عربی اسپیچ ٹو ٹیکسٹ API ریکارڈ شدہ عربی گفتگو کو عربی رسم الخط والے ٹیکسٹ میں تبدیل کر دیتا ہے جسے آپ کا سافٹ ویئر تلاش، خلاصہ اور اسٹور کر سکتا ہے۔ مشکل حصہ لہجہ ہے: خلیجی، مصری، شامی اور مغربئی گفتگو جدید معیاری عربی سے مختلف ہوتی ہے، اور بولنے والے انگریزی کا استعمال کرتے ہیں۔ اپنی آڈیو پر ورڈ ایرر ریٹ (word error rate) کا ٹیسٹ کر کے انتخاب کریں۔ BroadNet Inference API آپ کی آڈیو کو اسٹور کیے بغیر، ان لہجوں میں عربی کی ٹرانسکرپشن $0.0042 فی آڈیو منٹ پر فراہم کرتا ہے۔
حقائق کی جانچ 8 نومبر 2026 کو ان کے ذرائع سے کی گئی۔ تحقیقی حقائق Open Universal Arabic ASR Leaderboard اور اس کے پیپر، ایک دو لسانی عربی-انگریزی لیڈر بورڈ، اور ArzEn، Casablanca، MASC، SADA اور FLEURS ڈیٹا سیٹ صفحات سے لیے گئے ہیں، جن میں سے ہر ایک کا لنک متن کے اندر دیا گیا ہے۔ پروڈکٹ کے حقائق broadnet.ai/inference، اس کی قیمتوں، ماڈل، پرائیویسی اور ڈویلپر صفحات، اور اس کے llms.txt سے لیے گئے ہیں۔ قیمتیں اور رینکنگ تبدیل ہوتی رہتی ہیں، اس لیے خریداری سے پہلے لنک کیے گئے صفحے کو ضرور چیک کریں۔
یہ ٹیبل اس گائیڈ کا مختصر ورژن ہے۔ جب آپ کسی بھی عربی ٹرانسکرپشن سروس کا موازنہ کریں تو اسے چیک لسٹ کے طور پر استعمال کریں۔
| کیا ٹیسٹ کریں | عربی کے لیے یہ کیوں اہم ہے | اس کا ٹیسٹ کیسے کریں | BroadNet Inference API کی دستاویزات میں کیا شامل ہے |
|---|---|---|---|
| لہجے کی درستگی | لہجوں اور ریکارڈنگ کے حالات کے درمیان غلطی کی شرح میں بہت فرق آتا ہے | فی لہجہ، آپ کی اپنی آڈیو کے 1-3 گھنٹوں پر WER اور CER | خلیجی، مصری، شامی، مغربی اور جدید معیاری عربی |
| تحریر اور کوڈ سوئچنگ | بولنے والے انگریزی الفاظ کا استعمال کرتے ہیں؛ کچھ سسٹم لاطینی حروف پر منتقل ہو جاتے ہیں | غلط اسکرپٹ میں لکھے گئے الفاظ کی گنتی کریں | عربی ماڈل عربی اسکرپٹ میں رہتا ہے؛ ہمیشہ language=ar بھیجیں |
| نمبر، نام، کوڈز | ایک غلط ہندسہ فون نمبر، رقم یا آرڈر کو خراب کر سکتا ہے | اپنے ٹیسٹ سیٹ میں ہر نمبر اور نام کو دستی طور پر چیک کریں | درخواست پر، نمبروں، تاریخوں، ناموں اور کوڈز کے لیے فائن ٹیوننگ دستیاب ہے |
| اسپیکرز اور ٹائم اسٹیمپس | کال QA کو معلوم ہونا چاہیے کہ کس نے اور کب بات کی | اسپیکر لیبلز اور وقت کے لیے رسپانس فارمیٹ چیک کریں | دستاویز میں موجود نہیں: آؤٹ پٹ JSON یا سادہ متن کے طور پر عربی متن ہے |
| رفتار | بیچ جابز (Batch jobs) اور وائس ایجنٹس کے لیے مختلف رفتار کی ضرورت ہوتی ہے | مقررہ فائلوں کے سیٹ کا شروع سے آخر تک لگنے والا وقت | فی اسٹریم 45x ریئل ٹائم اور بیچ شدہ 190x، جس کی پیمائش BroadNet کے ذریعے کی جاتی ہے |
| ڈیٹا ہینڈلنگ اور ریجن | کونٹیکٹ سینٹر کی آڈیو اکثر ذاتی ڈیٹا ہوتی ہے | ریٹینشن سٹیٹمنٹ پڑھیں اور پوچھیں کہ پروسیسنگ کہاں ہوتی ہے | ڈیٹا ریٹینشن صفر؛ US GPUs؛ درخواست پر MENA یا یورپ |
