---
title: "Arabisches Audio per API in englischen Text übersetzen"
description: "Arabische Aufnahmen mit zwei API-Aufrufen in englischen Text verwandeln: mit language=ar transkribieren, per LLM übersetzen, mit Zahlenprüfung, Kosten und Bewertung."
url: https://broadrouter.com/de/blog/translate-arabic-audio-to-english/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/translate-arabic-audio-to-english/) (aktualisiert am 2026-11-16).

# Arabisches Audio per API ins Englische übersetzen: getestete Pipeline

Vom Team von BroadNet Inference · 8 Min. Lesezeit · Veröffentlicht 2026-11-15 · Aktualisiert 2026-11-16

Arbeiten Sie in zwei Schritten. Transkribieren Sie das arabische Audio mit einer Speech-to-Text-API und language=ar, dann übersetzen Sie das Transkript mit einem LLM, das Namen und Zahlen beibehalten soll. Teilen Sie lange Dateien vorher auf, prüfen Sie Zahlen im Code und bewerten Sie eine kleine Stichprobe mit chrF, um zu sehen, wie viel Qualität der Transkriptionsschritt kostet.

## Das Wichtigste in Kürze

-   Eine zweistufige Pipeline (arabisches Transkript, dann Übersetzung per LLM) liefert Ihnen auch den arabischen Text, den Sie später prüfen, durchsuchen oder neu übersetzen können.
-   OpenAI führt /v1/audio/translations als veraltet (Ankündigung 26. August 2026, Abschaltung 26. Februar 2027), mit /v1/realtime/translations als Ersatz.
-   Erkennungsfehler wandern in die Übersetzung. Bewerten Sie auf denselben Clips die Übersetzung eines menschlichen Transkripts und die des ASR-Transkripts; die Differenz ist das, was Sie die Spracherkennung kostet.
-   Prüfen Sie Zahlen im Code: Bilden Sie arabisch-indische Ziffern auf 0-9 ab und bestätigen Sie, dass jede im Englischen vorkommt.
-   Für Live-Audio wie Anrufe oder Untertitel passt eine Streaming-API für Sprachübersetzung besser als eine Datei-Pipeline.

**Auf dieser Seite**

1.  Ein Aufruf oder zwei?
2.  Wie sieht die Pipeline aus?
3.  Schritt 1: Wie bereitet man das Audio vor und teilt es auf?
4.  Schritte 2 und 3: Wie transkribiert und übersetzt man?
5.  Wie wirken sich Erkennungsfehler auf die Übersetzung aus?
6.  Welche Modelle sollten Sie verwenden?
7.  Was kostet eine Stunde Audio?
8.  Wann ist diese Pipeline die falsche Wahl?
9.  Wo BroadNet Inference einzuordnen ist

Die meisten Seiten, die zu „arabisches Audio ins Englische übersetzen“ ranken, sind Web-Tools zum Hoch- und Herunterladen. Für eine einzelne Datei reichen sie. Brauchen Sie die Übersetzung in Ihrem eigenen Produkt (Support-Anrufe, Interviews, Sprachnachrichten, Vorlesungen), brauchen Sie zwei API-Aufrufe und ein paar Prüfungen darum herum. Dieser Beitrag baut diese Pipeline mit einem OpenAI-kompatiblen Schlüssel, testet sie und zeigt, wie Sie messen, ob sie gut genug ist.

Zum Übersetzen arabischer Texte, die Sie schon haben, siehe [Arabisch–Englisch-Übersetzung mit LLMs](https://broadrouter.com/de/blog/arabic-english-translation-llm/). Wenn Sie aus einer Besprechungsaufnahme ein Protokoll statt einer vollständigen Übersetzung machen wollen, siehe [arabische Besprechungsprotokolle aus Aufnahmen](https://broadrouter.com/de/blog/arabic-meeting-minutes-from-recordings/).

