क अरबी स्पीच टू टेक्स्ट API रिकॉर्ड की गई अरबी स्पीच को अरबी-स्क्रिप्ट टेक्स्ट में बदल देता है जिसे आपका सॉफ़्टवेयर खोज, सारांशित और स्टोर कर सकता है। सबसे कठिन हिस्सा बोली है: गल्फ, मिस्र, लेवेंटाइन और मगरेबी स्पीच मॉडर्न स्टैंडर्ड अरबी से भिन्न होती है, और बोलने वाले अंग्रेजी मिलाते हैं। अपने स्वयं के ऑडियो पर वर्ड एरर रेट का परीक्षण करके चुनाव करें। BroadNet Inference API आपके ऑडियो को स्टोर किए बिना, $0.0042 प्रति ऑडियो मिनट की दर से इन बोलियों में अरबी को ट्रांसक्राइब करता है।
तथ्यों की जाँच 8 नवंबर 2026 को उनके स्रोतों पर की गई। रिसर्च तथ्य Open Universal Arabic ASR Leaderboard और उसके पेपर, एक द्विभाषी अरबी-अंग्रेजी लीडरबोर्ड, और ArzEn, Casablanca, MASC, SADA और FLEURS डेटासेट पेजों से आते हैं, जिनमें से प्रत्येक को इनलाइन लिंक किया गया है। प्रोडक्ट तथ्य broadnet.ai/inference, इसकी कीमतों, मॉडल, प्राइवेसी और डेवलपर पेजों, और इसके llms.txt से आते हैं। कीमतें और रैंकिंग बदलती रहती हैं, इसलिए खरीदने से पहले लिंक किए गए पेज की जाँच करें।
यह टेबल इस गाइड का संक्षिप्त संस्करण है। किसी भी अरबी ट्रांसक्रिप्शन सेवा की तुलना करते समय इसे चेकलिस्ट के रूप में उपयोग करें।
| क्या टेस्ट करें | अरबी के लिए यह क्यों महत्वपूर्ण है | इसका परीक्षण कैसे करें | BroadNet Inference API क्या दस्तावेज़ करता है |
|---|---|---|---|
| बोली की सटीकता | बोलियों और रिकॉर्डिंग की स्थितियों के बीच त्रुटि दर में काफी बदलाव आता है | प्रत्येक बोली के लिए, आपके अपने ऑडियो के 1-3 घंटों पर WER और CER | गल्फ, मिस्र, लेवेंटाइन, मगरेबी और मॉडर्न स्टैंडर्ड अरबी |
| स्क्रिप्ट और कोड-स्विचिंग | वक्ता अंग्रेजी शब्दों का मिश्रण करते हैं; कुछ सिस्टम लैटिन अक्षरों में स्विच हो जाते हैं | गलत स्क्रिप्ट में लिखे गए शब्दों की गणना करें | Arabic मॉडल Arabic लिपि में ही रहता है; हमेशा language=ar भेजें |
| नंबर, नाम, कोड | एक गलत अंक फोन नंबर, राशि या ऑर्डर को खराब कर सकता है | अपने टेस्ट सेट में हर नंबर और नाम की मैन्युअल रूप से जांच करें | अनुरोध पर, नंबरों, तारीखों, नामों और कोड के लिए एक fine-tune उपलब्ध है |
| स्पीकर और टाइमस्टैम्प | Call QA को यह जानने की आवश्यकता है कि किसने और कब बात की | स्पीकर लेबल और समय के लिए रिस्पॉन्स फॉर्मेट की जांच करें | दस्तावेज़ में नहीं है: आउटपुट JSON या सादे टेक्स्ट के रूप में अरबी टेक्स्ट है |
| गति | Batch jobs और voice agents को अलग-अलग गति की आवश्यकता होती है | फ़ाइलों के एक निश्चित सेट का शुरू से अंत तक का समय | BroadNet द्वारा मापा गया: प्रति स्ट्रीम 45x रियलटाइम और 190x बैच्ड |
| डेटा हैंडलिंग और क्षेत्र | Contact-centre ऑडियो अक्सर व्यक्तिगत डेटा होता है | रिटेंशन स्टेटमेंट पढ़ें और पूछें कि प्रोसेसिंग कहाँ होती है | जीरो डेटा रिटेंशन; US GPUs; अनुरोध पर MENA या यूरोप |
| कीमत | ऑडियो के घंटे तेज़ी से बढ़ते हैं | आपके वास्तविक वॉल्यूम के एक महीने की कीमत | $0.0042 प्रति मिनट (लगभग $0.25 प्रति घंटा); $5 फ्री क्रेडिट |
अरबी स्पीच रिकग्निशन अंग्रेजी की तुलना में कठिन क्यों है?