| قیمت | آڈیو کے گھنٹے تیزی سے بڑھتے ہیں | اپنے اصل حجم کے لیے ایک ماہ کی قیمت | $0.0042 فی منٹ (تقریباً $0.25 فی گھنٹہ)؛ $5 مفت کریڈٹ |
عربی اسپیچ ریکگنیشن (speech recognition) انگریزی کے مقابلے میں زیادہ مشکل کیوں ہے؟
عربی اسپیچ ریکگنیشن اس لیے مشکل ہے کیونکہ ایک تحریری معیار کئی بولیوں پر مبنی ہے، اور تحریری عربی میں عام طور پر مختصر حروفِ علت (short vowels) چھوڑ دیے جاتے ہیں۔ ایک سسٹم کو بولیوں کی آوازوں اور الفاظ کو سننا ہوگا، اور پھر انہیں ایسی ہجے (spelling) میں لکھنا ہوگا جس کا کوئی ایک واحد معیار موجود نہیں ہے۔
Open Universal Arabic ASR Leaderboard paper کے مصنفین نے تین وجوہات بتائی ہیں: بھرپور مورفولوجی (morphology)، بولیوں کا فرق، اور تحریری متن میں اعراب (diacritics) کی کمی۔ وہ یہ بھی نوٹ کرتے ہیں کہ رسمی مواقع پر جدید معیاری عربی (Modern Standard Arabic) استعمال ہوتی ہے، جبکہ علاقائی بولیاں تلفظ اور ذخیرہ الفاظ دونوں میں مختلف ہوتی ہیں۔
عملی طور پر، یہ ایک ٹرانسکرپشن سسٹم کے لیے چار مسائل پیدا کرتا ہے:
- لہجے کے الفاظ۔ خلیجی، مصری یا مراکشی بولنے والا ایسے روزمرہ کے الفاظ استعمال کرتا ہے جو خبروں والی عربی میں کبھی نہیں آتے۔
- املا کے انتخاب۔ ایک ہی لہجے کا لفظ کئی طریقوں سے لکھا جا سکتا ہے۔
- کوڈ سوئچنگ۔ بولنے والے ایک ہی جملے کے اندر عربی اور انگریزی، یا عربی اور فرانسیسی کے درمیان تبدیل ہوتے رہتے ہیں۔
- شور والا آڈیو۔ کالز، اسٹریٹ ریکارڈنگز اور وائس نوٹس، اسٹوڈیو کی گفتگو کے مقابلے میں کہیں زیادہ مشکل ہوتے ہیں۔
اعداد و شمار اس فرق کو ظاہر کرتے ہیں۔ Open Universal Arabic ASR Leaderboard پر، جسے 8 نومبر 2026 کو چیک کیا گیا تھا، بہترین سسٹم نے Common Voice ٹیسٹ سیٹ پر تقریباً 5% WER اسکور کیا۔ SADA پر، جو کہ 10 لہجوں پر مشتمل سعودی ٹیسٹ سیٹ ہے، بہترین اسکور تقریباً 29% تھا۔ تمام 39 سسٹمز میں، SADA اسکور 89% تک گئے۔
آپ کے آڈیو میں کون سے عربی لہجے شامل ہیں؟
شروعات ان لہجوں کی فہرست بنانے سے کریں جو آپ کے صارفین حقیقت میں بولتے ہیں، پھر اس بات کو یقینی بنائیں کہ آپ کا ٹیسٹ سیٹ ہر لہجے کا احاطہ کرتا ہو۔
زیادہ تر خریداروں کو ان گروہوں کے مجموعے کی ضرورت ہوتی ہے:
- خلیجی: سعودی عرب، متحدہ عرب امارات، قطر، کویت، بحرین اور عمان، جن میں سعودی عرب کے اندر مضبوط علاقائی لہجے بھی شامل ہیں۔
- مصری: مصر، اور علاقائی فلموں اور ٹی وی میں بڑے پیمانے پر سنا جاتا ہے۔
- شامی (Levantine): لبنان، اردن اور فلسطین۔
- عراقی: ایک الگ گروہ جسے کچھ سروسز الگ سے فہرست میں شامل نہیں کرتیں۔
- مغربی (مغربی عربی): مراکش، الجزائر اور تیونس، جس میں فرانسیسی زبان کے بہت سے الفاظ شامل ہیں۔
- جدید معیاری عربی: خبریں، تقریریں، رسمی اعلانات اور پڑھے جانے والے متن کے لیے۔
Casablanca dataset میں 8 لہجوں میں تحریر شدہ گفتگو جمع کی گئی ہے، جن میں اماراتی، مصری، اردنی، مراکشی اور الجزائری شامل ہیں، اور اس میں کوڈ سوئچنگ (code-switching) کے لیبلز بھی موجود ہیں۔ ArzEn corpus میں 38 دو لسانی بولنے والوں کی 12 گھنٹوں کی خود ساختہ مصری عربی-انگریزی کوڈ سوئچڈ گفتگو شامل ہے۔
Code-switching مضبوط سسٹمز کے لیے بھی مشکل بنی ہوئی ہے۔ ایک عوامی دو لسانی عربی-انگریزی لیڈر بورڈ پر، صف اول کے سسٹمز نے ArzEn کی مخلوط مصری عربی اور انگریزی گفتگو پر تقریباً 30% WER اسکور کیا۔ یہی سسٹمز FLEURS سے عربی تحریری گفتگو پر تقریباً 6% اسکور کر سکے۔ اگر آپ کے کالرز زبانیں مکس کرتے ہیں، تو اپنی ٹیسٹ میں اس گفتگو کو بھی شامل کریں۔
آپ عربی ٹرانسکرپشن کی درستگی کو کیسے ناپتے ہیں؟
اپنی ریکارڈنگز کے ایک نمونے پر، انسانی طور پر چیک شدہ ریفرنس ٹرانسکرپٹ کے ساتھ، ورڈ ایرر ریٹ (WER) اور کیریکٹر ایرر ریٹ (CER) کی پیمائش کریں۔ عوامی لیڈر بورڈز صرف آپ کو شارٹ لسٹ بنانے میں مدد دیتے ہیں۔
WER ان الفاظ کی تعداد گنتا ہے جنہیں ایک سسٹم تبدیل، حذف یا شامل کرتا ہے، اور اسے ریفرنس میں موجود الفاظ کی کل تعداد پر تقسیم کر دیتا ہے۔ CER یہی کام کیریکٹر کی سطح پر کرتا ہے۔ CER عربی کے لیے مفید ہے کیونکہ ہیمزہ جیسی املا کی معمولی تبدیلی، WER میں ایک مکمل غلط لفظ کے طور پر شمار ہوتی ہے لیکن CER میں صرف ایک غلط کیریکٹر کے طور پر۔
ان مراحل پر عمل کریں:
- ہر لہجے کے لیے 1 سے 3 گھنٹے کی حقیقی آڈیو جمع کریں: کالز، وائس نوٹس یا میڈیا، اسی کوالٹی کے ساتھ جو آپ پروڈکشن میں بھیجیں گے۔
- مقامی بولنے والوں سے عربی اسکرپٹ میں ایک ریفرنس ٹرانسکرپٹ لکھوائیں۔ شروع کرنے سے پہلے املا کے اصولوں پر اتفاق کر لیں۔
- اسکورنگ سے پہلے دونوں ٹیکسٹ کو ایک ہی طریقے سے نارملائز کریں۔ لیڈر بورڈ پیپر پنکچویشن اور اعراب (diacritics) کو ہٹا دیتا ہے، ہیمزہ اور مدہ کی شکلوں کو نارملائز کرتا ہے، اور مشرقی عربی ہندسوں کو مغربی ہندسوں میں تبدیل کر دیتا ہے۔
- ہر سسٹم کو ایک ہی سیٹنگز کے ساتھ ایک ہی فائلوں پر اسکور کریں، اور صرف ایک اوسط کے بجائے ہر لہجے کے لیے WER اور CER کی رپورٹ فراہم کریں۔
- نمبروں، ناموں اور پروڈکٹ کوڈز کو دستی طور پر چیک کریں۔ کم WER ایک غلط ہندسے کو چھپا سکتا ہے جو دس چھوٹی غلطیوں سے زیادہ اہم ہو سکتا ہے۔
- ہر چند ماہ بعد ٹیسٹ کو دہرائیں۔ نئے ماڈلز اکثر ظاہر ہوتے ہیں، اور لیڈر بورڈ کے رینک تبدیل ہوتے رہتے ہیں۔
پبلش کیے گئے اعداد و شمار کے پیچھے موجود حالات کو ہمیشہ نوٹ کریں۔ لیڈر بورڈ ملٹی ڈائیالیکٹ ٹیسٹ سیٹس استعمال کرتا ہے جیسے کہ MASC، جس میں 700 سے زیادہ YouTube چینلز سے تقریباً 1,000 گھنٹوں کی آواز شامل ہے، اور SADA۔ صاف ستھری آواز (clean read speech) پر حاصل کردہ اسکور شور والی کال کے بارے میں بہت کم معلومات فراہم کرتا ہے۔
