معظم الصفحات التي تتصدر نتائج البحث عن «ترجمة الصوت العربي إلى الإنجليزية» أدوات ويب للرفع والتنزيل. وهي مناسبة لملف واحد. أما إن احتجت الترجمة داخل منتجك (مكالمات الدعم، والمقابلات، والرسائل الصوتية، والمحاضرات)، فأنت تحتاج استدعاءين للـ API وبعض الفحوص حولهما. يبني هذا المقال ذلك المسار بمفتاح واحد متوافق مع OpenAI، ويختبره، ويوضح كيف تقيس إن كان جيدًا بما يكفي.
لترجمة نص عربي موجود لديك أصلًا، راجع الترجمة بين العربية والإنجليزية بنماذج LLM. ولتحويل تسجيل اجتماع إلى محضر بدل ترجمة كاملة، راجع محاضر الاجتماعات العربية من التسجيلات.
استدعاء واحد أم اثنان؟
هناك طريقتان للحصول على نص إنجليزي من كلام عربي:
| الطريقة | كيف تعمل | تناسب |
|---|---|---|
| ترجمة الكلام (خطوة واحدة) | طلب واحد؛ وتعيد الخدمة نصًا إنجليزيًا | الصوت الحي، والترجمة النصية المباشرة، وأبسط شيفرة |
| التفريغ ثم الترجمة (خطوتان) | استدعاء تحويل الكلام إلى نص يعيد نصًا عربيًا، ثم يترجمه نموذج LLM | الملفات، حين تريد النص العربي أيضًا، والمسارد والفحوص |
أشهر نقطة نهاية للملفات بخطوة واحدة تتغير. يقول دليل تحويل الكلام إلى نص من OpenAI إن /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (الترجمة: «تستخدم whisper-1 لترجمة تسجيل صوتي مكتمل إلى الإنجليزية»). وتذكر صفحة الميزات المُهملة، التي راجعناها في 2026-11-15، تاريخ إشعار في 26 أغسطس 2026 وتاريخ إيقاف في 26 فبراير 2027. والبديل المذكور هو /v1/realtime/translations، وهي واجهة API فورية، لا رفع ملفات. إن كانت شيفرتك تستدعي نقطة النهاية القديمة، فأنت ستعيد بناءها في الحالتين.
Soniox خيار حالي بخطوة واحدة: تعرض صفحتها للترجمة من العربية إلى الإنجليزية طلب WebSocket مع كتلة ترجمة مضبوطة على المصدر ar والهدف en. والصوت الحي هو المجال الذي يكون فيه منتج بث كهذا أكثر منطقية.
للمسار ذي الخطوتين ثلاث مزايا عملية مع الملفات:
- تحتفظ بالنص العربي المفرّغ. يمكنك البحث فيه، وعرضه بجانب النص الإنجليزي، وإعادة ترجمته لاحقًا بنموذج أفضل دون أن تدفع ثمن التفريغ مجددًا.
- تتحكم في الترجمة. تختار النموذج، وتعطيه مسردًا بالأسماء ومصطلحات المنتج، وتفحص مخرجاته بالشيفرة.
- ترى من أين تأتي الأخطاء. الجملة الإنجليزية الخاطئة إما خطأ في التعرّف على الكلام وإما خطأ في الترجمة. ومع النص المفرّغ بين يديك تستطيع التمييز بينهما.
الثمن طلب ثانٍ وشيفرة أكثر. وبقية هذا المقال هي تلك الشيفرة.
كيف يبدو المسار؟
recording (.m4a, .mp4, .ogg, .wav)
→ ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
→ transcribe each part (language=ar) → Arabic text
→ translate each part, with glossary and the end of the previous part as context
→ check numbers and empty or cut-off replies → English text
الخطوة 1: كيف تجهّز الصوت وتقسّمه؟
نقطة نهاية التفريغ لدى BroadNet تقبل WAV (audio/wav) أو MP3 (audio/mpeg) حتى 26,214,400 بايت لكل ملف. تسجيلات الهاتف (.m4a) ورسائل واتساب الصوتية (.ogg) والفيديو تحتاج إلى تحويل على أي حال، فأعد ضبط التردد وقسّم في خطوة ffmpeg نفسها:
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
-f segment -segment_time 600 chunks/part_%03d.wav
الصوت أحادي القناة بتردد 16 kHz وعمق 16 بت يساوي 32,000 بايت في الثانية، فالجزء ذو العشر دقائق نحو 19.2 MB، أي دون الحد. شغّلنا هذا الأمر على ملف اختبار مدته 25 دقيقة: فأنتج جزأين حجمهما 19,200,162 و19,200,194 بايت، وجزءًا من 5 دقائق حجمه 9,599,878 بايت.