अरबी स्पीच रिकग्निशन कठिन है क्योंकि एक लिखित मानक कई बोली जाने वाली बोलियों पर आधारित है, और लिखित अरबी में आमतौर पर शॉर्ट वोवेल्स (short vowels) को छोड़ दिया जाता है। एक सिस्टम को बोलियों की ध्वनियों और शब्दों को सुनना ही होगा, और फिर उन्हें ऐसी स्पेलिंग में लिखना होगा जिसका कोई एक मानक नहीं है।
Open Universal Arabic ASR Leaderboard पेपर के लेखकों ने तीन कारण बताए हैं: समृद्ध मॉर्फोलॉजी (morphology), बोलियों में भिन्नता और लिखित टेक्स्ट में डायक्रिटिक्स (diacritics) की कमी। वे यह भी बताते हैं कि औपचारिक सेटिंग्स में मॉडर्न स्टैंडर्ड अरबी का उपयोग किया जाता है, जबकि क्षेत्रीय बोलियाँ उच्चारण और शब्दावली दोनों में भिन्न होती हैं।
व्यावहारिक रूप से, यह ट्रांसक्रिप्शन सिस्टम के लिए चार समस्याएँ पैदा करता है:
- बोली के शब्द (Dialect words)। खाड़ी, मिस्र या मोरक्को के वक्ता ऐसे रोज़मर्रा के शब्दों का उपयोग करते हैं जो न्यूज़ अरबी में कभी नहीं आते हैं।
- स्पेलिंग के विकल्प। एक ही बोली के शब्द को कई तरीकों से लिखा जा सकता है।
- कोड-स्विचिंग (Code-switching)। वक्ता एक ही वाक्य के भीतर अरबी और अंग्रेजी, या अरबी और फ्रेंच के बीच स्विच करते हैं।
- नॉइज़ी ऑडियो (Noisy audio)। कॉल्स, स्ट्रीट रिकॉर्डिंग और वॉइस नोट्स, स्टूडियो स्पीच की तुलना में बहुत अधिक कठिन होते हैं।
आंकड़े इस अंतर को दर्शाते हैं। 8 नवंबर 2026 को Open Universal Arabic ASR Leaderboard पर जांचे जाने पर, सबसे अच्छे सिस्टम ने Common Voice टेस्ट सेट पर लगभग 5% WER स्कोर किया। 10 बोलियों वाले सऊदी टेस्ट सेट SADA पर सबसे अच्छा स्कोर लगभग 29% था। सभी 39 सिस्टम्स में, SADA स्कोर 89% तक रहा।
आपके ऑडियो में कौन सी अरबी बोलियाँ शामिल हैं?
शुरुआत उन बोलियों की सूची बनाने से करें जो आपके ग्राहक वास्तव में बोलते हैं, फिर सुनिश्चित करें कि आपके टेस्ट सेट में प्रत्येक बोली शामिल हो।
अधिकांश खरीदारों को इन समूहों के मिश्रण की आवश्यकता होती है:
- गल्फ (खलीजी): सऊदी अरब, UAE, कतर, कुवैत, बहरीन और ओमान, जिसमें सऊदी अरब के भीतर मजबूत क्षेत्रीय विविधताएं भी शामिल हैं।
- मिस्री: मिस्र, और क्षेत्रीय फिल्मों और टीवी में व्यापक रूप से सुना जाने वाला।
- लेवेंटाइन: लेबनान, जॉर्डन और फिलिस्तीन।
- इराकी: एक अलग समूह जिसे कुछ सेवाएँ अलग से सूचीबद्ध नहीं करती हैं।
- मगरेबी: मोरक्को, अल्जीरिया और ट्यूनीशिया, जिसमें कई फ्रेंच ऋणशब्द (loanwords) शामिल हैं।
- मॉडर्न स्टैंडर्ड अरबी: समाचार, भाषण, औपचारिक घोषणाएं और पढ़े जाने वाले टेक्स्ट के लिए।
Casablanca dataset में एमराती, मिस्री, जॉर्डन, मोरक्कन और अल्जीरिया सहित 8 बोलियों में ट्रांसक्राइब की गई स्पीच एकत्र की गई है, जिसमें कोड-स्विचिंग के लिए लेबल दिए गए हैं। ArzEn corpus में 38 द्विभाषी वक्ताओं द्वारा बोली गई 12 घंटे की सहज मिस्री अरबी-अंग्रेजी कोड-स्विच्ड स्पीच शामिल है।
कोड-स्विचिंग (Code-switching) मजबूत सिस्टम के लिए भी कठिन बनी हुई है। एक सार्वजनिक द्विभाषी अरबी-अंग्रेजी लीडरबोर्ड पर, अग्रणी सिस्टम ने ArzEn के मिश्रित मिस्र अरबी और अंग्रेजी भाषण पर लगभग 30% WER स्कोर किया। वही सिस्टम FLEURS से पढ़े गए अरबी भाषण पर लगभग 6% स्कोर करते हैं। यदि आपके कॉलर भाषाओं को मिलाते हैं, तो अपने टेस्ट में उस भाषण को भी शामिल करें।
आप अरबी ट्रांसक्रिप्शन सटीकता को कैसे मापते हैं?
