---
title: "Arabic meeting minutes mula sa audio gamit ang API | BroadRouter"
description: "Gawing minutes na may desisyon at action item ang Arabic meeting recording: i-transcribe, linisin, i-summarise sa JSON gamit ang LLM, suriin ang pangalan at petsa."
url: https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (na-update noong 2026-11-15).

# Arabic meeting minutes mula sa recording: isang API pipeline

Ng BroadNet Inference team · 6 minutong basa · Nailathala 2026-11-15

Para gumawa ng Arabic meeting minutes gamit ang API, i-transcribe ang recording sa Arabic speech-to-text model, hatiin sa mga section ang mahabang transcript, hilingin sa LLM ang mga desisyon, action item at bukas na tanong bilang JSON, saka pagsamahin ang mga section. Pasipiin sa model ang transcript para sa bawat action item, at isulat ang minutes sa Modern Standard Arabic o English.

## Mga pangunahing punto

-   Dalawang trabaho ang minutes: speech-to-text, saka pag-summarise. Piliin at subukan ang bawat model nang hiwalay.
-   Dalawang beses kailangang hatiin ang mahabang meeting: ang audio para kumasya sa upload limit, at ang transcript para manatiling tumpak ang summary.
-   Humingi ng JSON na may sipi mula sa transcript para sa bawat desisyon at action item, para masuri ng reviewer ang bawat isa.
-   Walang speaker label ang plain-text na transcript. Huwag hayaang hulaan ng model kung sino ang may-ari ng task maliban kung may binanggit na pangalan.
-   Sa BroadNet, $0.25 ang pag-transcribe ng isang oras ng Arabic audio; ang Qwen3.8 27B, na sinubukan ng BroadNet sa Arabic, ang sumusulat ng minutes.

**Sa page na ito**

1.  Ano ang itsura ng pipeline?
2.  Step 1: paano i-transcribe ang mahabang Arabic na meeting?
3.  Makukuha ba ang pangalan ng mga nagsasalita?
4.  Step 2: bakit hahatiin ang transcript bago i-summarise?
5.  Step 3: aling model ang dapat sumulat ng minutes?
6.  Step 4: anong prompt ang nagbibigay ng maaasahang minutes?
7.  Step 5: paano pagsamahin ang mga section sa iisang minutes?
8.  Magkano ang isang meeting?
9.  Anong mga pagkakamali ang dapat iwasan?
10.  Kailan maling pagpipilian ang API pipeline?
11.  Saan pumapasok ang BroadNet Inference

Mukhang isang task ang meeting minutes, pero dalawa ito: gawing text ang pananalita, at gawing desisyon at action item ang text. May sariling paraan ng pagpalya ang bawat hakbang. Ang maling na-transcribe na salitang dialect ay nagiging maling action item; ang model na mahusay mag-summarise ay puwede pa ring mag-imbento ng may-ari. Binubuo ng post na ito ang pipeline para sa mga Arabic na meeting at ipinapakita kung saan ilalagay ang mga pagsusuri.

## Ano ang itsura ng pipeline?

```text
recording (.m4a, .mp4, .webm)
  → ffmpeg: 16 kHz mono, split at silences
  → speech to text, language=ar, one request per chunk
  → join the transcript, clean obvious noise
  → split the transcript into sections
  → LLM: summary, decisions, action items, open questions (JSON) per section
  → LLM: merge the sections into one set of minutes
  → human review → send
```

Hakbang-hakbang na tinatalakay ng natitirang bahagi ng post na ito.

## Step 1: paano i-transcribe ang mahabang Arabic na meeting?

Ang isang oras na meeting na na-record sa laptop ay kadalasang mas malaki nang husto kaysa sa upload limit. Tumatanggap ang BroadNet Inference ng WAV o MP3 hanggang 26,214,400 byte kada file, kaya i-convert muna sa 16 kHz mono at hatiin sa mga katahimikan. Nasa [pag-transcribe ng mahabang audio na lampas 25 MB](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/) ang buong script, kasama ang parallel na request at pagsasama-sama ng text nang maayos.

Tatlong setting ang mahalaga sa mga Arabic na meeting:

-   **Ipadala ang `language="ar"` sa bawat chunk.** Nagbababala ang docs ng BroadNet na kung hindi, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra.
-   **Gamitin ang Arabic na model** para sa mga meeting na Arabic ang pangunahing wika: `broadnet/cohere-transcribe-arabic`. Para sa mga meeting na kadalasang nasa ibang wika nito, $0.002 kada minuto ang `broadnet/cohere-transcribe`.
-   **Itago ang raw na transcript.** Kailangan mo ito para sa review at para sa mga sipi sa step 4.

Normal ang halong Arabic at English sa mga business meeting sa Gulf. Subukan ang isang recording na may karaniwan mong halo: sa mga pangalan ng produkto sa English at sa mga numero lumalabas ang mga error. Tinatalakay ng [Arabic dialect speech recognition](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/) kung ano ang dapat pakinggan.