القطع بطول ثابت قد يقسم كلمة. للكلام الحقيقي، اقطع عند فترات الصمت بدلًا من ذلك؛ يتضمن مقال تفريغ الملفات الصوتية الطويلة مُقسِّمًا يعتمد على الصمت، وتكتب لك أداة تقسيم الصوت أمر ffmpeg. وتجد في المسرد خلفية عن معدل العينات وسبب كفاية 16 kHz للكلام.
الخطوتان 2 و3: كيف تفرّغ وتترجم؟
ترسل الشيفرة أدناه كل جزء إلى نموذج التفريغ العربي، ثم إلى نموذج محادثة مع أمر ترجمة. وهي تعمل مع OpenAI Python SDK.
import os, re, glob
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"} # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""
def glossary_block(text: str) -> str:
hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""
def transcribe(path: str) -> str:
with open(path, "rb") as audio:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=audio, language="ar").text
def translate(arabic: str, previous: str = "") -> str:
context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
choice = r.choices[0]
if choice.finish_reason == "length" or not choice.message.content:
raise RuntimeError("cut off: raise max_tokens or send a shorter part")
return choice.message.content.strip()
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
nums = re.findall(r"\d+", arabic.translate(DIGITS))
return [x for x in nums if x not in re.findall(r"\d+", english)]
previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
arabic = transcribe(chunk)
english = translate(arabic, previous)
print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
if gaps := missing_numbers(arabic, english):
print(f"CHECK: numbers {gaps} missing from the translation")
previous = arabic[-500:]
وظيفة كل جزء:
language="ar". تقول وثائق BroadNet أرسلlanguageدائمًا مع طلب التفريغ. ويشرح دليل تحويل الكلام العربي إلى نص الطلب بالتفصيل.- الأمر يذكر مصدر النص. النص المفرّغ بلا علامات ترقيم، وقد يكون بلهجة، وقد يحتوي أخطاء في التعرّف. إخبار النموذج بذلك يمنعه من معاملة العبارات الغريبة على أنها مقصودة، وتعطي علامة
[unclear]المراجعين شيئًا يبحثون عنه. - احتفظ بالكلمات الإنجليزية. كثيرًا ما ينتقل المتحدثون بالعربية إلى الإنجليزية في منتصف الجملة («الـ deadline»، «فريق الـ QA»). هذا هو التبديل اللغوي، ويجب أن يترك النموذج تلك الكلمات كما هي، لا أن يترجمها ذهابًا وإيابًا.
- مسرد لكل جزء. تُرسل فقط مدخلات المسرد التي تظهر في الجزء، ما يُبقي الأوامر قصيرة. المطابقة حرفية، فإن اختلف الإملاء في نصوصك المفرّغة (أ مقابل ا، ة مقابل ه)، فوحّد الطرفين أولًا؛ تعرض أداة توحيد النص العربي القواعد المعتادة.
- الجزء السابق سياقًا. آخر 500 حرف من الجزء العربي السابق تساعد في الضمائر والجمل المقطوعة عند حدود الأجزاء. ويقول الأمر لا تترجمه، فلا يظهر مرتين.
max_tokens=4000وreasoning_effort="low". تذكر وثائق BroadNet أن DeepSeek V4.1 Flash وGLM 5.3 وQwen3.8 27B تُجري استدلالًا منطقيًا قبل الإجابة وأن الاستدلال يُحتسب ضمنmax_tokens. وقد يعيد حدٌّ صغير إجابة فارغة؛ راجع رموز الاستدلال المنطقي والردود الفارغة. تطلق الشيفرة خطأً عند رد فارغ أو مقطوع بدل حفظ نصف ترجمة.- فحص الأرقام. الأرقام هي حيث تُحدث الترجمة الخاطئة أكبر ضرر. يحوّل الفحص الأرقام العربية الهندية (٠-٩) والفارسية (۰-۹) إلى 0-9 ويتأكد من ظهور كل رقم في النص الإنجليزي. الأرقام المنطوقة كلماتٍ («خمسة عشر») لن تُلتقط، لذا يظل المراجع يقرأ كل ما يهم.
