Um eine Speech-to-Text-API für Arabisch zu wählen, transkribieren Sie mit jedem Kandidaten 30 bis 50 eigene Clips pro Dialekt, vergleichen die Wortfehlerrate pro Dialekt und wägen dann Preis pro Audiostunde, Dateilimits, Streaming-Bedarf und Datenspeicherung ab. Ein Modell, das in einem Benchmark glänzt, kann mit Ihren Callcenter-Aufnahmen trotzdem scheitern.
Arabisch ist für die Spracherkennung schwierig: Über vielen gesprochenen Dialekten liegt ein einziger Schriftstandard, Sprecher wechseln mitten im Satz ins Englische, und das meiste echte Audio sind Telefonate und Sprachnachrichten.
Warum zählt die Wortfehlerrate mit Ihrem eigenen Audio am meisten?
Die Wortfehlerrate (WER) ist der Anteil der Wörter, die das Modell falsch erkennt: ersetzt, ausgelassen oder erfunden. Niedriger ist besser. Öffentliche Zahlen sind ein Ausgangspunkt:
| Testset | Was es ist | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | Sauber vorgelesene Sätze | 3.8 | nicht veröffentlicht | nicht veröffentlicht |
| MASC-ar | Gemischte arabische Sprache aus der Praxis | 21.1 | 22.3 | 31.5 |
| BroadNet-Dialekt-Set | Golf-, ägyptische und levantinische Sprache | 23.4 | 25.6 | 31.8 |
Das sind Labormessungen von BroadNet, veröffentlicht im Modellkatalog und auf der Seite zu Transcribe Arabic. BroadNet hat den Vergleich selbst durchgeführt; betrachten Sie die Spalten zu ElevenLabs und Whisper also als Test eines Anbieters an seinen Wettbewerbern, nicht als unabhängiges Ergebnis. BroadNet meldet das Modell außerdem auf #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39) im Open Universal Arabic ASR Leaderboard und auf Platz 1 unter den Modellen, deren Lizenz die Bereitstellung über eine API erlaubt. Am 15. November 2026 lagen darüber Jais-ASR, Sygma-ASR-Arabic (laut Leaderboard Beam-Decoding auf dem Cohere-Modell) und Audar-ASR-V1-Turbo; Whisper large-v3 lag auf Platz 19. Die Lizenz jedes Eintrags haben wir nicht geprüft.
Sie können das Modell mit Ihrer eigenen Stimme hören, bevor Sie sich registrieren: BroadNets Playground im Browser transkribiert bis zu 60 Sekunden arabisches oder englisches Audio ohne Konto. Siehe So nutzen Sie den Playground.
Der Abstand zwischen 3,8 und 23,4 ist die Lektion: Dasselbe Modell kann bei vorgelesener Sprache nahezu perfekt und bei Dialektgesprächen deutlich schwächer sein. Testen Sie mit Ihren Aufnahmen.
Seien Sie bei Anbieterzahlen generell vorsichtig. Viele veröffentlichte WER-Werte für Arabisch stammen aus dem eigenen Test des Anbieters, mit Audio, das Sie nicht sehen. Vergleichbar ist eine Zahl nur, wenn Testset, Normalisierung und Bewertungswerkzeug gleich sind.
Für das Gesamtbild listet unser offener Preisindex für Speech-to-Text-APIs Batch- und Streaming-Preise, Abrechnungsschritte und Arabisch-Unterstützung für mehr als 20 Produkte, jeweils mit der Preisseite des Anbieters abgeglichen (CSV und JSON).
Wie prüfen Sie die Dialektabdeckung?
Gruppieren Sie Ihre Testdateien nach Dialekt: Golf (Khaleeji), Ägyptisch, Levantinisch, Irakisch, Maghrebinisch, dazu modernes Hocharabisch. Bewerten Sie jede Gruppe für sich. Sitzen die meisten Ihrer Kunden in Riad, zählt die WER für Golf-Arabisch weit mehr als ein Durchschnitt.
Achten Sie auf Code-Switching. Geschäftssprache am Golf mischt englische Produktnamen und Zahlen ein. Prüfen Sie, wie Zahlen, Daten und Namen herauskommen, denn auf diese Wörter reagiert Ihr nachgelagertes System. BroadNet bietet auf Anfrage ein feinabgestimmtes arabisches Modell für Zahlen, Daten und Namen in verrauschtem Audio.
Was kostet arabische Transkription pro Audiostunde?
Vergleichen Sie pro Audiostunde, denn so wird Ihr Volumen gemessen:
| Modell | Pro Minute | Pro Stunde | 1.000 Stunden |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe (14 Sprachen) | $0.002 | $0.12 | — |
| Soniox asynchron (Datei), über 60 Sprachen | etwa USD 0.0017 (abgeleitet) | etwa USD 0.10 | etwa USD 100 |
| Soniox Echtzeit (Streaming) | etwa USD 0.002 (abgeleitet) | etwa USD 0.12 | etwa USD 120 |
Die Soniox-Zeilen stammen von den Soniox-Preisen, geprüft am 14. November 2026. Soniox rechnet pro Token ab (etwa 30.000 Audio-Tokens pro Stunde) und nennt die Stundenwerte als Näherungen.
Soniox ist pro Stunde günstiger als BroadNet. Sein Dateitarif liegt bei weniger als der Hälfte der $0.25 von BroadNet Transcribe Arabic und unter den $0.12 von BroadNet Transcribe. Sein Echtzeittarif entspricht BroadNet Transcribe und unterbietet trotzdem das arabische Modell, und BroadNet dokumentiert Echtzeit-Streaming überhaupt nicht. Soniox führt Arabisch (ar) unter seinen unterstützten Sprachen und zeigt einen Tarif für alle Sprachen. Arabisch-spezifische Preise, arabische WER-Werte oder Dialektabdeckung veröffentlicht es nicht; der Preis ist also klar, die Genauigkeit nicht. Führen Sie denselben Dialekttest mit beiden durch, bevor Sie nach Preis entscheiden.
Für ein Support-Postfach kosten 10.000 WhatsApp-Sprachnachrichten von je 30 Sekunden mit dem arabischen Modell $21.00. Die Rechnung lautet 10,000 × 0.5 minutes × $0.0042. Rechnen Sie Ihr eigenes Volumen mit dem Kostenrechner für Speech-to-Text durch.
Prüfen Sie beim Anbietervergleich neben dem Tarif auch die Abrechnungseinheit: pro Sekunde, pro Minute oder pro angefangenem Block, und ob es eine Mindestgebühr pro Datei gibt. Bei kurzen Sprachnachrichten macht sich die Rundung bemerkbar. Die mit den Preisseiten abgeglichenen Minutenpreise anderer Anbieter finden Sie im Preisvergleich für Speech-to-Text-APIs; wenn Sie vom Endpoint von OpenAI wechseln, siehe die Checkliste Alternative zur Whisper API. Der Vergleich Transcribe vs. Transcribe Arabic zeigt, wann das günstigere Modell mit 14 Sprachen genügt.
Welche Funktionen sollte eine Speech-to-Text-API für Arabisch haben?
Nicht jedes Produkt braucht jede Funktion. Entscheiden Sie vor dem Vergleich, welche zählen:
| Funktion | Warum sie zählt | Was Sie fragen sollten |
|---|---|---|
| Batch-Upload von Dateien | Sprachnachrichten, Aufnahmen, Archive | Formate und maximale Dateigröße |
| Echtzeit-Streaming | Live-Untertitel, Voice Agents | Latenz, und ob es ein separates Produkt ist |
| Sprecherkennzeichnung (Diarisierung) | Gespräche zwischen Agent und Kunde | Nur Batch oder auch live? |
| Zeitstempel pro Wort | Untertitel, Suche, Review-Werkzeuge | Auf Wort- oder Segmentebene? |
| Code-Switching | Arabisch mit englischen Begriffen | Braucht es eine Sprache pro Anfrage? |
| Datenspeicherung | Gespräche enthalten personenbezogene Daten | Werden Audio oder Text gespeichert, und wie lange? |
Was BroadNet heute dokumentiert: Batch-Transkription über den OpenAI-kompatiblen Endpoint /v1/audio/transcriptions, WAV- oder MP3-Eingabe, ein Feld language und Zero Data Retention. Für alles andere auf dieser Liste prüfen Sie die API-Referenz, bevor Sie sich darauf verlassen.
