BroadRouter

Mehrsprachige Speech-to-Text API: 14 Sprachen, ein Endpoint

Vom Team von BroadNet Inference · 6 Min. Lesezeit · Veröffentlicht · Aktualisiert

BroadNet Transcribe ist ein Speech-to-Text-Modell für 14 Sprachen, darunter Englisch, Spanisch, Französisch, Deutsch, Chinesisch, Japanisch und Arabisch, bereitgestellt über einen OpenAI-kompatiblen Endpoint /v1/audio/transcriptions. Es kostet $0.002 pro Audiominute ($0.12 pro Stunde). Für überwiegend arabisches Audio ist BroadNet Transcribe Arabic die spezialisierte Option für $0.0042 pro Minute.

The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."

Die meisten Produkte, die mit Audio arbeiten, haben es mit mehr als einer Sprache zu tun: eine internationale Support-Hotline, Meeting-Aufnahmen aus verschiedenen Standorten, ein Postfach für Sprachnachrichten in einer mehrsprachigen Stadt. Für jede Sprache einen eigenen Speech-to-Text-Anbieter zu betreiben, kostet Wartungsaufwand. BroadNet Transcribe stellt 14 Sprachen hinter einen einzigen OpenAI-kompatiblen Endpoint, abgerechnet pro Audiominute, und daneben ein spezialisiertes arabisches Modell für Workloads mit viel Arabisch.

Welche Sprachen deckt BroadNet Transcribe ab?

Die Sprachliste stammt aus der veröffentlichten pricing.json von BroadNet, als ISO-639-1-Codes:

Code Sprache Code Sprache
en Englisch nl Niederländisch
es Spanisch pl Polnisch
fr Französisch zh Chinesisch
de Deutsch ja Japanisch
it Italienisch ko Koreanisch
pt Portugiesisch vi Vietnamesisch
el Griechisch ar Arabisch

BroadNet Transcribe basiert auf Cohere Transcribe und wird von BroadNet betrieben. Die Modell-ID lautet broadnet/cohere-transcribe.

Für den Gesamtüberblick listet unser offener Preisindex für Speech-to-Text-APIs Batch- und Streaming-Preise, Abrechnungsintervalle und Arabisch-Unterstützung für mehr als 20 Produkte, jeweils mit der Preisseite des Anbieters abgeglichen (CSV und JSON).

Was kostet mehrsprachige Transkription?

Modell Pro Minute Pro Stunde Sprachen
BroadNet Transcribe $0.002 $0.12 14
BroadNet Transcribe Arabic $0.0042 $0.25 Arabisch

Abgerechnet wird pro Audiominute, nicht pro Anfrage oder pro Token. Beide Modelle funktionieren mit dem kostenlosen Startguthaben von $5, sodass Sie Ihre eigenen Aufnahmen testen können, bevor Sie aufladen. Alle Preise finden Sie auf der Preisseite; Ihre monatlichen Stunden können Sie im Kostenrechner für Speech-to-Text durchrechnen, und andere Anbieter vergleicht Speech-to-Text-API-Preise im Vergleich.

Wie ruft man den Transkriptions-Endpoint auf?

Der Endpoint folgt dem Format der OpenAI-Audiotranskription, die offiziellen SDKs funktionieren also mit einer geänderten Base URL:

import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

with open("meeting-fr.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe",
        file=audio,
        language="fr",
    )
print(result.text)

Oder mit curl:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe \
  -F language=es \
  -F file=@llamada.wav

Die Antwort ist JSON mit dem Transkript in text. Die dokumentierte Antwort von BroadNet ist der Text selbst; wenn Sie Zeitstempel pro Wort oder Sprecherlabels brauchen, prüfen Sie in der API-Referenz, was derzeit unterstützt wird, bevor Sie Ihr Design darauf aufbauen.

Warum sollte man immer die Sprache mitsenden?

Die Doku von BroadNet ist eindeutig: Senden Sie bei jeder Transkriptionsanfrage language mit. Ohne diese Angabe kann Arabisch in lateinische Buchstaben transliteriert zurückkommen, und dasselbe Risiko besteht bei jeder Sprache, die das Modell verwechseln könnte. Wenn Sie die Sprache vorher nicht kennen:

  1. Nutzen Sie zuerst Metadaten. Das Land des Anrufers, die App-Sprache des Nutzers oder die Vorwahl der Telefonnummer stimmen meistens.
  2. Fragen Sie den Nutzer in Sprachprodukten („Drücken Sie 1 für Englisch, 2 für Arabisch“).
  3. Testen Sie eine kurze Probe. Transkribieren Sie die ersten 30 Sekunden mit Ihrer besten Vermutung; sieht der Text falsch aus (falsche Schrift, Kauderwelsch), versuchen Sie es mit dem nächsten Kandidaten.