ماذا أظهر الاختبار؟
شغّلنا الشيفرة على خادم محاكاة محلي ينفّذ نقطتي النهاية كلتيهما (دون استدعاء حي للـ API). أُرسلت الأجزاء الثلاثة من ملف الاختبار ذي الخمس والعشرين دقيقة مع model=broadnet/cohere-transcribe-arabic وlanguage=ar، وحمل كل طلب محادثة أسطر المسرد الخاصة بذلك الجزء والجزء العربي السابق سياقًا. أسقطت الترجمة الثالثة من المحاكاة رقمًا عمدًا، فطبعت الشيفرة:
--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation
الجمل العربية والشركة مختلقة للاختبار. يُظهر التشغيل أن الشيفرة تعمل، لا مدى جودة ترجمة أي نموذج؛ ولذلك استخدم خطوة التقييم أدناه.
كيف تؤثر أخطاء التعرّف على الكلام في الترجمة؟
تمرّ كما هي. إن قال النص المفرّغ ٢١٤ حيث قال المتحدث ٢٤٠، فستقول الترجمة بأمانة 214. وإن سُمعت كلمة من اللهجة خطأً على أنها كلمة فصيحة قريبة الصوت، فستكون الترجمة سلسة وخاطئة. الإنجليزية السلسة تجعل هذه الأخطاء صعبة الاكتشاف، وهذا هو الخطر الرئيسي في أي نظام لترجمة الكلام.
يمكنك قياس حصة كل خطوة من الخطأ. اجمع 30 مقطعًا أو أكثر، واحصل لكل منها على:
- نص عربي مفرّغ بشريًا،
- ترجمة إنجليزية بشرية (المرجع).
ثم ترجم بمسارك النصَّ المفرّغ بشريًا والنصَّ المفرّغ آليًا كليهما، وقيّم الاثنين مقابل المرجع. يتعامل chrF، وهو مقياس يعتمد على n-gram الحروف، مع الأسماء وصيغ الكلمات أفضل من BLEU، وهو الخيار الافتراضي المعتاد للعربية والإنجليزية؛ ويحسب SacreBLEU الاثنين:
from sacrebleu.metrics import BLEU, CHRF
# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
"The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
"The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
"The deadline is 15 December, and Mazen is following up with the key team."]
chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f} BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")
على هاتين الجملتين التجريبيتين (SacreBLEU 2.6.0)، طبعت الشيفرة chrF 94.6 وBLEU 89.2 لمسار النص المفرّغ بشريًا، وchrF 87.1 وBLEU 71.7 للمسار الكامل. جملتان تجريبيتان لا تثبتان شيئًا عن أي نموذج. أما على مقاطعك أنت، فالفجوة الكبيرة تعني أن عليك تحسين التعرّف على الكلام: صوت أفضل، أو مجموعة اختبار للهجات كما في التعرّف على كلام اللهجات العربية، أو مزوّد آخر. والفجوة الصغيرة مع نتائج منخفضة عمومًا تعني أن خطوة الترجمة تحتاج عملًا: أمرًا أفضل، أو مسردًا، أو نموذجًا مختلفًا. ولتقييم خطوة التفريغ وحدها، استخدم معدل خطأ الكلمات.
المقاييس الآلية ترتّب الأنظمة، ولا تعتمد ترجمةً. اطلب من مراجع ثنائي اللغة قراءة عينة، خاصة الأرقام والأسماء والنفي.
أي النماذج تستخدم؟
| الخطوة | نموذج BroadNet | السعر | ملاحظات |
|---|---|---|---|
| التفريغ | BroadNet Transcribe Arabic | $0.0042 للدقيقة ($0.25 للساعة) | للعربية فقط؛ متاح على الرصيد الابتدائي $5 |
| الترجمة | Qwen3.8 27B | $0.175 للإدخال و$2.17 للإخراج لكل مليون رمز (توكن) | نموذج استدلال منطقي؛ سياق من 262,144 رمزًا؛ يحتاج شحن الرصيد |
| الترجمة | Gemma 4 VL 26B | $0.10 للإدخال و$0.22 للإخراج لكل مليون رمز | متاح على الرصيد الابتدائي؛ سياق من 32,768 رمزًا، يكفي عادةً لجزء من 10 دقائق؛ افحص عينة في عدّاد الرموز. احذف reasoning_effort، الذي توثّقه BroadNet لنماذج الاستدلال المنطقي فقط |
| الترجمة | DeepSeek V4.1 Flash | $0.175 للإدخال و$0.52 للإخراج لكل مليون رمز، أو جلسة بسعر ثابت | نموذج استدلال منطقي؛ مستضاف لدى شريك؛ يحتاج شحن الرصيد أو خطة |
شغّل شيفرة التقييم على المقاطع نفسها مع كل نموذج ترجمة، واختر بناءً على النتائج وملاحظات المراجع، لا على جدولنا. ويشرح مقال اختيار نموذج LLM للعربية المفاضلات الأوسع.