درستگی (accuracy) کے علاوہ آپ کو مزید کیا چیک کرنا چاہیے؟
چیک کریں کہ آؤٹ پٹ میں کیا شامل ہے، یہ کتنی تیزی سے پہنچتا ہے، کون سے فائل فارمیٹس قبول کیے جاتے ہیں اور آڈیو کہاں پروسیس ہوتی ہے۔ یہ تفصیلات طے کرتی ہیں کہ آیا ٹرانسکرپٹ آپ کے ورک فلو کے مطابق ہے یا نہیں۔
- اسپیکر لیبلز (diarization)۔ کال کی کوالٹی کے جائزے کے لیے یہ جاننا ضروری ہے کہ کس نے کیا کہا۔ اگر کوئی سروس اسپیکرز کو لیبل نہیں کرتی، تو ایجنٹ اور کسٹمر کو الگ الگ چینلز پر رکھتے ہوئے کالز کو اسٹیریو (stereo) میں ریکارڈ کریں، اور پھر ہر چینل کو ٹرانسکرائب کریں۔
- ٹائم اسٹیمپس (Timestamps)۔ میڈیا سب ٹائٹلز اور آڈیو سرچ کے لیے الفاظ یا سیگمنٹ کے وقت کی ضرورت ہوتی ہے۔ سسٹم بنانے سے پہلے رسپانس فارمیٹ کو چیک کریں۔
- Batch یا لائیو۔ رات بھر کے کال تجزیے کے لیے تھرو پٹ (throughput) کی ضرورت ہوتی ہے۔ ایک لائیو وائس ایجنٹ کو فوری جوابات کی ضرورت ہوتی ہے۔
- فائل فارمیٹس اور سائز۔ قبول کیے جانے والے فارمیٹس اور فائل کے زیادہ سے زیادہ سائز کو چیک کریں، اور لمبی ریکارڈنگز کو تقسیم کرنے کا منصوبہ بنائیں۔
- ڈیٹا ریٹینشن۔ پوچھیں کہ آیا آڈیو یا ٹرانسکرپٹس کو اسٹور، لاگ یا ٹریننگ کے لیے استعمال کیا جاتا ہے، اور اس کا جواب تحریری صورت میں حاصل کریں۔
- پروسیسنگ ریجن۔ بہت سے بینک، حکومتیں اور صحت فراہم کرنے والے اداروں کو ڈیٹا کو ایک مخصوص ملک یا ریجن میں رکھنا ضروری ہوتا ہے۔ اپنی قانونی ٹیم سے پوچھیں کہ کون سے قوانین لاگو ہوتے ہیں۔
عربی اسپیچ ٹو ٹیکسٹ (speech to text) کہاں فائدہ مند ثابت ہوتا ہے؟
عربی ٹرانسکرپشن وہاں فائدہ مند ہے جہاں لوگ پہلے سے ٹائپ کرنے کے مقابلے میں زیادہ بولتے ہیں: جیسے کانٹیکٹ سینٹرز، میڈیا آرکائیوز اور وائس میسجز۔ ہر صورت میں، ٹرانسکرپٹ ایسا ڈیٹا بن جاتا ہے جسے آپ سرچ کر سکتے ہیں، چیک کر سکتے ہیں اور دیگر ٹولز میں فیڈ کر سکتے ہیں۔
- کانٹیکٹ سینٹر QA۔ ہر کال کا ٹرانسکرپشن کریں، نہ کہ صرف ایک چھوٹا نمونہ۔ شکایات کے الفاظ تلاش کریں اور چیک کریں کہ ایجنٹس مطلوبہ بیانات پڑھ رہے ہیں۔
- میڈیا اور آرکائیوز۔ انٹرویوز، پوڈکاسٹ اور براڈکاسٹ کو سرچ ایبل (searchable) بنائیں۔
- WhatsApp وائس نوٹس۔ صارفین اکثر ٹائپ کرنے کے بجائے وائس نوٹس بھیجتے ہیں۔ انہیں ٹرانسکرائب کرنے سے سپورٹ ٹیم یا AI ایجنٹ انہیں پڑھ سکتے ہیں، روٹ کر سکتے ہیں اور ان کا جواب دے سکتے ہیں۔
- وائس ایجنٹس۔ ایک AI ایجنٹ صرف اسی صورت میں صحیح طریقے سے کام کر سکتا ہے اگر وہ فون نمبر، رقم یا تاریخ کو صحیح طریقے سے سن سکے۔
اگر آپ ٹرانسکرپٹس پر مبنی AI ایجنٹس کے بارے میں منصوبہ بندی کر رہے ہیں، تو ہمارے انٹرپرائز ایجنٹک AI پلیٹ فارم اور ہاسپیٹلٹی، ریٹیل اور ہیلتھ کیئر کے لیے ٹرن کی AI ایجنٹس کے بارے میں گائیڈز پڑھیں۔
BroadNet Inference API عربی کو کیسے ٹرانسکرائب کرتا ہے؟
BroadNet Inference API ایک API ہے جو ان GPUs پر اسپیچ، دستاویز اور چیٹ ماڈلز چلاتا ہے جنہیں BroadNet آپریٹ کرتا ہے۔ عربی آڈیو کے لیے، آپ عربی ماڈل اور language=ar کے ساتھ ٹرانسکرپشن اینڈ پوائنٹ پر ایک فائل بھیجتے ہیں، اور آپ کو عربی اسکرپٹ میں ٹیکسٹ واپس مل جاتا ہے۔ یہ عام چیٹ-کمپلیشنز اور آڈیو-ٹرانسکرپشنز ریکوئسٹ فارمیٹ استعمال کرتا ہے، اس لیے جب آپ بیس URL تبدیل کر لیں گے تو موجودہ کلائنٹ لائبریریز کام کریں گی۔
یہ حقائق BroadNet.AI کے اپنے صفحات سے لیے گئے ہیں۔
- لہجے۔ Inference API پیج کے مطابق، عربی ماڈل خلیجی، مصری، شامی، مغربی اور جدید معیاری عربی کو کور کرتا ہے۔
- عربی اسکرپٹ۔ ویب سائٹ کے مطابق عربی ماڈل عربی اسکرپٹ میں ہی رہتا ہے، جبکہ ملٹی لینگول (multilingual) ماڈل مخلوط گفتگو کے دوران انگریزی کی طرف مائل ہو سکتا ہے۔ یہ عربی کے لیے عربی ماڈل کی سفارش کرتا ہے۔
- ماڈل۔ عربی ماڈل Apache-2.0 لائسنس کے تحت 2 بلین پیرامیٹرز کے ساتھ ایک اوپن ویٹ ماڈل ہے، جسے BroadNet ہارڈ ویئر پر فراہم کیا جاتا ہے۔
- پیمائش شدہ درستگی۔ BroadNet کے اپنے بینچ مارک میں، ماڈل نے حقیقی لہجے والی گفتگو (MASC) پر 21.1 WER، خلیجی، مصری اور شامی مجموعے پر 23.4، اور صاف پڑھی گئی گفتگو (FLEURS عربی) پر 3.8 اسکور کیا ہے۔
- عوامی درجہ بندی۔ 8 نومبر 2026 کو Open Universal Arabic ASR Leaderboard نے اسی بنیادی ماڈل کو 39 سسٹمز میں سے چوتھے نمبر پر رکھا، جس کی اوسط WER 24.19% ہے۔
- رفتار۔ BroadNet فی اسٹریم 45x ریئل ٹائم اور جب آپ متوازی (parallel) درخواستیں بھیجتے ہیں تو تقریباً 190x ریئل ٹائم رپورٹ کرتا ہے۔
- درخواست پر فائن ٹیوننگ۔ حقیقی کال آڈیو پر تربیت یافتہ BroadNet فائن ٹیون، ٹیلی فون لائنوں اور شور والے وائس نوٹس میں فون نمبروں، رقوم، تاریخوں، آرڈر کوڈز اور ناموں کو ہدف بناتی ہے۔ یہ ایک پرائیویٹ ماڈل ID کے طور پر جاری کیا جاتا ہے اور اسے آپ کی اپنی ریکارڈنگز پر مزید ٹیون کیا جا سکتا ہے۔
- چیٹ اور دستاویزات۔ وہی API ویژن لینگویج ماڈلز کو فراہم کرتا ہے، بشمول Gemma 4 VL 26B، جو عربی اور انگریزی دستاویزات پڑھتے ہیں اور JSON فیلڈز واپس کرتے ہیں۔
ڈیٹا کے بارے میں، data-handling statement کہتا ہے کہ پرامپٹس، آڈیو، تصاویر اور ٹرانسکرپٹس کو ایک درخواست کے لیے میموری میں رکھا جاتا ہے اور پھر ختم کر دیا جاتا ہے۔ مواد کو لاگ نہیں کیا جاتا اور نہ ہی تربیت کے لیے استعمال کیا جاتا ہے، اور ایک خودکار آڈٹ ہر گھنٹے اس کنفیگریشن کو چیک کرتا ہے۔ BroadNet صرف مواد سے پاک ریکارڈز جیسے کہ ٹائمنگ، ٹوکن کی تعداد اور لاگت کو رکھتا ہے۔ پروسیسنگ امریکہ میں BroadNet کے زیر انتظام ہارڈ ویئر پر ہوتی ہے، اور درخواست پر مشرق وسطیٰ اور شمالی افریقہ (MENA) یا یورپ میں علاقائی پروسیسنگ دستیاب ہے۔
بڑے یا ریگولیٹڈ ورک لوڈز کے لیے، ایک پرائیویٹ اینڈ پوائنٹ آپ کو مخصوص GPU یا نوڈ، آپ کا منتخب کردہ ماڈل (عربی فائن ٹیونز سمیت)، آپ کی اپنی کی (key) اور حدود، اور وہ ریجن فراہم کرتا ہے جس کی آپ کو ضرورت ہے۔
BroadNet پر عربی ٹرانسکرپشن کی قیمت کیا ہے؟
عوامی عربی ماڈل کی قیمت فی آڈیو منٹ $0.0042 ہے، جو کہ تقریباً $0.25 فی گھنٹہ بنتی ہے۔ نئے اکاؤنٹس کو $5 کا مفت کریڈٹ ملتا ہے، جو 30 دنوں کے لیے کارآمد ہے اور اس کے لیے کسی کارڈ کی ضرورت نہیں ہے، جیسا کہ قیمتوں کے صفحے پر بتایا گیا ہے کہ یہ عربی اسپیچ ٹو ٹیکسٹ کے تقریباً 19 گھنٹوں کے لیے کافی ہے۔
| آپشن | قیمت (USD) | دستیابی |
|---|---|---|
| عربی ٹرانسکرپشن ماڈل | $0.0042 فی آڈیو منٹ | لائیو، عوامی ماڈل ID |
| عربی ماڈل، کالز کے لیے BroadNet فائن ٹیون | $0.005 فی آڈیو منٹ | درخواست پر، پرائیویٹ ماڈل ID |
| کثیر لسانی ٹرانسکرپشن (14 زبانیں) | $0.002 فی آڈیو منٹ | لائیو، پبلک ماڈل ID |
| Gemma 4 VL 26B (چیٹ، تصاویر، دستاویزات) | $0.10 ان پٹ / $0.22 آؤٹ پٹ فی 1M ٹوکنز | لائیو، پبلک ماڈل ID |
| فی گھنٹہ کی (صرف Gemma 4 کے لیے) | $0.50 فی ایک گھنٹہ کی کی (key) | لائیو، API کے ذریعے تیار کردہ |
| پرائیویٹ اینڈ پوائنٹ | آپ کے ٹریفک کے مطابق کوٹ کیا گیا | درخواست پر دستیاب ہے |
مثال کے طور پر، ماہانہ 10,000 منٹ کی عربی کالز کے لیے پبلک عربی ماڈل پر شائع شدہ ریٹ کے مطابق $42 لاگت آئے گی۔ حجم کے مطابق قیمتیں اور ریزروڈ کیپیسٹی کی قیمتیں درخواست پر دستیاب ہیں۔
BroadNet Inference API کیا نہیں کرتا
API ایک فائل پر مبنی ٹرانسکرپشن اور ماڈل سرونگ سروس ہے، اور کچھ فیچرز جن کی خریدار توقع کرتے ہیں، ان کی دستاویزات (documentation) موجود نہیں ہیں۔
- اسپیکر لیبلز یا ٹائم اسٹیمپس کی کوئی دستاویزات موجود نہیں ہیں۔ ماڈل کے صفحات آؤٹ پٹ کو JSON میں عربی اسکرپٹ ٹیکسٹ یا سادہ ٹیکسٹ کے طور پر بیان کرتے ہیں۔
- لائیو اسٹریمنگ ٹرانسکرپشن کی کوئی دستاویزات موجود نہیں ہیں۔ آپ ہر درخواست کے لیے ایک آڈیو فائل اپ لوڈ کرتے ہیں۔ اسٹریمنگ چیٹ کے لیے دستاویز شدہ ہے، آڈیو کے لیے نہیں۔
- لہجوں کی فہرست۔ عراقی عربی اور دیگر علاقائی اقسام کا ویب سائٹ پر الگ سے نام نہیں دیا گیا ہے۔ انہیں اپنی آڈیو کے ساتھ ٹیسٹ کریں۔
- فارمیٹس اور سائز۔ ڈویلپر ریفرنس دستاویزات میں WAV اور MP3 کا ذکر ہے جس میں فائل کا زیادہ سے زیادہ سائز 26,214,400 بائٹس (25 MiB) ہے۔ ماڈل کے صفحے پر M4A، OGG اور FLAC بھی درج ہیں، لیکن ریفرنس کے مطابق براہ راست API کے لیے دیگر کنٹینرز کی دستاویزات ابھی موجود نہیں ہیں۔ محفوظ رہنے کے لیے WhatsApp وائس نوٹس کو WAV یا MP3 میں تبدیل کریں۔
- ڈیفالٹ ریجن۔ معیاری پروسیسنگ United States میں ہوتی ہے۔ علاقائی پروسیسنگ کے لیے درخواست کی ضرورت ہوتی ہے۔
- حدود۔ پے ایز یو گو (pay-as-you-go) کی ایک منٹ میں 30 درخواستوں اور ایک وقت میں 4 درخواستوں کی اجازت دیتی ہے، اور ایک اکاؤنٹ میں 10 لائیو کیز (keys) تک ہو سکتی ہیں۔
- رسائی کو بہتر بنائیں۔ کال کے لیے ٹیون کیا گیا عربی ماڈل خودکار (self-serve) نہیں ہے۔ آپ اپنی آڈیو کے نمونے کے ساتھ اس کی درخواست کر سکتے ہیں۔
آپ کیسے شروع کر سکتے ہیں؟
اکاؤنٹ بنانے سے پہلے آپ اپنی آواز میں عربی ماڈل سن سکتے ہیں۔
- voice playground کھولیں۔ ایک منٹ تک کی تقریر ریکارڈ کریں یا وائس نوٹ اپ لوڈ کریں۔ کسی سائن اپ یا کارڈ کی ضرورت نہیں ہے۔
- inference.broadnet.ai پر Google یا ای میل کے ذریعے سائن ان لنک کے ساتھ اکاؤنٹ بنائیں۔ $5 کا کریڈٹ بغیر کسی کارڈ کے شامل کر دیا جاتا ہے۔
- اپنے اکاؤنٹ میں API کی (key) بنائیں۔ اپنے سرور کے IP ایڈریسز شامل کریں تاکہ اس کی (key) کو کہیں اور سے مسترد کر دیا جائے۔
- developer reference پر عمل کریں: بیس URL کو https://inference.broadnet.ai/v1 پر سیٹ کریں اور کسی بھی کلائنٹ لائبریری کا استعمال کریں جو عام chat-completions فارمیٹ کو سپورٹ کرتی ہو۔
- ہر فائل کو عربی ماڈل ID اور language=ar کے ساتھ /v1/audio/transcriptions پر بھیجیں۔ language=ar کے بغیر، ماڈل عربی کو لاطینی حروف میں لکھ سکتا ہے۔
- اپنے لہجے کے مطابق WER اور CER کا ٹیسٹ چلائیں، پھر اگر آپ کو ضرورت ہو تو کال کے مطابق ٹیون شدہ ماڈل یا پرائیویٹ اینڈ پوائنٹ (private endpoint) کا مطالبہ کریں۔
BroadNet.AI، BroadNet گروپ برانڈز میں سے ایک ہے۔ ٹرانسکرپشن کے اوپر ایجنٹ تعیناتی کے لیے، BroadNet AI اور 14 مارکیٹوں میں عربی لہجوں کے فرق پر BroadNet.AI کے نوٹس دیکھیں۔
آج ہی اپنی آڈیو پر اسے آزمائیں۔ BroadNet Inference API کھولیں، اپنے صارفین کے لہجے میں ایک وائس نوٹ ریکارڈ کریں، اور سیکنڈوں میں ٹرانسکرپٹ پڑھیں۔ پھر اپنی تقریباً 19 گھنٹوں کی اصل کالز کو ٹیسٹ کرنے کے لیے $5 کے مفت کریڈٹ کا استعمال کریں۔ مکمل پلیٹ فارم کا موازنہ کرنے کے لیے BroadNet.AI پر جائیں۔
اکثر پوچھے جانے والے سوالات
بہترین عربی اسپیچ ٹو ٹیکسٹ (speech to text) API کون سا ہے؟
بہترین عربی اسپیچ ٹو ٹیکسٹ API وہ ہے جس میں آپ کی اپنی آڈیو اور آپ کے لہجوں پر غلطی کی شرح (error rate) سب سے کم ہو، اور قیمت ایسی ہو جسے آپ برداشت کر سکیں۔ عوامی لیڈر بورڈز اکثر تبدیل ہوتے رہتے ہیں، اس لیے انہیں صرف شارٹ لسٹ بنانے کے لیے استعمال کریں۔ پھر انہی ریکارڈنگز پر 2 یا 3 سروسز کو ٹیسٹ کریں۔ BroadNet Inference API اس قسم کے ٹیسٹ کے لیے مفت براؤزر ڈیمو اور $5 کا کریڈٹ فراہم کرتا ہے۔
کیا اسپیچ ریکگنیشن (speech recognition) عربی لہجوں کو سمجھ سکتا ہے؟
جی ہاں، جدید اسپیچ ریکگنیشن ماڈلز اہم عربی لہجوں کی ٹرانسکرپشن کر سکتے ہیں، لیکن درستگی لہجے اور ریکارڈنگ کے معیار کے لحاظ سے بہت مختلف ہوتی ہے۔ عوامی بینچ مارکس سے پتہ چلتا ہے کہ سعودی لہجے کی گفتگو پر پڑھی گئی گفتگو کے مقابلے میں غلطی کی شرح بہت زیادہ ہوتی ہے۔ خلیجی، مصری، شامی اور مغربئی عربی کو اب عام طور پر سپورٹ کیا جاتا ہے۔ چھوٹے علاقائی لہجوں کے لیے ٹیسٹنگ یا ایک فائن ٹیونڈ ماڈل کی ضرورت ہو سکتی ہے۔
عربی اسپیچ ٹو ٹیکسٹ (speech to text) کتنا درست ہے؟
درستگی کا انحصار آڈیو پر ہے۔ صاف آواز کی ریکارڈنگ پر، مضبوط سسٹم ایک ہندسے تک کی ورڈ ایرر ریٹ (word error rate) تک پہنچ جاتے ہیں۔ شور والی کالز اور مقامی لہجوں والی گفتگو میں، 20% سے 30% یا اس سے زیادہ کی ایرر ریٹ عام ہے، یہاں تک کہ صف اول کے سسٹمز میں بھی۔ اپنی ریکارڈنگز پر WER اور CER کی پیمائش کریں، اور نمبروں اور ناموں کو دستی طور پر چیک کریں۔
میں عربی میں WhatsApp وائس نوٹس کو کیسے ٹرانسکرائب کر سکتا ہوں؟
وائس نوٹ فائل کو ایکسپورٹ کریں یا وصول کریں، اسے WAV یا MP3 میں تبدیل کریں، اور اسے عربی زبان پر سیٹ کیے گئے عربی ٹرانسکرپشن API کو بھیجیں۔ ایسا ماڈل استعمال کریں جو عربی اسکرپٹ کو برقرار رکھے، تاکہ ٹیکسٹ سرچ اور روٹنگ کے لیے کارآمد ہو۔ BroadNet Inference API پر، ہر فائل 25 MiB تک ہو سکتی ہے، اور درخواست کے بعد آڈیو اسٹور نہیں کی جاتی۔
کیا عربی اسپیچ ٹو ٹیکسٹ (speech to text) عربی اور انگریزی کے ملے جلے استعمال کو ہینڈل کر سکتا ہے؟
بہت سے سسٹمز کر سکتے ہیں، لیکن عربی اور انگریزی کی ملی جلی گفتگو اب بھی مشکل ترین کیسز میں سے ایک ہے۔ ایک عوامی دو لسانی لیڈر بورڈ پر، صف اول کے سسٹمز نے کوڈ سوئچڈ (code-switched) مصری عربی اور انگریزی پر تقریباً 30% WER اسکور کیا۔ اپنے ٹیسٹ میں ملی جلی گفتگو کو شامل کریں، اور اس بات کو یقینی بنائیں کہ عربی الفاظ عربی اسکرپٹ میں ہی رہیں۔
جب میں BroadNet Inference API استعمال کرتا ہوں تو کیا میرا آڈیو اسٹور کیا جاتا ہے؟
نہیں۔ BroadNet.AI کے مطابق آڈیو، پرامپٹس اور ٹرانسکرپٹس کو ایک درخواست کے لیے میموری میں رکھا جاتا ہے اور پھر ختم کر دیا جاتا ہے۔ مواد کو لاگ نہیں کیا جاتا اور نہ ہی ٹریننگ کے لیے استعمال کیا جاتا ہے، اور ایک خودکار آڈٹ ہر گھنٹے میں اس کی جانچ کرتا ہے۔ BroadNet صرف مواد سے پاک ریکارڈز جیسے کہ ٹائمنگ، ٹوکن کی تعداد اور لاگت کو برقرار رکھتا ہے۔ پروسیسنگ امریکہ میں ہوتی ہے، اور درخواست پر مشرق وسطیٰ اور شمالی افریقہ (MENA) یا یورپ میں بھی کی جا سکتی ہے۔
BroadNet پر عربی اسپیچ ٹو ٹیکسٹ (speech to text) کی قیمت کیا ہے؟
عربی ٹرانسکرپشن کے عوامی ماڈل کی قیمت آڈیو کے فی منٹ $0.0042 ہے، جو کہ تقریباً $0.25 فی گھنٹہ بنتی ہے۔ کال آڈیو پر تربیت یافتہ فائن ٹیون (fine-tune) ماڈل کی قیمت فی منٹ $0.005 ہے اور یہ درخواست پر دستیاب ہے۔ نئے اکاؤنٹس کو $5 کا مفت کریڈٹ ملتا ہے، جو 30 دنوں کے لیے کارآمد ہے اور اس کے لیے کسی کارڈ کی ضرورت نہیں ہے، جس میں تقریباً 19 گھنٹے کی عربی آڈیو کا احاطہ ہوتا ہے۔