی اور اوقات جیسے بغیر مواد کے ریکارڈ عموماً پھر بھی رکھے جاتے ہیں۔

[سیمپل ریٹ (sample rate)](https://broadrouter.com/ur/glossary/sample-rate/)

سیمپل ریٹ ہر سیکنڈ میں ریکارڈ ہونے والے آڈیو سیمپلز کی تعداد ہے، جو ہرٹز (Hz) میں ناپی جاتی ہے۔ اسپیچ ریکگنیشن ماڈل عموماً 16,000 Hz (16 kHz) مونو آڈیو کی توقع رکھتے ہیں۔ بٹ ڈیپتھ اور چینلز کی تعداد کے ساتھ مل کر سیمپل ریٹ طے کرتا ہے کہ غیر کمپریسڈ آڈیو فائل فی منٹ کتنی بڑی ہوگی۔

## عام سوالات

### WhatsApp وائس نوٹس کس آڈیو فارمیٹ میں ہوتے ہیں؟

Ogg کنٹینر میں Opus آڈیو، جو .ogg کے طور پر محفوظ ہوتا ہے۔ Meta کی Cloud API دستاویزات کہتی ہیں کہ وائس پیغامات Opus کوڈیک سے انکوڈ شدہ .ogg فائلیں ہونے چاہییں، اور صرف مونو۔

### کیا .ogg فائل سیدھی ٹرانسکرپشن API کو بھیج سکتے ہیں؟

BroadNet Inference کو نہیں۔ اس کا ٹرانسکرپشن اینڈ پوائنٹ WAV اور MP3 قبول کرتا ہے، اس لیے وائس نوٹ کو پہلے ffmpeg سے تبدیل کریں۔ ایک کمانڈ اسے 16 kHz مونو WAV بنا دیتی ہے۔

### کیا ٹرانسکرپشن کے بعد وائس نوٹس محفوظ رہتے ہیں؟

BroadNet کہتا ہے کہ آڈیو اور ٹرانسکرپٹس صرف درخواست کے لیے پروسیس ہوتے ہیں اور رکھے نہیں جاتے۔ وہ بلنگ اور سیکیورٹی کے لیے صرف مواد کے بغیر ریکارڈ رکھتا ہے، جیسے اوقات، اسٹیٹس اور استعمال۔

### عربی وائس نوٹس کے لیے کون سا ماڈل استعمال کریں؟

BroadNet Transcribe Arabic، یعنی broadnet/cohere-transcribe-arabic، اور language کو ar پر سیٹ کریں۔ باقی 13 زبانوں کے لیے BroadNet Transcribe، یعنی broadnet/cohere-transcribe استعمال کریں۔

## متعلقہ گائیڈز

-   [n8n میں WhatsApp وائس نوٹس کو متن میں بدلیں](https://broadrouter.com/ur/guides/n8n-whatsapp-voice-note-transcription/)
-   [عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [BroadNet Inference کے ایرر کوڈز اور دوبارہ کوشش کب کریں](https://broadrouter.com/ur/guides/errors-and-retries/)

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-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference API ریفرنس، ٹرانسکرپشن اور ffmpeg کنورژن (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [BroadNet Inference کی قیمتیں (انگریزی میں)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API، آڈیو پیغامات (وائس پیغامات Opus کوڈیک والی OGG فائلیں ہوتے ہیں؛ 2026-11-14 کو جانچا گیا)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [FFmpeg فارمیٹس کی دستاویزات، segment muxer (2026-11-14 کو جانچا گیا)](https://ffmpeg.org/ffmpeg-formats.html#segment)