## Ein Aufruf oder zwei?

Es gibt zwei Wege, aus arabischer Sprache englischen Text zu bekommen:

| Ansatz | Funktionsweise | Geeignet für |
| --- | --- | --- |
| Sprachübersetzung (ein Schritt) | Eine Anfrage; der Dienst liefert Englisch | Live-Audio, Untertitel, den einfachsten Code |
| Transkribieren, dann übersetzen (zwei Schritte) | Ein [Speech-to-Text](https://broadrouter.com/de/glossary/speech-to-text/)\-Aufruf liefert arabischen Text; ein LLM übersetzt ihn | Dateien, wenn Sie auch das Arabische wollen, Glossare und Prüfungen |

Der bekannteste einstufige Endpoint für Dateien ändert sich gerade. Der Speech-to-Text-Leitfaden von OpenAI sagt, `/v1/audio/translations` „uses `whisper-1` to translate a completed audio recording into English“ (Übersetzung: „verwendet `whisper-1`, um eine abgeschlossene Audioaufnahme ins Englische zu übersetzen“). Seine [Deprecations-Seite](https://developers.openai.com/api/docs/deprecations), geprüft am 15.11.2026, nennt als Ankündigungsdatum den 26. August 2026 und als Abschaltdatum den 26. Februar 2027. Der aufgeführte Ersatz ist `/v1/realtime/translations`, eine Realtime-API, kein Datei-Upload. Ruft Ihr Code den alten Endpoint auf, bauen Sie ihn so oder so neu.

Soniox ist eine aktuelle einstufige Option: Seine [Seite für Arabisch zu Englisch](https://soniox.com/speech-translation/arabic/english) zeigt eine WebSocket-Anfrage mit einem Übersetzungsblock, der auf Quelle `ar` und Ziel `en` gesetzt ist. Bei Live-Audio ist ein Streaming-Produkt wie dieses am sinnvollsten.

Die zweistufige Pipeline hat für Dateien drei praktische Vorteile:

1.  **Sie behalten das arabische Transkript.** Sie können es durchsuchen, neben dem Englischen anzeigen und später mit einem besseren Modell neu übersetzen, ohne die Transkription erneut zu bezahlen.
2.  **Sie steuern die Übersetzung.** Sie wählen das Modell, geben ihm ein Glossar mit Namen und Produktbegriffen und prüfen seine Ausgabe im Code.
3.  **Sie sehen, woher Fehler kommen.** Ein falscher englischer Satz ist entweder ein Erkennungs- oder ein Übersetzungsfehler. Mit dem Transkript in der Hand erkennen Sie, welcher.

Der Preis ist eine zweite Anfrage und mehr Code. Der Rest dieses Beitrags ist dieser Code.

## Wie sieht die Pipeline aus?

```text
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
```

## Schritt 1: Wie bereitet man das Audio vor und teilt es auf?

Der Transkriptions-Endpoint von BroadNet nimmt WAV (`audio/wav`) oder MP3 (`audio/mpeg`) bis 26.214.400 Bytes pro Datei an. Telefonaufnahmen (`.m4a`), WhatsApp-Sprachnachrichten (`.ogg`) und Video müssen ohnehin umgewandelt werden; resamplen und teilen Sie also im selben ffmpeg-Schritt:

```bash
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav
```

16-kHz-Mono-Audio mit 16 Bit sind 32.000 Bytes pro Sekunde; ein Teil von 10 Minuten hat also etwa 19,2 MB und liegt unter dem Limit. Wir haben das auf eine Testdatei von 25 Minuten angewendet: Es entstanden zwei Teile mit 19.200.162 und 19.200.194 Bytes und ein Teil von 5 Minuten mit 9.599.878 Bytes.

Schnitte mit fester Länge können ein Wort zerteilen. Bei echter Sprache schneiden Sie besser an Pausen; [lange Audiodateien transkribieren](https://broadrouter.com/de/blog/transcribe-long-audio-files-api/) enthält einen pausenbasierten Splitter, und das [Audio-Splitter-Tool](https://broadrouter.com/tools/audio-splitter-ffmpeg/) schreibt Ihnen den ffmpeg-Befehl. Hintergrund zur [Abtastrate](https://broadrouter.com/de/glossary/sample-rate/) und warum 16 kHz für Sprache genügen, steht im Glossar.