मानव-जांच किए गए संदर्भ ट्रांसक्रिप्ट के साथ, अपनी स्वयं की रिकॉर्डिंग के एक नमूने पर वर्ड एरर रेट (WER) और कैरेक्टर एरर रेट (CER) मापें। सार्वजनिक लीडरबोर्ड केवल शॉर्टलिस्ट बनाने में आपकी मदद करते हैं।
WER उन शब्दों की गणना करता है जिन्हें सिस्टम बदलता है, हटाता है या सम्मिलित करता है, और इसे संदर्भ में शब्दों की संख्या से विभाजित किया जाता है। CER कैरेक्टर स्तर पर भी यही करता है। CER अरबी के लिए उपयोगी है क्योंकि वर्तनी में एक छोटा सा अंतर, जैसे कि हमज़ा (hamza), WER में एक पूरे गलत शब्द के रूप में गिना जाता है लेकिन CER में केवल एक गलत कैरेक्टर के रूप में।
इन चरणों का पालन करें:
- प्रत्येक बोली (dialect) के लिए 1 से 3 घंटे का वास्तविक ऑडियो एकत्र करें: कॉल, वॉइस नोट्स या मीडिया, उसी गुणवत्ता के साथ जिसे आप प्रोडक्शन में भेजेंगे।
- नेटिव स्पीकर्स से अरबी लिपि में एक संदर्भ ट्रांसक्रिप्ट लिखवाएं। उनके शुरू करने से पहले वर्तनी के नियमों पर सहमत हो जाएं।
- स्कोरिंग से पहले दोनों टेक्स्ट को एक ही तरह से नॉर्मलाइज़ करें। लीडरबोर्ड पेपर विराम चिह्नों और विशेष चिह्नों (diacritics) को हटा देता है, हमज़ा और मद्दा रूपों को नॉर्मलाइज़ करता है, और पूर्वी अरबी अंकों को पश्चिमी अंकों में बदल देता है।
- प्रत्येक सिस्टम का मूल्यांकन समान फ़ाइलों और समान सेटिंग्स पर करें, और केवल एक औसत के बजाय, प्रत्येक बोली (dialect) के लिए WER और CER की रिपोर्ट करें।
- नंबरों, नामों और प्रोडक्ट कोड की मैन्युअल रूप से जाँच करें। कम WER एक गलत अंक को छिपा सकता है जो दस छोटी गलतियों से भी अधिक महत्वपूर्ण हो सकता है।
- हर कुछ महीनों में टेस्ट दोहराएं। नए मॉडल अक्सर आते रहते हैं, और लीडरबोर्ड रैंक बदलती रहती है।
प्रकाशित किए गए आंकड़ों के पीछे की स्थितियों को हमेशा नोट करें। लीडरबोर्ड MASC जैसे मल्टी-डायलैक्ट टेस्ट सेट का उपयोग करता है, जिसमें 700 से अधिक YouTube चैनलों से लगभग 1,000 घंटों का स्पीच डेटा है, और SADA। साफ सुथरी स्पीच पर प्राप्त स्कोर एक शोर वाली कॉल (noisy call) के बारे में बहुत कम जानकारी देता है।
सटीकता (accuracy) के अलावा आपको और क्या जाँचना चाहिए?