Welche Limits und Formate gelten?

  • Formate: WAV (audio/wav) oder MP3 (audio/mpeg). Konvertieren Sie .ogg-, .m4a-, .webm- und Videodateien vorher mit ffmpeg. Der Leitfaden zu WhatsApp-Sprachnachrichten enthält den passenden Einzeiler.
  • Größe: bis zu 26.214.400 Byte (25 MiB) pro Datei; größere Dateien liefern 413. Das sind etwa 13 Minuten WAV mit 16 kHz mono oder etwa 54 Minuten MP3 mit 64 kbit/s. Teilen Sie längeres Audio mit ffmpeg -f segment -segment_time 600.
  • Rate: Ein Pay-as-you-go-Schlüssel erlaubt 30 Anfragen pro Minute und 4 gleichzeitig. Wiederholen Sie 429 mit Backoff; siehe Fehler und Wiederholungen.
  • Datenschutz: Audio und Transkripte werden für die Anfrage verarbeitet und nicht gespeichert. Siehe Zero Data Retention.

Eine Batch-Pipeline für die Produktion mit Chunking und Worker-Pool beschreibt arabische Callcenter-Transkription im großen Maßstab; dasselbe Design funktioniert für jede der 14 Sprachen.

Wann sollte man das arabische Spezialmodell wählen?

BroadNet bietet zwei Modelle an, weil Arabisch für die Spracherkennung schwieriger ist als die meisten Sprachen: viele Dialekte unter einer gemeinsamen Schriftsprache, häufiges Code-Switching mit Englisch und Französisch und viel Audio in Telefonqualität. BroadNet Transcribe Arabic ist die spezialisierte Option, und nur für dieses Modell veröffentlicht BroadNet Genauigkeitswerte für Arabisch:

  • BroadNet meldet es im Open Universal Arabic ASR Leaderboard mit #2 von 37 (Angabe für September 2026; die Live-Rangliste führte das Modell am 15. November 2026 auf #4 von 39) und als Nr. 1 unter den Modellen, deren Lizenz den Betrieb per API erlaubt.
  • Die Wortfehlerraten aus dem Labor von BroadNet: 3,8 auf FLEURS-ar, 21,1 auf MASC-ar und 23,4 auf dem eigenen Dialekt-Set (niedriger ist besser). Was diese Zahlen bedeuten.

Für das Modell mit 14 Sprachen veröffentlicht BroadNet keine Arabisch-Werte, das öffentliche Leaderboard aber schon: Am 15. November 2026 führte es Cohere Transcribe 03-2026, das Modell hinter BroadNet Transcribe, auf Platz 8 von 39 mit einer durchschnittlichen WER von 30,67, gegenüber 24,19 für das arabische Modell auf #4 von 39. Für andere Sprachen meldet BroadNet für BroadNet Transcribe eine Wortfehlerrate von 5,5 auf FLEURS Englisch und 3,2 auf FLEURS Spanisch sowie etwa 113-fache Echtzeit bei einem Stream (217-fach im Batch) bei englischem Audio, laut seiner Modellseite. Eine einfache Regel:

Ihr Audio Wahl
Überwiegend Arabisch, beliebiger Dialekt BroadNet Transcribe Arabic
Arabisch nur in einem kleinen Teil der Dateien, Genauigkeit nicht kritisch BroadNet Transcribe für alles, oder beide testen
Gemischter Bestand mit bekannter Sprache pro Datei Arabische Dateien zum arabischen Modell, den Rest zu BroadNet Transcribe
Eine der anderen 13 Sprachen BroadNet Transcribe

Das Routing nach Sprache ist eine einzeilige Änderung, weil beide Modelle denselben Endpoint und dasselbe Anfrageformat nutzen:

def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"

Das arabische Modell kostet pro Minute etwa doppelt so viel. Bei größerem Volumen testen Sie beide an einigen Stunden Ihres echten arabischen Audios und vergleichen die Wortfehlerrate pro Dialekt; der Kaufratgeber für arabische Speech-to-Text-APIs enthält einen Testplan für eine Stunde. Wenn Zahlen, Datumsangaben und Namen in verrauschtem arabischem Audio das Problem sind, listet BroadNet auf der Modellseite außerdem ein feingetuntes arabisches Modell auf Anfrage.

Wie testet man die Genauigkeit in jeder Sprache?

