Ghi một tin nhắn thoại trong web app chỉ mất khoảng ba mươi dòng JavaScript. Rắc rối bắt đầu khi bạn gửi file đi: trình duyệt ghi WebM hoặc MP4, API lại muốn định dạng khác, iPhone trả về “Thank you” cho một đoạn im lặng, và tutorial bạn chép về đặt API key ngay trong trang. Bài này dựng toàn bộ đường đi và kiểm thử từng phần: ghi âm, chuyển sang WAV, kiểm tra kích thước và chuyển tiếp qua một server nhỏ.
Các ví dụ nhắm tới API chỉ nhận WAV hoặc MP3. BroadNet Inference là một API như vậy: tài liệu ghi WAV (audio/wav) hoặc MP3 (audio/mpeg), tối đa 26.214.400 byte mỗi file. Nếu API của bạn nhận WebM, hãy bỏ qua bước chuyển đổi và giữ phần còn lại. Hướng dẫn speech to text của OpenAI liệt kê flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav và webm, tối đa 25 MB.
Trình duyệt ghi âm ở định dạng nào?
MediaRecorder ghi ở một định dạng nén do trình duyệt chọn, trừ khi bạn yêu cầu một định dạng nó hỗ trợ. Hãy hỏi bằng MediaRecorder.isTypeSupported() và lấy kết quả khớp đầu tiên:
| Chuỗi định dạng | Trình duyệt thường gặp |
|---|---|
audio/webm;codecs=opus |
Chrome, Edge, Firefox |
audio/mp4 |
Safari (WebKit ghi nhận MP4 với AAC); Chromium cũng báo hỗ trợ trong thử nghiệm của chúng tôi |
audio/ogg;codecs=opus |
Firefox |
Trên Chromium headless ngày 2026-11-15, isTypeSupported trả về true cho WebM/Opus và MP4, false cho Ogg/Opus. Hãy coi bảng này là điểm xuất phát, không phải lời hứa. MDN lưu ý rằng true chỉ có nghĩa là về nguyên tắc trình duyệt ghi được định dạng đó; việc ghi vẫn có thể thất bại nếu thiếu tài nguyên. Luôn đọc recorder.mimeType sau khi tạo recorder, và gắn nhãn cho file tải lên bằng giá trị đó, không phải bằng định dạng bạn đã yêu cầu.
Ghi âm từ micro như thế nào?
Hai quy tắc của trình duyệt quyết định hình dạng của code. Thứ nhất, getUserMedia chỉ tồn tại trong secure context: HTTPS, localhost hoặc URL file:. Trên HTTP thường từ một host khác, navigator.mediaDevices là undefined, nên gọi nó sẽ ném TypeError thay vì hỏi quyền. Thứ hai, người dùng phải cấp quyền truy cập, và nếu từ chối thì sẽ phát sinh NotAllowedError. Hãy xử lý cả hai bằng một thông báo mà người dùng có thể làm theo.
// 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();
});
}
Ba chi tiết trong đoạn code này đến từ các báo cáo lỗi thực tế:
- Bỏ chunk rỗng. Trong một thread trên diễn đàn OpenAI về MediaRecorder trên iPhone, một developer phát hiện
dataavailableđược kích hoạt với dữ liệu rỗng trên iOS, và lọc bỏ các chunk đó đã sửa được lỗi. Một người khác sửa cùng triệu chứng bằng cách bắt đầu với timeslice,start(1000). - Dừng các track. Dừng recorder không giải phóng micro. Nếu thiếu
getTracks().forEach(t => t.stop()), trình duyệt vẫn tiếp tục hiện biểu tượng đang ghi âm. - Đừng đo thời lượng bằng cách đếm chunk. MDN cảnh báo rằng khoảng timeslice không chính xác và có thể giãn ra khi Safari tạm dừng micro hoặc Chrome trên Android khóa màn hình. Hãy dùng bộ đếm giờ riêng nếu bạn hiển thị thời lượng hay áp giới hạn.