كم تكلّف ساعة من الصوت؟
هناك جزآن:
- التفريغ يُحتسب لكل دقيقة صوت: $0.25 للساعة على BroadNet Transcribe Arabic.
- الترجمة تُحتسب لكل رمز:
prompt_tokens × input price + completion_tokens × output price، مقسومًا على 1,000,000. يشمل الأمر الأمرَ النظامي وأسطر المسرد وسياق الجزء السابق والنص المفرّغ. ويشمل الإكمال النص الإنجليزي، ومع نماذج الاستدلال المنطقي رموز الاستدلال.
لا ننشر رقمًا واحدًا لتكلفة الترجمة لكل ساعة، لأنه يعتمد على سرعة كلام الناس واللهجة ومقدار استدلال النموذج. قِسه: شغّل ساعة نموذجية، واجمع usage.prompt_tokens وusage.completion_tokens من الاستجابات، وأدخلهما في حاسبة تكلفة LLM API. وقبل أن يتوفر لديك الصوت، يمكنك لصق نص مفرّغ نموذجي في عدّاد الرموز العربية؛ فالعربية تستهلك عادةً رموزًا لكل كلمة أكثر من الإنجليزية، كما يُظهر مقال عدد الرموز لكل كلمة في العربية والإنجليزية. وتحسب حاسبة تكلفة تحويل الكلام إلى نص جانب الصوت.
لكمٍّ كبير متراكم، تزيل جلسة DeepSeek V4.1 Flash بسعر ثابت عدّاد الرموز من خطوة الترجمة: $1 للساعة، أو $15 للأسبوع، أو $60 للشهر لكل جلسة. الجلسة الواحدة تنفّذ طلبًا واحدًا في كل مرة، لذا يحتاج العمّال المتوازيون إلى جلسات أكثر. ويظل التفريغ يُحتسب لكل دقيقة.
متى يكون هذا المسار اختيارًا خاطئًا؟
- الصوت الحي. المكالمات والترجمة النصية المباشرة والوكلاء الصوتيون تحتاج نتائج متدفقة خلال ثوانٍ. وتناسبها واجهة API لترجمة الكلام بالبث، أو نقطة نهاية فورية، أكثر من رفع الملفات.
- الترجمة النصية للفيديو. استجابة التفريغ لدى BroadNet نص فقط، دون طوابع زمنية. يوضح مقال ترجمة نصية عربية من API نصية فقط إلى أي مدى توصلك إزاحات الأجزاء؛ وللتوقيت على مستوى الكلمة، استخدم مزوّدًا يعيد طوابع زمنية.
- لغات لا تفرّغها BroadNet. النموذج العربي يتعامل مع العربية. وللغات المصدر الأخرى، راجع أولًا قائمة اللغات الأربع عشرة في النموذج متعدد اللغات.
- السجلات القانونية أو الطبية. استخدم المسار لمسودة، ومترجمًا بشريًا للسجل الرسمي.
أين تأتي BroadNet Inference
BroadRouter هو موقع BroadNet نفسها. تقدّم BroadNet Inference خطوتي هذا المسار بمفتاح واحد متوافق مع OpenAI: التفريغ العربي على /v1/audio/transcriptions والترجمة على /v1/chat/completions. ليست لديها نقطة نهاية لترجمة الكلام بخطوة واحدة ولا تفريغ بالبث، لذا استخدم مزوّدًا آخر للصوت الحي. تقول سياسة الخصوصية لديها إن محتوى الاستدلال، بما فيه الصوت والنصوص المفرّغة والإجابات، لا يُحتفظ به؛ أما البيانات الوصفية الضرورية للحساب والفوترة والأمان فيُحتفظ بها. ابدأ من صفحة التفريغ العربي أو المرجع التقني للـ API، واختبر على تسجيلاتك قبل أن تعتمد على المخرجات.