Welche Dateilimits und Formate gelten?
- Dateigröße. BroadNet akzeptiert WAV oder MP3 bis 26.214.400 Bytes (25 MiB) pro Datei. Eine größere Datei liefert 413; teilen Sie längere Aufnahmen auf.
- Formate. Wandeln Sie .ogg-Sprachnachrichten und .m4a-Aufnahmen vorher um; die Anleitung zu WhatsApp-Sprachnachrichten enthält die ffmpeg-Zeile.
- Das Feld language. Senden Sie
language=ar. Ohne es kann Arabisch in lateinische Buchstaben transliteriert zurückkommen. - Rate Limits. Ein Pay-as-you-go-Schlüssel erlaubt 30 Anfragen pro Minute und 4 gleichzeitig. Für einen großen Rückstand stellen Sie Dateien in eine Warteschlange und wiederholen 429-Antworten mit Backoff; siehe Fehler und Wiederholungen.
Wird das Audio gespeichert?
Sprachnachrichten und Gespräche enthalten Namen, Telefonnummern sowie Gesundheits- oder Bankdaten. Fragen Sie jeden Anbieter, ob Audio und Transkripte gespeichert werden, und wie lange. BroadNet Inference speichert beides nicht; siehe Zero Data Retention und unsere ZDR-Checkliste.
Wie testen Sie eine arabische Transkriptions-API an einem Nachmittag?
- Sammeln Sie 30 bis 50 echte Clips pro Dialekt aus Ihrem Produktionskanal. Entfernen Sie alles, was Sie nicht weitergeben dürfen.
- Schreiben Sie für 10 Clips pro Dialekt das korrekte Transkript von Hand, mit einer vereinbarten Schreibkonvention.
- Transkribieren Sie jeden Clip mit jeder Kandidaten-API. Die Schritt-für-Schritt-Anleitung für Arabisch enthält curl- und Python-Code für BroadNet.
- Normalisieren Sie beide Texte auf dieselbe Weise und berechnen Sie WER und CER pro Dialekt. Arabische WER erklärt enthält die Python-Funktion zur Normalisierung und zeigt, warum ihr Weglassen ein perfektes Transkript auf 75 % WER bringen kann.
- Lesen Sie 20 Transkripte selbst. Eine niedrige WER kann trotzdem falsche Zahlen oder Namen verbergen.
Wie Sie Clips auswählen, Referenzen schreiben und jede Dialektgruppe bewerten, behandelt Spracherkennung für arabische Dialekte im Detail.
Häufige Fehler
- Nur sauberes Audio testen. Verwenden Sie echte Telefon- und Sprachnachrichtenaufnahmen.
- Eine einzige Durchschnitts-WER. Ein guter Durchschnitt kann einen Dialekt verbergen, den Ihre Kunden sprechen.
- Das Feld language weglassen. Transliterierte Ausgabe wird fast vollständig als Fehler gewertet.
- Zahlen ignorieren. Prüfen Sie Ziffern, Daten und Beträge von Hand; auf sie reagiert Ihr System.
Wo BroadNet Inference ins Bild passt
BroadNet Transcribe Arabic eignet sich für die Batch-Transkription arabischer Sprachnachrichten, Gespräche und Aufnahmen zu einem Minutenpreis, ohne dass Audio gespeichert wird. Das Startguthaben von $5 reicht für etwa 1,190 Minuten arabisches Audio, genug für den Test oben ohne Karte. Brauchen Sie Funktionen, die es nicht dokumentiert, etwa Live-Untertitel per Streaming, testen Sie einen Anbieter, der sie bietet. Für arabische Textaufgaben nach der Transkription siehe Das richtige LLM für Arabisch wählen.