जाँचें कि आउटपुट में क्या शामिल है, यह कितनी तेज़ी से आता है, कौन से फ़ाइल फॉर्मेट स्वीकार किए जाते हैं और ऑडियो कहाँ प्रोसेस किया जाता है। ये विवरण तय करते हैं कि ट्रांसक्रिप्ट आपके वर्कफ़्लो के लिए उपयुक्त है या नहीं।
- स्पीकर लेबल (diarization)। कॉल क्वालिटी रिव्यू के लिए यह जानना ज़रूरी है कि किसने क्या कहा। यदि कोई सर्विस स्पीकर को लेबल नहीं करती है, तो एजेंट और ग्राहक को अलग-अलग चैनलों पर रखकर कॉल को स्टीरियो में रिकॉर्ड करें, फिर प्रत्येक चैनल को ट्रांसक्राइब करें।
- टाइमस्टैम्प। मीडिया सबटाइटल और ऑडियो सर्च के लिए शब्द या सेगमेंट के समय की आवश्यकता होती है। अपना सिस्टम बनाने से पहले रिस्पॉन्स फॉर्मेट की जाँच कर लें।
- Batch या लाइव। ओवरनाइट कॉल एनालिसिस के लिए थ्रूपुट की आवश्यकता होती है। एक लाइव वॉइस एजेंट को तेज़ जवाबों की ज़रूरत होती है।
- फ़ाइल फ़ॉर्मेट और साइज़। स्वीकार किए गए फ़ॉर्मेट और अधिकतम फ़ाइल साइज़ की जाँच करें, और लंबी रिकॉर्डिंग को विभाजित करने की योजना बनाएं।
- डेटा रिटेंशन। पूछें कि क्या ऑडियो या ट्रांसक्रिप्ट को स्टोर, लॉग या ट्रेनिंग के लिए उपयोग किया जाता है, और इसका उत्तर लिखित में प्राप्त करें।
- प्रोसेसिंग रीजन। कई बैंकों, सरकारों और स्वास्थ्य सेवा प्रदाताओं को डेटा को एक निर्धारित देश या क्षेत्र में रखना अनिवार्य होता है। अपनी लीगल टीम से पूछें कि कौन से नियम लागू होते हैं।
अरबी स्पीच टू टेक्स्ट (speech to text) कहाँ फायदेमंद है?
अरबी ट्रांसक्रिप्शन वहाँ फायदेमंद है जहाँ लोग पहले से ही टाइप करने की तुलना में अधिक बोलते हैं: जैसे कॉन्टैक्ट सेंटर्स, मीडिया आर्काइव्स और वॉइस मैसेज। प्रत्येक मामले में, ट्रांसक्रिप्ट डेटा बन जाता है जिसे आप सर्च कर सकते हैं, चेक कर सकते हैं और अन्य टूल्स में फीड कर सकते हैं।
- कॉन्टैक्ट-सेंटर QA। हर कॉल का ट्रांसक्रिप्शन करें, केवल एक छोटा सैंपल नहीं। शिकायत वाले शब्दों को सर्च करें और जाँचें कि एजेंटों ने आवश्यक स्टेटमेंट पढ़े हैं या नहीं।
- मीडिया और आर्काइव्स। इंटरव्यू, पॉडकास्ट और ब्रॉडकास्ट को सर्च करने योग्य बनाएं।
- WhatsApp वॉइस नोट्स। ग्राहक अक्सर टाइप करने के बजाय वॉइस नोट्स भेजते हैं। उन्हें ट्रांसक्राइब करने से सपोर्ट टीम या AI एजेंट उन्हें पढ़, रूट और उनका जवाब दे सकते हैं।
- वॉइस एजेंट। एक AI एजेंट तभी सही ढंग से काम कर सकता है जब वह फ़ोन नंबर, राशि या तारीख को सही ढंग से सुन ले।
यदि आप ट्रांसक्रिप्ट्स के आधार पर AI एजेंट बनाने की योजना बना रहे हैं, तो हमारे एंटरप्राइज़ एजेंटिक AI प्लेटफ़ॉर्म और हॉस्पिटैलिटी, रिटेल और हेल्थकेयर के लिए टर्नकी AI एजेंट के गाइड पढ़ें।
BroadNet Inference API अरबी को कैसे ट्रांसक्राइब करता है?
BroadNet Inference API एक API है जो उन GPUs पर स्पीच, डॉक्यूमेंट और चैट मॉडल चलाता है जिन्हें BroadNet ऑपरेट करता है। अरबी ऑडियो के लिए, आप अरबी मॉडल और language=ar के साथ ट्रांसक्रिप्शन एंडपॉइंट पर एक फ़ाइल भेजते हैं, और आपको अरबी लिपि में टेक्स्ट वापस मिल जाता है। यह सामान्य chat-completions और audio-transcriptions रिक्वेस्ट फ़ॉर्मेट का उपयोग करता है, इसलिए एक बार जब आप बेस URL बदल देते हैं, तो मौजूदा क्लाइंट लाइब्रेरीज़ काम करने लगती हैं।
ये तथ्य BroadNet.AI के अपने पेजों से लिए गए हैं।
- बोलियाँ। Inference API पेज के अनुसार, अरबी मॉडल गल्फ, इजिप्शियन, लेवेंटाइन, मगरेबी और मॉडर्न स्टैंडर्ड अरबी को कवर करता है।
- अरबी लिपि। साइट कहती है कि अरबी मॉडल अरबी लिपि में ही रहता है, जबकि मल्टीलिंगुअल मॉडल मिश्रित स्पीच होने पर अंग्रेजी में बदल सकता है। यह अरबी के लिए अरबी मॉडल की सिफारिश करता है।
- मॉडल। अरबी मॉडल Apache-2.0 लाइसेंस के तहत 2 बिलियन पैरामीटर्स वाला एक ओपन-वेट मॉडल है, जिसे BroadNet हार्डवेयर पर सर्व किया जाता है।
- मापी गई सटीकता। BroadNet के अपने बेंचमार्क में, मॉडल ने वास्तविक बोली जाने वाली भाषा (MASC) पर 21.1 WER, खाड़ी (Gulf), मिस्र और लेवेंटाइन सेट पर 23.4, और स्पष्ट रूप से पढ़ी गई भाषा (FLEURS अरबी) पर 3.8 स्कोर किया।
- सार्वजनिक रैंकिंग। 8 नवंबर 2026 को Open Universal Arabic ASR Leaderboard ने इसी बेस मॉडल को 39 सिस्टम में से चौथे स्थान पर सूचीबद्ध किया, जिसका औसत WER 24.19% था।
- गति। BroadNet प्रति स्ट्रीम 45x रियलटाइम और जब आप समानांतर (parallel) में अनुरोध भेजते हैं तो लगभग 190x रियलटाइम की रिपोर्ट देता है।
- अनुरोध पर फाइन-ट्यून। वास्तविक कॉल ऑडियो पर प्रशिक्षित BroadNet फाइन-ट्यून टेलीफोन लाइनों और शोर वाले वॉइस नोट्स में फोन नंबरों, राशियों, तारीखों, ऑर्डर कोड और नामों को लक्षित करता है। इसे एक प्राइवेट मॉडल ID के रूप में जारी किया जाता है और इसे आपकी अपनी रिकॉर्डिंग पर और अधिक ट्यून किया जा सकता है।
- चैट और दस्तावेज़। वही API विज़न-लैंग्वेज मॉडल को सर्व करता है, जिसमें Gemma 4 VL 26B भी शामिल हैं, जो अरबी और अंग्रेजी दस्तावेज़ों को पढ़ते हैं और JSON फ़ील्ड वापस करते हैं।
डेटा के संबंध में, डेटा-हैंडलिंग स्टेटमेंट कहता है कि प्रॉम्प्ट, ऑडियो, इमेज और ट्रांसक्रिप्ट को एक अनुरोध के लिए मेमोरी में रखा जाता है और फिर हटा दिया जाता है। कंटेंट को लॉग या ट्रेनिंग के लिए उपयोग नहीं किया जाता है, और एक ऑटोमैटिक ऑडिट हर घंटे इस कॉन्फ़िगरेशन की जाँच करता है। BroadNet केवल कंटेंट-मुक्त रिकॉर्ड जैसे कि समय, टोकन काउंट और लागत रखता है। प्रोसेसिंग संयुक्त राज्य अमेरिका (United States) में BroadNet-संचालित हार्डवेयर पर होती है, और अनुरोध करने पर MENA या यूरोप में क्षेत्रीय प्रोसेसिंग उपलब्ध है।
बड़े या विनियमित (regulated) वर्कलोड के लिए, एक प्राइवेट एंडपॉइंट आपको एक आरक्षित GPU या नोड, आपका चुना हुआ मॉडल (अरबी फाइन-ट्यून सहित), आपकी अपनी की (key) और सीमाएं (limits), और वह क्षेत्र प्रदान करता है जिसकी आपको आवश्यकता है।
BroadNet पर अरबी ट्रांसक्रिप्शन की कीमत क्या है?
पब्लिक अरबी मॉडल की कीमत प्रति ऑडियो मिनट $0.0042 है, जो लगभग $0.25 प्रति घंटा है। नए अकाउंट्स को $5 का फ्री क्रेडिट मिलता है, जो 30 दिनों के लिए वैध है और इसके लिए किसी कार्ड की आवश्यकता नहीं है; pricing page के अनुसार यह लगभग 19 घंटों के अरबी स्पीच टू टेक्स्ट को कवर करता है।
| विकल्प | कीमत (USD) | उपलब्धता |
|---|---|---|
| अरबी ट्रांसक्रिप्शन मॉडल | $0.0042 प्रति ऑडियो मिनट | लाइव, पब्लिक मॉडल ID |
| अरबी मॉडल, कॉल्स के लिए BroadNet फाइन-ट्यून | $0.005 प्रति ऑडियो मिनट | अनुरोध पर, प्राइवेट मॉडल ID |
| बहुभाषी ट्रांसक्रिप्शन (14 भाषाएं) | $0.002 प्रति ऑडियो मिनट | लाइव, पब्लिक मॉडल ID |
| Gemma 4 VL 26B (चैट, इमेज, डॉक्यूमेंट्स) | $0.10 इनपुट / $0.22 आउटपुट प्रति 1M टोकन | लाइव, पब्लिक मॉडल ID |
| प्रति घंटा की (केवल Gemma 4 के लिए) | $0.50 प्रति एक-घंटे की की | लाइव, API द्वारा मिंट किया गया |
| प्राइवेट एंडपॉइंट | आपके ट्रैफिक के आधार पर कोट किया गया | अनुरोध पर |
उदाहरण के लिए, प्रति माह 10,000 मिनट की अरबी कॉल्स के लिए प्रकाशित दर पर पब्लिक अरबी मॉडल पर $42 की लागत आएगी। वॉल्यूम और आरक्षित-क्षमता (reserved-capacity) वाली कीमतें अनुरोध पर उपलब्ध हैं।
BroadNet Inference API क्या नहीं करता है
API एक फ़ाइल-आधारित ट्रांसक्रिप्शन और मॉडल-सर्विंग सेवा है, और कुछ सुविधाएँ जिनकी खरीदार अपेक्षा करते हैं, उनका दस्तावेज़ीकरण नहीं किया गया है।
- कोई दस्तावेजीकृत स्पीकर लेबल या टाइमस्टैम्प नहीं। मॉडल पेज आउटपुट को JSON में अरबी-स्क्रिप्ट टेक्स्ट या प्लेन टेक्स्ट के रूप में वर्णित करते हैं।
- कोई दस्तावेजीकृत लाइव स्ट्रीमिंग ट्रांसक्रिप्शन नहीं। आप प्रति अनुरोध एक ऑडियो फ़ाइल अपलोड करते हैं। स्ट्रीमिंग का दस्तावेज़ीकरण चैट के लिए किया गया है, ऑडियो के लिए नहीं।
- डायलैक्ट सूची। इराकी अरबी और अन्य क्षेत्रीय विविधताओं का साइट पर अलग से नाम नहीं दिया गया है। उन्हें अपने स्वयं के ऑडियो के साथ टेस्ट करें।
- फॉर्मेट और साइज़। डेवलपर रेफरेंस 26,214,400 बाइट्स (25 MiB) के अधिकतम फ़ाइल साइज़ के साथ WAV और MP3 का दस्तावेज़ीकरण करता है। मॉडल पेज M4A, OGG और FLAC को भी सूचीबद्ध करता है, लेकिन रेफरेंस में कहा गया है कि सीधे API के लिए अन्य कंटेनर्स का दस्तावेज़ीकरण अभी नहीं किया गया है। सुरक्षित रहने के लिए WhatsApp वॉइस नोट्स को WAV या MP3 में बदलें।
- डिफ़ॉल्ट क्षेत्र। मानक प्रोसेसिंग United States में होती है। क्षेत्रीय प्रोसेसिंग के लिए अनुरोध की आवश्यकता होती है।
- सीमाएँ। पे-एज़-यू-गो (pay-as-you-go) की प्रति मिनट 30 अनुरोध और एक साथ 4 अनुरोधों की अनुमति देती है, और एक अकाउंट में 10 लाइव कीज़ तक हो सकती हैं।
- एक्सेस को फाइन-ट्यून करें। कॉल-ट्यून्ड अरबी मॉडल सेल्फ-सर्व नहीं है। आप अपने ऑडियो के एक सैंपल के साथ इसके लिए अनुरोध कर सकते हैं।
आप शुरू कैसे करें?
अकाउंट बनाने से पहले आप अपनी आवाज़ में अरबी मॉडल सुन सकते हैं।
- voice playground खोलें। एक मिनट तक का भाषण रिकॉर्ड करें या वॉइस नोट अपलोड करें। साइन अप या कार्ड की आवश्यकता नहीं है।
- inference.broadnet.ai पर Google या ईमेल के माध्यम से साइन-इन लिंक का उपयोग करके एक अकाउंट बनाएं। बिना किसी कार्ड के $5 का क्रेडिट जोड़ दिया जाता है।
- अपने अकाउंट में एक API की (key) बनाएँ। अपने सर्वर IP एड्रेस जोड़ें ताकि इस की (key) को कहीं और से रिजेक्ट कर दिया जाए।
- डेवलपर रेफरेंस का पालन करें: बेस URL को https://inference.broadnet.ai/v1 पर सेट करें और किसी भी क्लाइंट लाइब्रेरी का उपयोग करें जो सामान्य chat-completions फॉर्मेट को सपोर्ट करती हो।
- प्रत्येक फ़ाइल को अरबी मॉडल ID और language=ar के साथ /v1/audio/transcriptions पर भेजें। language=ar के बिना, मॉडल लैटिन अक्षरों में अरबी लिख सकता है।
- प्रत्येक बोली के लिए अपना WER और CER टेस्ट चलाएं, फिर यदि आपको उनकी आवश्यकता हो तो कॉल-ट्यून्ड मॉडल या प्राइवेट एंडपॉइंट के लिए अनुरोध करें।
BroadNet.AI, BroadNet ग्रुप ब्रांड्स में से एक है। ट्रांसक्रिप्शन के ऊपर एजेंट डिप्लॉयमेंट के लिए, BroadNet AI देखें और 14 बाजारों में अरबी बोली भिन्नता पर BroadNet.AI के नोट्स देखें।
आज ही अपने स्वयं के ऑडियो पर इसे आज़माएं। BroadNet Inference API खोलें, अपने ग्राहकों की बोली में एक वॉयस नोट रिकॉर्ड करें, और कुछ ही सेकंड में ट्रांसक्रिप्ट पढ़ें। फिर अपने वास्तविक कॉल्स के लगभग 19 घंटों का परीक्षण करने के लिए $5 के फ्री क्रेडिट का उपयोग करें। पूरे प्लेटफ़ॉर्म की तुलना करने के लिए BroadNet.AI पर जाएं।
अक्सर पूछे जाने वाले प्रश्न
सबसे अच्छा अरबी स्पीच टू टेक्स्ट API कौन सा है?
सबसे अच्छा अरबी स्पीच टू टेक्स्ट API वह है जिसमें आपके अपने ऑडियो पर, आपकी बोलियों में, उस कीमत पर सबसे कम एरर रेट हो जिसे आप वहन कर सकें। पब्लिक लीडरबोर्ड अक्सर बदलते रहते हैं, इसलिए उनका उपयोग केवल शॉर्टलिस्ट बनाने के लिए करें। फिर एक ही रिकॉर्डिंग पर 2 या 3 सेवाओं का परीक्षण करें। BroadNet Inference API इस तरह के टेस्ट के लिए एक फ्री ब्राउज़र डेमो और $5 का क्रेडिट प्रदान करता है।
क्या स्पीच रिकग्निशन अरबी बोलियों को समझ सकता है?
हाँ, आधुनिक स्पीच रिकग्निशन मॉडल प्रमुख अरबी बोलियों को ट्रांसक्राइब कर सकते हैं, लेकिन सटीकता बोली और रिकॉर्डिंग की गुणवत्ता के आधार पर बहुत भिन्न होती है। पब्लिक बेंचमार्क सऊदी बोली की स्पीच पर, पढ़ी गई स्पीच की तुलना में बहुत अधिक एरर रेट दिखाते हैं। गल्फ, मिस्र, लेवेंटाइन और मगरेबी अरबी को अब आमतौर पर सपोर्ट किया जाता है। छोटी क्षेत्रीय किस्मों के लिए टेस्टिंग या एक फाइन-ट्यून्ड मॉडल की आवश्यकता हो सकती है।
अरबी स्पीच टू टेक्स्ट (speech to text) कितना सटीक है?
सटीकता ऑडियो पर निर्भर करती है। साफ़ पढ़ी गई स्पीच (clean read speech) पर, मज़बूत सिस्टम सिंगल-डिजिट वर्ड एरर रेट तक पहुँच जाते हैं। शोर वाले कॉल्स और बोलियों (dialect) वाली बातचीत में, अग्रणी सिस्टम के लिए भी 20% से 30% या उससे अधिक की एरर रेट सामान्य है। अपनी रिकॉर्डिंग पर WER और CER को मापें, और नंबरों तथा नामों की मैन्युअल रूप से जाँच करें।
मैं अरबी में WhatsApp वॉइस नोट्स को कैसे ट्रांसक्राइब करूँ?
वॉइस नोट फ़ाइल को एक्सपोर्ट करें या प्राप्त करें, इसे WAV या MP3 में बदलें, और इसे अरबी भाषा सेट किए हुए अरबी ट्रांसक्रिप्शन API को भेजें। ऐसे मॉडल का उपयोग करें जो अरबी स्क्रिप्ट को बनाए रखता है, ताकि टेक्स्ट सर्च और रूटिंग के लिए काम आ सके। BroadNet Inference API पर, प्रत्येक फ़ाइल 25 MiB तक हो सकती है, और अनुरोध के बाद ऑडियो स्टोर नहीं किया जाता है।
क्या Arabic speech to text अरबी में मिली हुई अंग्रेजी को हैंडल कर सकता है?
कई सिस्टम कर सकते हैं, लेकिन अरबी और अंग्रेजी मिली हुई स्पीच अभी भी सबसे कठिन मामलों में से एक है। एक सार्वजनिक द्विभाषी लीडरबोर्ड पर, अग्रणी सिस्टम ने कोड-स्विच्ड (code-switched) मिस्र की अरबी और अंग्रेजी पर लगभग 30% WER स्कोर किया। अपने टेस्ट में मिली-जुली स्पीच को शामिल करें, और यह जाँचें कि अरबी शब्द अरबी स्क्रिप्ट में ही रहें।
क्या BroadNet Inference API का उपयोग करते समय मेरा ऑडियो स्टोर किया जाता है?
नहीं। BroadNet.AI स्पष्ट करता है कि ऑडियो, प्रॉम्प्ट और ट्रांसक्रिप्ट को एक अनुरोध के लिए मेमोरी में रखा जाता है और फिर हटा दिया जाता है। कंटेंट को लॉग या ट्रेनिंग के लिए उपयोग नहीं किया जाता है, और हर घंटे एक ऑटोमेटेड ऑडिट इसकी जाँच करता है। BroadNet केवल कंटेंट-मुक्त रिकॉर्ड जैसे कि टाइमिंग, टोकन काउंट और लागत रखता है। प्रोसेसिंग अमेरिका में होती है, अनुरोध करने पर MENA या यूरोप में भी की जा सकती है।
BroadNet पर अरबी स्पीच टू टेक्स्ट की कीमत क्या है?
पब्लिक अरबी ट्रांसक्रिप्शन मॉडल की कीमत प्रति मिनट ऑडियो के लिए $0.0042 है, जो लगभग $0.25 प्रति घंटा है। कॉल ऑडियो पर प्रशिक्षित फाइन-ट्यून मॉडल की कीमत $0.005 प्रति मिनट है और यह अनुरोध पर उपलब्ध है। नए अकाउंट्स को $5 का फ्री क्रेडिट मिलता है, जो बिना किसी कार्ड के 30 दिनों के लिए वैध है, और इसमें लगभग 19 घंटे का अरबी ऑडियो कवर होता है।