## Schritte 2 und 3: Wie transkribiert und übersetzt man?

Das Skript unten sendet jeden Teil an das arabische Transkriptionsmodell und dann an ein Chat-Modell mit einem Übersetzungs-Prompt. Es läuft mit dem [OpenAI Python SDK](https://broadrouter.com/de/guides/openai-python-sdk/).

```python
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:]
```

Wozu jeder Teil dient:

-   **`language="ar"`.** Laut den Docs von BroadNet sollten Sie bei einer Transkriptionsanfrage immer `language` mitsenden. Der [Leitfaden für Speech-to-Text auf Arabisch](https://broadrouter.com/de/guides/arabic-speech-to-text-api/) behandelt die Anfrage im Detail.
-   **Der Prompt sagt, woher der Text stammt.** Ein Transkript hat keine Satzzeichen, kann im Dialekt sein und Erkennungsfehler enthalten. Weiß das Modell das, behandelt es seltsame Formulierungen nicht als beabsichtigt, und die Markierung `[unclear]` gibt Prüfern etwas, wonach sie suchen können.
-   **Englische Wörter beibehalten.** Arabischsprachige wechseln oft mitten im Satz ins Englische („الـ deadline“, „فريق الـ QA“). Das ist [Code-Switching](https://broadrouter.com/de/glossary/code-switching/), und das Modell sollte diese Wörter in Ruhe lassen, statt sie hin und her zu übersetzen.
-   **Glossar pro Teil.** Es werden nur die Glossareinträge gesendet, die im jeweiligen Teil vorkommen; das hält die Prompts kurz. Der Abgleich ist exakt; schwankt die Schreibung in Ihren Transkripten (أ gegenüber ا, ة gegenüber ه), normalisieren Sie zuerst beide Seiten. Der [arabische Text-Normalisierer](https://broadrouter.com/tools/arabic-text-normalizer/) zeigt die üblichen Regeln.
-   **Vorheriger Teil als Kontext.** Die letzten 500 Zeichen des vorherigen arabischen Teils helfen bei Pronomen und bei Sätzen, die an einer Teilgrenze abgeschnitten wurden. Der Prompt sagt, dass dieser Kontext nicht übersetzt werden soll, damit er nicht doppelt erscheint.
-   **`max_tokens=4000` und `reasoning_effort="low"`.** Laut den Docs von BroadNet denken DeepSeek V4.1 Flash, GLM 5.3 und Qwen3.8 27B vor der Antwort nach, und das Reasoning zählt zu `max_tokens`. Ein kleines Limit kann eine leere Antwort liefern; siehe [Reasoning-Tokens und leere Antworten](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/). Der Code löst bei einer leeren oder abgeschnittenen Antwort einen Fehler aus, statt eine halbe Übersetzung zu speichern.
-   **Zahlenprüfung.** Bei Zahlen richtet eine falsche Übersetzung den größten Schaden an. Die Prüfung bildet arabisch-indische Ziffern (٠-٩) und persische Ziffern (۰-۹) auf 0-9 ab und bestätigt, dass jede Zahl im Englischen vorkommt. Als Wörter gesprochene Zahlen („خمسة عشر“) werden nicht erfasst; alles Wichtige liest also weiterhin ein Prüfer.

### Was hat der Test gezeigt?

Wir haben das Skript gegen einen lokalen Mock-Server laufen lassen, der beide Endpoints implementiert (kein Aufruf der echten API). Die drei Teile aus der Testdatei von 25 Minuten wurden mit `model=broadnet/cohere-transcribe-arabic` und `language=ar` gesendet, und jede Chat-Anfrage enthielt die Glossarzeilen für diesen Teil und den vorherigen arabischen Teil als Kontext. Die dritte Übersetzung des Mocks ließ absichtlich eine Zahl weg, und das Skript gab aus:

```text
--- 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
```

Die arabischen Sätze und die Firma sind für den Test erfunden. Der Lauf zeigt, dass der Code funktioniert, nicht wie gut die Übersetzung irgendeines Modells ist; dafür nutzen Sie den Bewertungsschritt unten.

## Wie wirken sich Erkennungsfehler auf die Übersetzung aus?

Sie gehen direkt durch. Steht im Transkript ٢١٤, wo der Sprecher ٢٤٠ sagte, sagt die Übersetzung getreu 214. Wird ein Dialektwort als ähnlich klingendes Standardwort missverstanden, ist die Übersetzung flüssig und falsch. Flüssiges Englisch macht diese Fehler schwer erkennbar; das ist das Hauptrisiko jedes Systems für Sprachübersetzung.

Sie können messen, wie viel des Fehlers aus welchem Schritt stammt. Sammeln Sie 30 oder mehr Clips und beschaffen Sie für jeden:

1.  ein menschliches arabisches Transkript,
2.  eine menschliche englische Übersetzung (die Referenz).

Übersetzen Sie dann sowohl das menschliche Transkript als auch das ASR-Transkript mit Ihrer Pipeline und bewerten Sie beide gegen die Referenz. [chrF](https://aclanthology.org/W15-3049/), ein Wert auf Basis von Zeichen-N-Grammen, kommt mit Namen und Wortformen besser zurecht als BLEU und ist für Arabisch–Englisch der übliche Standard; SacreBLEU berechnet beide:

```python
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}")
```

Bei diesen zwei Spielzeug-Sätzen (SacreBLEU 2.6.0) gab es chrF 94,6 und BLEU 89,2 für den Weg über das menschliche Transkript aus, und chrF 87,1 und BLEU 71,7 für die vollständige Pipeline. Zwei Spielzeug-Sätze beweisen nichts über ein Modell. Bei Ihren eigenen Clips bedeutet ein großer Abstand, dass Sie die Erkennung verbessern sollten: besseres Audio, ein Dialekt-Testset wie unter [Spracherkennung für arabische Dialekte](https://broadrouter.com/de/blog/arabic-dialect-speech-recognition/) oder ein anderer Anbieter. Ein kleiner Abstand bei insgesamt niedrigen Werten bedeutet, dass der Übersetzungsschritt Arbeit braucht: ein besserer Prompt, ein Glossar oder ein anderes Modell. Um den Transkriptionsschritt allein zu bewerten, verwenden Sie die [Wortfehlerrate](https://broadrouter.com/de/blog/arabic-asr-wer-explained/).

Automatische Werte bringen Systeme in eine Rangfolge; sie geben keine Übersetzung frei. Lassen Sie eine zweisprachige Person eine Stichprobe lesen, besonders Zahlen, Namen und Verneinungen.

## Welche Modelle sollten Sie verwenden?

| Schritt | BroadNet-Modell | Preis | Hinweise |
| --- | --- | --- | --- |
| Transkribieren | [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/) | $0.0042 pro Minute ($0.25 pro Stunde) | Nur Arabisch; mit dem Startguthaben von $5 nutzbar |
| Übersetzen | [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) | $0.175 Input, $2.17 Output pro 1 Mio. Tokens | Reasoning-Modell; Kontext von 262.144 Tokens; braucht eine Aufladung |
| Übersetzen | [Gemma 4 VL 26B](https://broadrouter.com/de/models/gemma-4-vl-26b/) | $0.10 Input, $0.22 Output pro 1 Mio. Tokens | Mit dem Startguthaben nutzbar; Kontext von 32.768 Tokens, meist genug für einen Teil von 10 Minuten; prüfen Sie eine Stichprobe im Token-Zähler. Entfernen Sie `reasoning_effort`, das BroadNet nur für seine Reasoning-Modelle dokumentiert |
| Übersetzen | [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) | $0.175 Input, $0.52 Output pro 1 Mio. Tokens oder eine Flatrate-Session | Reasoning-Modell; bei einem Partner gehostet; braucht eine Aufladung oder einen Plan |

Lassen Sie das Bewertungsskript mit jedem Übersetzungsmodell über dieselben Clips laufen und entscheiden Sie nach den Werten und den Notizen des Prüfers, nicht nach unserer Tabelle. [Ein LLM für Arabisch wählen](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/) behandelt die größeren Abwägungen.

## Was kostet eine Stunde Audio?

Es gibt zwei Teile:

-   **Transkription** wird pro Audiominute abgerechnet: $0.25 pro Stunde bei BroadNet Transcribe Arabic.
-   **Übersetzung** wird pro Token abgerechnet: `prompt_tokens × input price + completion_tokens × output price`, geteilt durch 1.000.000. Der Prompt umfasst den System-Prompt, die Glossarzeilen, den Kontext aus dem vorherigen Teil und das Transkript. Die Completion umfasst das Englische und bei Reasoning-Modellen die [Reasoning-Tokens](https://broadrouter.com/de/glossary/reasoning-tokens/).

Wir veröffentlichen keine einzelne Zahl für die Übersetzung pro Stunde, weil sie davon abhängt, wie schnell Menschen sprechen, vom Dialekt und davon, wie viel das Modell nachdenkt. Messen Sie es: Lassen Sie eine typische Stunde laufen, summieren Sie `usage.prompt_tokens` und `usage.completion_tokens` aus den Antworten und tragen Sie sie in den [LLM-API-Kostenrechner](https://broadrouter.com/tools/llm-api-cost-calculator/) ein. Bevor Sie Audio haben, können Sie ein Beispieltranskript in den [arabischen Token-Zähler](https://broadrouter.com/tools/arabic-token-counter/) einfügen; Arabisch braucht meist mehr Tokens pro Wort als Englisch, wie [Tokens pro Wort auf Arabisch und Englisch](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/) zeigt. Der [Speech-to-Text-Kostenrechner](https://broadrouter.com/tools/speech-to-text-cost-calculator/) berechnet die Audioseite.

Bei einem großen Rückstand nimmt eine Flatrate-Session für DeepSeek V4.1 Flash den Token-Zähler aus dem Übersetzungsschritt: $1 pro Stunde, $15 pro Woche oder $60 pro Monat und Session. Eine Session verarbeitet jeweils eine Anfrage; parallele Worker brauchen also mehr Sessions. Die Transkription wird weiterhin pro Minute abgerechnet.

## Wann ist diese Pipeline die falsche Wahl?

-   **Live-Audio.** Anrufe, Live-Untertitel und Voice Agents brauchen Streaming-Ergebnisse innerhalb von Sekunden. Eine Streaming-API für Sprachübersetzung oder ein Realtime-Endpoint passt besser als Datei-Uploads.
-   **Untertitel.** Die Transkriptionsantwort von BroadNet ist reiner Text ohne [Zeitstempel](https://broadrouter.com/de/glossary/timestamps-asr/). [Arabische Untertitel mit einer reinen Text-API](https://broadrouter.com/de/blog/arabic-subtitles-srt-api/) zeigt, wie weit Sie mit den Offsets der Teile kommen; für Timing auf Wortebene nutzen Sie einen Anbieter, der Zeitstempel liefert.
-   **Sprachen, die BroadNet nicht transkribiert.** Das arabische Modell verarbeitet Arabisch. Für andere Ausgangssprachen prüfen Sie zuerst die Liste der 14 Sprachen des [mehrsprachigen Modells](https://broadrouter.com/de/blog/multilingual-speech-to-text-api/).
-   **Juristische oder medizinische Dokumentation.** Nutzen Sie die Pipeline für einen Entwurf und eine menschliche Übersetzung für das Dokument.

## Wo BroadNet Inference einzuordnen ist

BroadRouter ist die eigene Website von BroadNet. [BroadNet Inference](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-translate-arabic-audio-to-english&utm_content=body) bietet beide Schritte dieser Pipeline mit einem OpenAI-kompatiblen Schlüssel: arabische Transkription über `/v1/audio/transcriptions` und Übersetzung über `/v1/chat/completions`. Es hat keinen einstufigen Endpoint für Sprachübersetzung und keine Streaming-Transkription; für Live-Audio nutzen Sie also einen anderen Anbieter. Laut seiner [Datenschutzerklärung](https://www.broadnet.ai/inference-privacy) werden Inferenzinhalte, einschließlich Audio, Transkripten und Antworten, nicht gespeichert; notwendige Konto-, Abrechnungs- und Sicherheitsmetadaten werden gespeichert. Beginnen Sie mit der [Seite zur arabischen Transkription](https://broadrouter.com/de/arabic-transcription/) oder der [API-Referenz](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-translate-arabic-audio-to-english&utm_content=body) und testen Sie mit Ihren eigenen Aufnahmen, bevor Sie sich auf die Ausgabe verlassen.

Kostenlose Tools zum Thema (auf Englisch)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/)

Speech-to-Text, auch automatische Spracherkennung (ASR), ist eine Technik, die gesprochenes Audio in geschriebenen Text umwandelt. Eine Speech-to-Text API nimmt eine Audiodatei oder einen Stream entgegen und liefert ein Transkript, meist abgerechnet pro Audiominute. Die Genauigkeit wird mit der Wortfehlerrate gemessen und hängt von Akzent, Dialekt und Aufnahmequalität ab.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Code-Switching](https://broadrouter.com/de/glossary/code-switching/)

Code-Switching ist die Verwendung von zwei oder mehr Sprachen oder Varietäten einer Sprache im selben Gespräch oder Satz, mündlich oder schriftlich. Beispiele sind Arabischsprachige, die englische Wörter in ihren Dialekt mischen oder zwischen modernem Hocharabisch und ihrem Dialekt wechseln.

[Reasoning-Tokens](https://broadrouter.com/de/glossary/reasoning-tokens/)

Reasoning-Tokens sind Tokens, die ein Reasoning-Modell erzeugt, um ein Problem durchzuarbeiten, bevor es seine sichtbare Antwort schreibt. Sie werden meist als Output-Tokens berechnet, zählen zum Output-Limit und zum Kontextfenster und können von der API verborgen oder zusammengefasst werden.

[Prepaid-Guthaben (Prepaid Credit)](https://broadrouter.com/de/glossary/prepaid-credit/)

Prepaid-Guthaben ist Geld, das vor der Nutzung auf ein API-Konto eingezahlt wird. Jede Anfrage zieht ihre Kosten vom Guthaben ab, und wenn es aufgebraucht ist, stoppen abgerechnete Anfragen, bis Sie aufladen. So sind die Ausgaben auf das eingezahlte Geld begrenzt.

[Zeitstempel (Speech-to-Text)](https://broadrouter.com/de/glossary/timestamps-asr/)

Zeitstempel bei Speech-to-Text sind Start- und Endzeiten in Sekunden, die Teilen eines Transkripts zugeordnet sind. Segment-Zeitstempel gelten für eine Wendung oder einen Satz, Wort-Zeitstempel für jedes Wort. Man braucht sie für Untertitel, die Suche in Aufnahmen und die Zuordnung von Text zu Sprechern.

[Abtastrate (Sample Rate)](https://broadrouter.com/de/glossary/sample-rate/)

Die Abtastrate (Sample Rate) ist die Zahl der Audio-Samples, die pro Sekunde erfasst werden, gemessen in Hertz (Hz). Spracherkennungsmodelle erwarten meist 16.000 Hz (16 kHz) mono. Zusammen mit Bittiefe und Kanalzahl bestimmt die Abtastrate, wie groß eine unkomprimierte Audiodatei pro Minute ist.

## Häufige Fragen

### Kann ich arabisches Audio mit einem einzigen API-Aufruf ins Englische übersetzen?

Ja, mit einer API für Sprachübersetzung wie Soniox, die ihrer Speech-to-Text-Anfrage eine Übersetzungseinstellung hinzufügt. Der Endpoint /v1/audio/translations von OpenAI macht dasselbe für Dateien, ist aber veraltet; die Abschaltung ist für den 26. Februar 2027 angekündigt. Eine zweistufige Pipeline braucht zwei Aufrufe und liefert Ihnen zusätzlich das arabische Transkript.

### Was ist besser, direkte Sprachübersetzung oder erst transkribieren, dann übersetzen?

Testen Sie beides mit Ihrem eigenen Audio. Beim Transkribieren-dann-Übersetzen wählen Sie das Übersetzungsmodell, ergänzen ein Glossar, prüfen Zahlen und behalten den arabischen Text. Eine einstufige API ist einfacher und für Live-Audio meist besser. Bewerten Sie 30 oder mehr Clips mit chrF gegen menschliche Übersetzungen, bevor Sie sich entscheiden.

### Kommt die Pipeline mit ägyptischem, Golf- oder levantinischem Arabisch zurecht?

Das entscheidet größtenteils der Transkriptionsschritt; testen Sie also Aufnahmen in den Dialekten, die Sie bedienen. Sagen Sie dem Übersetzungsmodell dann, dass das Transkript im Dialekt sein und englische Wörter enthalten kann. Dialektwörter, die ein Sprachmodell selten gesehen hat, sind die Hauptquelle von Fehlern.

### Wie übersetze ich eine arabische Audiodatei, die größer als 25 MB ist?

Wandeln Sie sie in 16-kHz-Mono-WAV um und teilen Sie sie mit ffmpeg in Teile von höchstens 10 Minuten; jeder Teil hat etwa 19,2 MB. Transkribieren Sie jeden Teil und übersetzen Sie die Teile dann der Reihe nach, wobei Sie das Ende des vorherigen Teils als Kontext mitgeben.

### Bekomme ich auf diesem Weg englische Untertitel mit Zeitstempeln?

Nicht direkt von BroadNet: Seine Transkriptionsantwort ist reiner Text ohne Zeitstempel. Sie können Untertitel über die Offsets der Teile timen, wie in unserem Beitrag über arabische Untertitel, oder einen Anbieter nutzen, der Zeitstempel pro Wort oder Segment liefert.

## Weiterlesen

-   [Übersetzung Arabisch–Englisch mit LLMs: Prompts, Glossare, Bewertung](https://broadrouter.com/de/blog/arabic-english-translation-llm/)
-   [Audio über 25 MB transkribieren: aufteilen, senden, zusammenfügen](https://broadrouter.com/de/blog/transcribe-long-audio-files-api/)
-   [Spracherkennung arabischer Dialekte: Golf, Ägypten, Levante, Maghreb](https://broadrouter.com/de/blog/arabic-dialect-speech-recognition/)
-   [Arabische Besprechungsprotokolle aus Aufnahmen: eine API-Pipeline](https://broadrouter.com/de/blog/arabic-meeting-minutes-from-recordings/)
-   [Alternative zur Whisper API: wann wechseln und wie testen](https://broadrouter.com/de/blog/whisper-api-alternative/)
-   [Speech-to-Text-API für Arabisch: So wählen Sie 2026 die richtige](https://broadrouter.com/de/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Anleitung: Speech-to-Text API für Arabisch: Schritt für Schritt](https://broadrouter.com/de/guides/arabic-speech-to-text-api/)
-   [Anleitung: WhatsApp-Sprachnachrichten per API in Text umwandeln](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/)
-   [Anleitung: Warum ein Reasoning-Modell eine leere Antwort liefert](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-translate-arabic-audio-to-english&utm_content=page-cta) ·

**Quellen**

-   [API-Referenz von BroadNet Inference: Transkription akzeptiert WAV oder MP3 bis 26.214.400 Bytes, Parameter language, Antwort als Text; Reasoning zählt zu max\_tokens, reasoning\_effort low (geprüft am 15.11.2026) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [Preise von BroadNet Inference: Transkription pro Minute und Chat pro Token (geprüft am 15.11.2026) (auf Englisch)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [Deprecations der OpenAI API: /v1/audio/translations und whisper-1, Ankündigung 26. August 2026, Abschaltung 26. Februar 2027, Ersatz aufgeführt (geprüft am 15.11.2026)](https://developers.openai.com/api/docs/deprecations)
-   [Soniox, API für Sprachübersetzung Arabisch–Englisch: ein WebSocket, Übersetzungsblock mit Quelle ar und Ziel en (geprüft am 15.11.2026)](https://soniox.com/speech-translation/arabic/english)
-   [Preisseite von Soniox und FAQ zur Abrechnung von Übersetzungen (geprüft am 15.11.2026)](https://soniox.com/pricing)
-   [SacreBLEU auf GitHub (Apache 2.0): Klassen BLEU und CHRF, corpus\_score; getestet mit Version 2.6.0 (geprüft am 15.11.2026)](https://github.com/mjpost/sacrebleu)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation, WMT 2015 (geprüft am 15.11.2026)](https://aclanthology.org/W15-3049/)
-   [FFmpeg-Dokumentation zu Formaten: Segment-Muxer und segment\_time (geprüft am 15.11.2026)](https://ffmpeg.org/ffmpeg-formats.html#segment_002c-stream_005fsegment_002c-ssegment)