Ein einzelner Genauigkeitswert eines Anbieters verdeckt große Unterschiede zwischen Sprachen, Akzenten und Aufnahmebedingungen. Bevor Sie einen Workload festlegen, führen Sie pro Sprache einen kleinen Test durch:

  1. Sammeln Sie 20 bis 50 echte Clips pro Sprache aus dem Kanal, den Sie tatsächlich transkribieren werden: Telefonate, Meeting-Aufnahmen, Sprachnachrichten oder Video. Nehmen Sie Ihre schwierigsten Akzente mit auf.
  2. Schreiben Sie Referenztranskripte für einen Teil von Hand, mit vereinbarten Schreibregeln für Zahlen, Namen und englische Lehnwörter.
  3. Transkribieren Sie mit dem korrekten language-Code und berechnen Sie die Wortfehlerrate pro Sprache. Für Chinesisch und Japanisch, die ohne Leerzeichen zwischen Wörtern geschrieben werden, nehmen Sie stattdessen die Zeichenfehlerrate.
  4. Lesen Sie die Fehler. Produktnamen, Beträge und Adressen zählen mehr als Füllwörter.
  5. Wiederholen Sie den Test für Arabisch mit beiden Modellen, wenn Arabisch Teil Ihres Mixes ist, und vergleichen Sie pro Dialekt.

Das Startguthaben von $5 deckt einen solchen Test für mehrere Sprachen mit BroadNet Transcribe ab, weil der Preis pro Minute niedrig ist.

Für welche Workloads eignet es sich?

Workload Hinweise
Mehrsprachige Support-Hotlines Nach der Sprachwahl im IVR routen; den passenden language-Code senden
Meeting-Notizen für verteilte Teams Pro Aufnahme transkribieren, dann mit einem LLM zusammenfassen
Postfächer für Sprachnachrichten .ogg zuerst in WAV umwandeln; siehe den WhatsApp-Leitfaden
Medien- und Podcast-Archive Lange Dateien unter 25 MiB teilen; über Nacht im Batch verarbeiten
Sprachlern-Apps Sprache der Lernenden transkribieren, dann mit einem LLM Feedback geben

In jedem Fall skalieren die Kosten nur mit den Audiominuten: $0.12 pro Audiostunde mit BroadNet Transcribe, unabhängig von der Sprache.

Was passiert nach der Transkription?

Transkripte sind selten das Endprodukt. Übliche nächste Schritte mit demselben API-Schlüssel:

  • Zusammenfassungen und Aufgabenlisten für Meetings mit DeepSeek V4.1 Flash, dessen Kontext von 1.048.576 Tokens auch sehr lange Transkripte fasst.
  • Übersetzung der Transkripte in eine gemeinsame Arbeitssprache; siehe Arabisch–Englisch-Übersetzung mit LLMs.
  • QA-Bewertung von Support-Gesprächen mit strukturierter JSON-Ausgabe.

Wie migriert man von einer anderen Transkriptions-API?

Wenn Sie bereits einen Transkriptions-Endpoint im OpenAI-Stil aufrufen, auch die Whisper API, die OpenAI zum 26. Februar 2027 als abgeschaltet listet (was Sie vor dem Wechsel testen sollten), sind für die Migration meist drei Änderungen nötig: Base URL, API-Schlüssel und Modell-ID, und dazu müssen Sie sicherstellen, dass Sie language mitsenden. Prüfen Sie die Antwortfelder, die Ihr Code außer text liest. Die Migrations-Checkliste für OpenAI-kompatible APIs deckt den Rest ab.

Häufige Fragen

Welche Sprachen unterstützt BroadNet Transcribe?

Vierzehn: Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Griechisch, Niederländisch, Polnisch, Chinesisch, Japanisch, Koreanisch, Vietnamesisch und Arabisch. Die Liste ist in pricing.json als ISO-639-1-Codes veröffentlicht.

Kann eine Datei zwei Sprachen enthalten?

Jede Anfrage nimmt einen Sprachcode. Bei Audio, das die Sprache wechselt, transkribieren Sie mit der Hauptsprache und prüfen, wie die andere Sprache herauskommt, oder teilen Sie das Audio nach Sprecher oder Abschnitt, wenn die Wechsel lang sind.

Ist das mehrsprachige Modell gut genug für Arabisch?

Es akzeptiert Arabisch und kostet pro Minute weniger. BroadNet veröffentlicht Genauigkeitswerte für Arabisch nur für BroadNet Transcribe Arabic. Wenn Arabisch einen großen Teil Ihres Audios ausmacht, testen Sie also beide mit Ihren Aufnahmen und vergleichen Sie die Wortfehlerrate.

Funktioniert es mit dem OpenAI SDK?

Ja. Richten Sie das SDK auf die Base URL von BroadNet und rufen Sie audio.transcriptions.create mit der Modell-ID, der Datei und der Sprache auf.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen