---
title: "API de voz a texto en árabe: cómo elegir en 2026 | BroadRouter"
description: "Cómo elegir una API de transcripción en árabe: tasa de error de palabras, dialectos, límites de archivo, precio por hora de audio, privacidad y un plan de pruebas."
url: https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/arabic-speech-to-text-api-buyers-guide/) (actualizado el 2026-11-15).

# API de voz a texto en árabe: cómo elegir una en 2026

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado 2026-11-14 · Actualizado 2026-11-15

Elija una API de voz a texto en árabe probándola con sus propias grabaciones: mida la tasa de error de palabras en sus dialectos y luego compare el precio por hora de audio, los límites de archivo y la retención de datos. BroadNet Transcribe Arabic cuesta $0.25 por hora de audio ($0.0042 por minuto), y el Open Universal Arabic ASR Leaderboard lo situó #4 de 39 el 15 de noviembre de 2026.

## Puntos clave

-   La tasa de error de palabras (WER) con su propio audio importa más que cualquier clasificación. Menos es mejor.
-   El árabe estándar moderno es el caso fácil. Pruebe por separado el habla del Golfo, egipcia, levantina y magrebí.
-   Normalice el texto árabe antes de evaluar, o las variantes ortográficas contarán como errores.
-   BroadNet Transcribe Arabic cuesta $0.25 por hora de audio; 1,000 horas cuestan $252.00.
-   Envíe siempre `language=ar`, o el árabe puede volver transliterado a letras latinas.
-   El crédito inicial gratuito de $5 cubre unos 1,190 minutos de audio en árabe para pruebas.

**En esta página**

1.  ¿Por qué lo que más importa es la tasa de error de palabras con su propio audio?
2.  ¿Cómo se comprueba la cobertura de dialectos?
3.  ¿Cuánto cuesta la transcripción en árabe por hora de audio?
4.  ¿Qué funciones debería tener una API de voz a texto en árabe?
5.  ¿Qué límites de archivo y formatos se aplican?
6.  ¿Se almacena el audio?
7.  ¿Cómo se prueba una API de transcripción en árabe en una tarde?
8.  Errores comunes
9.  Dónde encaja BroadNet Inference

Para elegir una API de [voz a texto](https://broadrouter.com/es/glossary/speech-to-text/) en árabe, transcriba con cada candidata de 30 a 50 de sus propios clips por dialecto, compare la tasa de error de palabras por dialecto y luego valore el precio por hora de audio, los límites de archivo, la necesidad de streaming y la retención de datos. Un modelo que luce muy bien en un benchmark puede fallar con el audio de su centro de llamadas.

El árabe es difícil para el reconocimiento de voz: un único estándar escrito convive con muchos dialectos hablados, los hablantes cambian al inglés a mitad de frase y la mayor parte del audio real son llamadas telefónicas y notas de voz.

## ¿Por qué lo que más importa es la tasa de error de palabras con su propio audio?

La [tasa de error de palabras (WER)](https://broadrouter.com/es/glossary/word-error-rate/) es la proporción de palabras en las que el modelo se equivoca: sustituidas, omitidas o inventadas. Menos es mejor. Las cifras públicas son un punto de partida:

| Conjunto de prueba | Qué es | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
| --- | --- | --- | --- | --- |
| FLEURS-ar | Oraciones leídas, audio limpio | 3.8 | no publicado | no publicado |
| MASC-ar | Habla árabe real y variada | 21.1 | 22.3 | 31.5 |
| Conjunto de dialectos de BroadNet | Habla del Golfo, egipcia y levantina | 23.4 | 25.6 | 31.8 |

Son mediciones de laboratorio de BroadNet, publicadas en su [catálogo de modelos](https://www.broadnet.ai/inference/models) y en su [página de Transcribe Arabic](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic). BroadNet hizo la comparación ella misma, así que tome las columnas de ElevenLabs y Whisper como la prueba de un proveedor sobre sus competidores, no como un resultado independiente. BroadNet también reporta que el modelo está #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard), y en el #1 entre los modelos cuyas licencias permiten servirlos mediante una API. El 15 de noviembre de 2026, las tres entradas por encima eran Jais-ASR, Sygma-ASR-Arabic (que la clasificación describe como decodificación por haz sobre el modelo de Cohere) y Audar-ASR-V1-Turbo; Whisper large-v3 estaba en el #19. No hemos comprobado la licencia de cada entrada.

Puede escuchar el modelo con su propia voz antes de registrarse: el [playground en el navegador](https://www.broadnet.ai/inference/playground) de BroadNet transcribe hasta 60 segundos de audio en árabe o inglés sin cuenta. Consulte [cómo usar el playground](https://broadrouter.com/es/guides/try-broadnet-inference-playground/).

La distancia entre 3.8 y 23.4 es la lección: **el mismo modelo puede ser casi perfecto con habla leída y mucho más débil con conversación en dialecto.** Pruebe con la suya.

Tenga cuidado, en general, con las cifras de los proveedores. Muchas cifras de WER en árabe publicadas proceden de la prueba del propio proveedor, con audio que usted no puede ver. Una cifra solo es comparable cuando el conjunto de prueba, la normalización y la herramienta de evaluación son los mismos.

Para el panorama completo, nuestro [índice abierto de precios de API de voz a texto](https://broadrouter.com/data/speech-to-text-api-prices/) recoge precios por lotes y de streaming, incrementos de facturación y compatibilidad con el árabe de más de 20 productos, cada uno verificado en la página de precios del propio proveedor (CSV y JSON).

## ¿Cómo se comprueba la cobertura de dialectos?

Agrupe sus archivos de prueba por dialecto: del Golfo (jaliyí), egipcio, levantino, iraquí, magrebí, además del [árabe estándar moderno](https://broadrouter.com/es/glossary/msa/). Evalúe cada grupo por separado. Si la mayoría de sus clientes están en Riad, el WER del Golfo importa mucho más que un promedio.

Preste atención a la **[alternancia de idiomas](https://broadrouter.com/es/glossary/code-switching/)**. El habla de negocios del Golfo intercala nombres de productos y números en inglés. Compruebe cómo salen los números, las fechas y los nombres, porque son las palabras sobre las que actúa su sistema posterior. BroadNet ofrece, bajo pedido, un [modelo árabe con fine-tuning](https://broadrouter.com/es/models/#on-request) para números, fechas y nombres en audio con ruido.

## ¿Cuánto cuesta la transcripción en árabe por hora de audio?

Compare por hora de audio, porque así se mide su volumen:

| Modelo | Por minuto | Por hora | 1,000 horas |
| --- | --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | $252.00 |
| [BroadNet Transcribe (14 idiomas)](https://broadrouter.com/es/models/cohere-transcribe/) | $0.002 | $0.12 | — |
| Soniox asíncrono (archivo), más de 60 idiomas | unos USD 0.0017 (derivado) | unos USD 0.10 | unos USD 100 |
| Soniox en tiempo real (streaming) | unos USD 0.002 (derivado) | unos USD 0.12 | unos USD 120 |

Las filas de Soniox proceden de [los precios de Soniox](https://soniox.com/pricing), consultados el 14 de noviembre de 2026. Soniox factura por token (unos 30,000 tokens de audio por hora) y presenta las cifras por hora como aproximaciones.

**Soniox es más barato por hora que BroadNet.** Su tarifa por archivo es menos de la mitad de los $0.25 de BroadNet Transcribe Arabic y está por debajo de los $0.12 de BroadNet Transcribe. Su tarifa en tiempo real iguala a BroadNet Transcribe y sigue siendo inferior a la del modelo árabe, y BroadNet no documenta en absoluto el streaming en tiempo real. Soniox incluye el árabe (`ar`) entre sus [idiomas compatibles](https://docs.soniox.com/stt/concepts/supported-languages) y muestra una sola tarifa para todos los idiomas. No publica precios específicos para el árabe, cifras de WER en árabe ni cobertura de dialectos, así que el precio está claro, pero la precisión no. Haga la misma prueba de dialectos con ambos antes de decidir por precio.

Para una bandeja de soporte, 10,000 notas de voz de WhatsApp de 30 segundos cada una cuestan $21.00 con el modelo árabe. El cálculo es `10,000 × 0.5 minutes × $0.0042`. Calcule su propio volumen con la [calculadora de costos de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

Al comparar proveedores, revise la unidad de facturación además de la tarifa: por segundo, por minuto o por bloque iniciado, y si hay un cargo mínimo por archivo. Las notas de voz cortas son donde se nota el redondeo de la facturación. Para las tarifas por minuto de otros proveedores, verificadas en sus páginas de precios, consulte [precios de API de voz a texto comparados](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/); si está dejando el endpoint de OpenAI, consulte la lista de comprobación de [alternativas a la API de Whisper](https://broadrouter.com/es/blog/whisper-api-alternative/). La [comparación de Transcribe y Transcribe Arabic](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/) muestra cuándo basta con el modelo de 14 idiomas, más barato.

## ¿Qué funciones debería tener una API de voz a texto en árabe?

No todos los productos necesitan todas las funciones. Decida cuáles importan antes de comparar:

| Función | Por qué importa | Qué preguntar |
| --- | --- | --- |
| Carga de archivos por lotes | Notas de voz, grabaciones, archivos históricos | Formatos y tamaño máximo de archivo |
| Streaming en tiempo real | Subtítulos en vivo, agentes de voz | Latencia, y si es un producto aparte |
| Etiquetas de hablante ([diarización](https://broadrouter.com/es/glossary/diarization/)) | Llamadas entre agente y cliente | ¿Solo por lotes, o también en vivo? |
| Marcas de tiempo por palabra | Subtítulos, búsqueda, herramientas de revisión | ¿A nivel de palabra o de segmento? |
| Alternancia de idiomas | Árabe con términos en inglés | ¿Requiere un solo idioma por solicitud? |
| Retención de datos | Las llamadas contienen datos personales | ¿Se guarda el audio o el texto, y durante cuánto tiempo? |

Lo que BroadNet documenta hoy: transcripción por lotes mediante el endpoint `/v1/audio/transcriptions`, compatible con OpenAI, entrada WAV o MP3, un campo `language` y cero retención de datos. Para cualquier otra cosa de esta lista, consulte la [referencia de la API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-speech-to-text-api-buyers-guide&utm_content=body) antes de contar con ella.

## ¿Qué límites de archivo y formatos se aplican?

-   **Tamaño de archivo.** BroadNet acepta WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por archivo. Un archivo mayor devuelve 413; divida las grabaciones más largas.
-   **Formatos.** Convierta primero las notas de voz .ogg y las grabaciones .m4a; la [guía de notas de voz de WhatsApp](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) incluye la línea de ffmpeg.
-   **El campo language.** Envíe `language=ar`. Sin él, el árabe puede volver transliterado a letras latinas.
-   **Límites de tasa.** Una clave de pago por uso permite 30 solicitudes por minuto y 4 a la vez. Para una gran acumulación de archivos, póngalos en cola y reintente los 429 con backoff; consulte [errores y reintentos](https://broadrouter.com/es/guides/errors-and-retries/).

## ¿Se almacena el audio?

Las notas de voz y las llamadas contienen nombres, números de teléfono y datos de salud o bancarios. Pregunte a cada proveedor si conserva el audio y las transcripciones, y durante cuánto tiempo. BroadNet Inference no conserva ninguno de los dos; consulte [cero retención de datos](https://broadrouter.com/es/privacy/) y nuestra [lista de comprobación de ZDR](https://broadrouter.com/es/blog/zero-data-retention-llm-api-checklist/).

## ¿Cómo se prueba una API de transcripción en árabe en una tarde?

1.  Reúna de 30 a 50 clips reales por dialecto de su canal de producción. Elimine todo lo que no pueda compartir.
2.  Escriba a mano la transcripción correcta de 10 clips por dialecto, con una convención ortográfica acordada.
3.  Transcriba cada clip con cada API candidata. La [guía paso a paso para árabe](https://broadrouter.com/es/guides/arabic-speech-to-text-api/) tiene código curl y Python para BroadNet.
4.  Normalice ambos textos de la misma manera y calcule el WER y el CER por dialecto. [El WER en árabe explicado](https://broadrouter.com/es/blog/arabic-asr-wer-explained/) incluye la función de normalización en Python y muestra por qué omitirla puede convertir una transcripción perfecta en un 75% de WER.
5.  Lea usted mismo 20 transcripciones. Un WER bajo puede seguir ocultando números o nombres incorrectos.

Cómo elegir los clips, escribir las referencias y evaluar cada grupo de dialecto se explica en detalle en [reconocimiento de voz en dialectos árabes](https://broadrouter.com/es/blog/arabic-dialect-speech-recognition/).

## Errores comunes

-   **Probar solo audio limpio.** Use grabaciones reales de teléfono y notas de voz.
-   **Un único WER promedio.** Un buen promedio puede ocultar un dialecto que usan sus clientes.
-   **Omitir el campo language.** Una salida transliterada se evalúa como casi todo errores.
-   **Ignorar los números.** Revise a mano dígitos, fechas e importes; son aquello sobre lo que actúa su sistema.

## Dónde encaja BroadNet Inference

BroadNet Transcribe Arabic es adecuado para la transcripción por lotes de notas de voz, llamadas y grabaciones en árabe a un precio por minuto, sin conservar el audio. El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe, suficiente para la prueba anterior sin tarjeta. Si necesita funciones que no documenta, como subtítulos en vivo por streaming, pruebe un proveedor que las ofrezca. Para las tareas de texto en árabe posteriores a la transcripción, consulte [cómo elegir un LLM para árabe](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/).

Herramientas gratuitas sobre este tema (en inglés)

-   [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.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/)

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

[Streaming (respuestas en tiempo real)](https://broadrouter.com/es/glossary/streaming/)

El streaming es una forma de devolver la respuesta de un modelo de lenguaje en pequeños fragmentos mientras aún se genera, en lugar de una sola respuesta al final. Las APIs compatibles con OpenAI hacen streaming mediante server-sent events cuando la solicitud define stream como true.

[Tasa de error por palabra (WER)](https://broadrouter.com/es/glossary/word-error-rate/)

La tasa de error por palabra (WER) es la medida estándar de precisión del reconocimiento de voz: el número de sustituciones, eliminaciones e inserciones de palabras necesarias para convertir una transcripción en la referencia correcta, dividido entre el número de palabras de la referencia. Cuanto más baja, mejor.

[Árabe estándar moderno (MSA, fusha)](https://broadrouter.com/es/glossary/msa/)

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[Subtítulos SRT (SRT subtitles)](https://broadrouter.com/es/glossary/srt-subtitles/)

SRT (SubRip) es un formato de subtítulos en texto plano. Cada subtítulo consta de un número de secuencia, una hora de inicio y fin escrita como hh:mm:ss,mmm --> hh:mm:ss,mmm, una o más líneas de texto y una línea en blanco. WebVTT es el formato web similar que usa el video en HTML.

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

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

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

El code-switching, o alternancia de códigos, es el uso de dos o más idiomas, o de variedades de un mismo idioma, dentro de la misma conversación o frase, de forma oral o escrita. Por ejemplo, hablantes de árabe que mezclan palabras inglesas en su dialecto o que pasan del árabe estándar moderno a su dialecto.

## Preguntas frecuentes

### ¿Qué tasa de error de palabras es buena para el árabe?

Depende del audio. BroadNet reporta para BroadNet Transcribe Arabic un 3.8 en FLEURS-ar (habla leída y limpia), un 21.1 en MASC-ar y un 23.4 en su conjunto de dialectos. El audio conversacional en dialecto siempre es más difícil que el habla leída.

### ¿Qué API de voz a texto es la mejor para los dialectos árabes?

No hay una única respuesta, porque los resultados varían según el dialecto y la calidad de la grabación. Preseleccione dos o tres API, transcriba con cada una de 30 a 50 de sus propios clips por dialecto y compare la tasa de error de palabras por dialecto, no un promedio general.

### ¿Cuánto cuesta transcribir 1,000 horas de audio en árabe?

A $0.0042 por minuto de audio, 1,000 horas cuestan $252.00 con BroadNet Transcribe Arabic.

### ¿La voz a texto en árabe de BroadNet admite streaming en vivo?

BroadNet documenta la transcripción por lotes mediante /v1/audio/transcriptions con archivos WAV o MP3 de hasta 25 MiB. No documenta subtítulos en vivo por streaming. Si los necesita, Soniox, por ejemplo, vende transcripción en tiempo real con el árabe en su lista de idiomas (consultado el 14 de noviembre de 2026).

### ¿Puede transcribir notas de voz de WhatsApp?

Sí, tras convertir el archivo .ogg a WAV o MP3 con ffmpeg. La guía de WhatsApp de este sitio muestra la conversión en una línea.

### ¿Se almacena mi audio?

No. BroadNet Inference no conserva el audio ni las transcripciones después de la solicitud; solo guarda registros sin contenido, como tiempos y costo.

## Siga leyendo

-   [Transcribir audio largo de más de 25 MB: dividir, enviar y unir](https://broadrouter.com/es/blog/transcribe-long-audio-files-api/)
-   [Tasa de error de palabras (WER) en el reconocimiento de voz en árabe](https://broadrouter.com/es/blog/arabic-asr-wer-explained/)
-   [Voz a texto en dialectos árabes: Golfo, egipcio, levantino y magrebí](https://broadrouter.com/es/blog/arabic-dialect-speech-recognition/)
-   [Precios de API de voz a texto comparados: precio por minuto en 2026](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/)
-   [Alternativa a la API de Whisper: cuándo cambiar y cómo probarla](https://broadrouter.com/es/blog/whisper-api-alternative/)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)
-   [Guía: Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/)
-   [Guía: Códigos de error de BroadNet Inference y cuándo reintentar](https://broadrouter.com/es/guides/errors-and-retries/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-speech-to-text-api-buyers-guide&utm_content=page-cta) ·

**Fuentes**

-   [Página del modelo BroadNet Transcribe Arabic: WER comparado con ElevenLabs Scribe v2 y Whisper large-v3 (consultada el 2026-11-15)](https://www.broadnet.ai/es/inference/models/cohere-transcribe-arabic)
-   [Catálogo de modelos de BroadNet, voz a texto: WER y posición en la clasificación según BroadNet (consultado el 2026-11-14)](https://www.broadnet.ai/es/inference/models)
-   [Open Universal Arabic ASR Leaderboard, Space de Hugging Face (consultado el 2026-11-15)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Referencia de la API de BroadNet Inference: formatos de transcripción, límite de 26,214,400 bytes, 413, campo language (consultada el 2026-11-14) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-speech-to-text-api-buyers-guide&utm_content=sources)
-   [Precios de BroadNet Inference en formato legible por máquina, pricing.json (consultado el 2026-11-14) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-speech-to-text-api-buyers-guide&utm_content=sources)
-   [Precios de Soniox: asíncrono, unos 0.10 USD/hora; en tiempo real, unos 0.12 USD/hora; facturado por token (consultado el 2026-11-14)](https://soniox.com/pricing)
-   [Documentación de Soniox, idiomas compatibles: árabe (ar) entre 60 (consultada el 2026-11-14)](https://docs.soniox.com/stt/concepts/supported-languages)
-   [jiwer, paquete de Python para tasas de error de ASR (consultado el 2026-11-14)](https://github.com/jitsi/jiwer)