Chuyển bản ghi sang WAV ngay trên trình duyệt như thế nào?
Web Audio API giải mã được bất cứ thứ gì trình duyệt đã ghi. Hai điều từ MDN giúp code ngắn gọn: decodeAudioData chỉ chạy trên file hoàn chỉnh, không phải các mảnh, nên hãy giải mã sau stop(); và nó resample âm thanh đã giải mã về sample rate của context. Vì vậy một OfflineAudioContext tạo ở 16.000 Hz sẽ trả về mẫu 16 kHz mà không cần thêm code resample. Hàm khởi tạo của nó nhận mọi sample rate từ 3.000 đến 768.000 Hz.
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" });
}
Vì sao 16 kHz mono: đó là thiết lập mà chính ví dụ ffmpeg của BroadNet dùng (-ar 16000 -ac 1), nó giữ được dải tần giọng nói, và chỉ bằng một phần ba số byte so với 48 kHz. Stereo làm kích thước tăng gấp đôi mà không được gì với một giọng nói đơn. Xem sample rate để hiểu các đánh đổi.
Phép tính kích thước rất quan trọng, vì WAV không nén. 16.000 mẫu mỗi giây, mỗi mẫu 2 byte, là 32.000 byte mỗi giây. Cộng header 44 byte, giới hạn 26.214.400 byte của BroadNet chứa được 819 giây: khoảng 13 phút 39 giây. Dài hơn thế, hãy dừng ghi âm ở một giới hạn, hoặc tách trên server như trong bài chép lời file âm thanh dài. Công cụ tách âm thanh sẽ viết sẵn lệnh ffmpeg.
Chuyển đổi trên trình duyệt tốn CPU và bộ nhớ của người dùng, và toàn bộ đoạn đã giải mã nằm trong bộ nhớ dưới dạng số thực 32-bit. Với tin nhắn thoại vài phút thì không sao. Với bản ghi dài, hãy tải file nén lên và chuyển đổi trên server.
Chuyển đổi trên server thì làm thế nào?
Gửi nguyên bản ghi nén và để ffmpeg làm việc. Code trong trang ít hơn, file tải lên nhỏ hơn, và kết quả như nhau:
ffmpeg -i in.webm -ar 16000 -ac 1 out.wav
Hãy ghi file tải lên vào một file tạm thay vì pipe vào ffmpeg. File MP4 có thể đặt chỉ mục ở cuối file, và ffmpeg không phải lúc nào cũng đọc được loại file đó từ pipe. Hướng dẫn tin nhắn thoại WhatsApp dùng cùng lệnh này cho file .ogg.
Làm sao giữ API key ngoài trình duyệt?
Đặt một endpoint nhỏ giữa trang web và API. Nó nhận bản ghi, chuyển đổi nếu cần, kiểm tra kích thước, gắn key từ biến môi trường rồi chuyển tiếp. Node 18 trở lên có sẵn fetch, FormData và Blob, nên không cần package nào:
// 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);
Sau đó trang gửi WAV hoặc bản ghi gốc:
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();
Những điểm nên giữ khi bạn điều chỉnh code:
- Luôn gửi
language. Tài liệu BroadNet nói nếu không, tiếng Ả Rập có thể bị trả về dưới dạng phiên âm sang chữ Latin. Dùngarvới model tiếng Ả Rập, hoặc chuyển sangbroadnet/cohere-transcribevà mã đúng cho một trong 14 ngôn ngữ của nó. - Trả về lỗi chung chung. Phiên bản đầu của proxy thử nghiệm của chúng tôi trả lại nguyên lỗi của ffmpeg, trong đó có cả đường dẫn file trên server. Code ở trên trả về “Could not read the recording.” thay vào đó.
- Thêm xác thực và giới hạn tần suất trước khi triển khai. Nếu không, bất kỳ ai tìm ra
/transcribeđều tiêu được số dư của bạn. Bảo mật API key LLM bàn về phần còn lại, và key BroadNet có thể bị giới hạn bằng danh sách IP được phép. - Từ chối đoạn gần như im lặng. Các báo cáo trên diễn đàn về bản chép lời bịa ra như “Thank you” hay “Bye” đều liên quan tới bản ghi im lặng hoặc hỏng. Hãy kiểm tra thời lượng (số byte WAV ÷ 32.000) và, nếu được, mức tín hiệu trước khi trả tiền cho nó.
Chúng tôi đã kiểm thử thế nào?
Không dùng key BroadNet nào. Ngày 2026-11-15, chúng tôi chạy code trên với một bản mock cục bộ của /v1/audio/transcriptions:
- Encoder trong Node.
encodeWavtrên một giây âm 440 Hz có hai mẫu bị clip tạo ra 32.044 byte. Modulewavecủa Python đọc được 1 kênh, 16.000 Hz, mẫu 2 byte, 16.000 frame, còn ffmpeg đọc làpcm_s16le, 16000 Hz, mono. Hai mẫu bị clip ra thành 32767 và −32768. - Đường đi trên trình duyệt, trong Chromium. Playwright khởi chạy Chromium headless với micro giả.
startRecordingghi 3 giây dưới dạngaudio/webm;codecs=opus(40.563 byte), vàtoWav16kbiến nó thành file WAV 96.044 byte: 3,0 giây, 16 kHz, mono. - Proxy. Cả WAV lẫn WebM gốc đều trả về 200. Mỗi lần, bản mock đều nhận xác thực
Bearer, ID model tiếng Ả Rập,language=arvà một fileaudio/wavmono 16 kHz; ffmpeg chuyển WebM trên server. Một file WAV 26.214.401 byte nhận 413 mà không có lời gọi upstream nào. Một body không phải âm thanh nhận 400. - Origin không an toàn. Khi tải từ địa chỉ LAN của máy qua HTTP thường, trang báo
isSecureContextlà false vàstartRecordingném thông báo HTTPS của chúng tôi thay vìTypeError.
Chúng tôi chưa thử Safari hay Firefox, cũng chưa chép lời thật. Hãy thử trên iPhone thật trước khi phát hành.
Chi phí bao nhiêu?
BroadNet tính phí chép lời theo phút âm thanh: $0.0042 cho Transcribe Arabic và $0.002 cho model đa ngôn ngữ. Một giờ tin nhắn thoại tiếng Ả Rập là $0.25. Cả hai đều dùng được với tín dụng ban đầu $5, đủ cho khoảng 1,190 phút tiếng Ả Rập. Để tính cho khối lượng của bạn, dùng máy tính chi phí chuyển giọng nói thành văn bản. Hướng dẫn chọn API chuyển giọng nói tiếng Ả Rập thành văn bản so sánh các nhà cung cấp.
BroadNet Inference phù hợp ở đâu
BroadRouter là website của chính BroadNet. BroadNet Inference chép lời các file được tải lên: WAV hoặc MP3, mỗi file một request, phản hồi JSON chứa văn bản. Tài liệu không ghi nhận chép lời trực tiếp hay streaming, timestamp hoặc nhãn người nói. Nếu app của bạn cần chữ hiện ra trong lúc người dùng nói, hãy dùng nhà cung cấp có API giọng nói dạng streaming. Với tin nhắn thoại, ghi chú và biểu mẫu, nơi người dùng ghi âm rồi mới gửi, luồng tải lên ở trên là đủ. Cách thiết lập nằm trong hướng dẫn API chuyển giọng nói tiếng Ả Rập thành văn bản, và tài liệu tham chiếu API liệt kê các trường. Tuyên bố quyền riêng tư của BroadNet nói âm thanh và bản chép lời không được lưu giữ.