## Makukuha ba ang pangalan ng mga nagsasalita?

Hindi mula sa plain-text na transcript. JSON na may iisang `text` field ang response ng transcription ng BroadNet: walang speaker at walang timestamp. (Para sa timing ng caption mula sa offset ng chunk, tingnan ang [Arabic subtitles mula sa text-only na API](https://broadrouter.com/fil/blog/arabic-subtitles-srt-api/).) May tatlong opsyon ka:

| Sitwasyon | Gagawin |
| --- | --- |
| Naka-record ang bawat tao sa hiwalay na track o channel | I-transcribe nang hiwalay ang bawat track; sinasabi ng track kung sino ang nagsasalita |
| Dalawang-channel na recording ng tawag | Hatiin ang mga channel gamit ang ffmpeg, gaya sa [call center pipeline](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/) |
| Isang halo-halong track, at kailangan mo ng speaker | Gumamit ng provider na nagbabalik ng [diarization](https://broadrouter.com/fil/glossary/diarization/); inihahambing sila ng [buyer’s guide](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/) |

Sa iisang halo-halong track, makakahanap pa rin ng may-ari ang LLM kapag may bumanggit ng pangalan: “Khalid will send the quote by Thursday.” Ang hindi nito dapat gawin ay hulaan ang may-ari mula sa context. Ipinagbabawal iyon ng prompt sa ibaba.

## Step 2: bakit hahatiin ang transcript bago i-summarise?

Dalawang dahilan. Una, context: puwedeng masyadong mahaba ang isang oras ng usapan para sa maliit na model. May 32,768-token na context ang [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/), na puwedeng lampasan ng mahabang Arabic na meeting. Bilangin ang sa iyo gamit ang [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/); kadalasang mas maraming token kada salita ang kailangan ng Arabic kaysa English, gaya ng ipinapakita ng [token kada salita sa Arabic vs English](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/).

Pangalawa, accuracy. Natuklasan ng pananaliksik sa mahahabang input na ang performance ng model ay “significantly degrades when models must access relevant information in the middle of long contexts” (salin: bumababa nang malaki kapag kailangang abutin ng model ang mahalagang impormasyon sa gitna ng mahabang context) ([Liu et al.](https://arxiv.org/abs/2307.03172)). Ang desisyong ginawa sa ika-35 minuto ng 70 ay eksaktong ganoon. Kapag sina-summarise ang mga section na tig-10 hanggang 15 minuto, saka pinagsasama, nananatiling malapit sa simula ng prompt ang bawat bahagi.

Hatiin sa parehong mga punto ng katahimikan na ginamit mo sa audio, para hindi kailanman magsimula ang section sa gitna ng pangungusap.

## Step 3: aling model ang dapat sumulat ng minutes?

| Model | Context | Notes para sa minutes | Input / output kada 1M token |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) | 262,144 | Sinubukan ng BroadNet sa Arabic: matatas sumulat, naiintindihan ang Gulf at Egyptian na dialect; nakalista ang structured output | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/) | 1,048,576 | Nakalista ang structured output; text lang | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | 1,048,576 | Nasa flat na plan din sa $60 kada buwan kada session, isang request sa isang pagkakataon | $0.175 / $0.52 |

Magsimula sa Qwen3.8 27B, dahil ito ang model na sinubukan ng BroadNet sa Arabic. Ihambing ito sa isa pang model sa tatlong totoong meeting, at pa-score-in sa native speaker. May scoring sheet ang [pagpili ng LLM para sa Arabic](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/).

Nagre-reason muna ang tatlong model bago sumagot, at kasama ang reasoning sa `max_tokens`. Mahaba ang minutes, kaya maglaan ng ilang libong token, o puwedeng bumalik na walang laman ang nakikitang sagot. [Bakit ito nangyayari](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/).

## Step 4: anong prompt ang nagbibigay ng maaasahang minutes?

Humingi ng JSON, at pasipiin sa model ang transcript para sa bawat item. Ang sipi ang nagpapahintulot sa reviewer na suriin ang isang action item sa ilang segundo sa halip na basahin ulit ang buong transcript.

```python
import json, os
from openai import OpenAI

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

SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
  "summary": 2-4 sentences in Modern Standard Arabic,
  "decisions": [{"text": ..., "quote": ...}],
  "actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
  "open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""

def minutes_for(section):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": section}])
    return json.loads(r.choices[0].message.content)
```

Saka mag-validate sa code. I-parse ang JSON, suriin ang mga key, at suriin na talagang lumalabas sa section ang bawat `quote`. Ang item na wala sa transcript ang sipi ay imbento ng model: tanggalin ito o i-flag. Kung hindi ma-parse ang JSON, i-retry nang isang beses kasama ang error message. Ipinapakita ng [JSON mode vs json\_schema](https://broadrouter.com/fil/blog/structured-output-json-schema/) ang isang validation loop; inililista ng docs ng BroadNet ang structured output para sa GLM 5.3 at Qwen3.8 27B nang hindi pinapangalanan ang request parameter, kaya subukan ito bago umasa rito.

Para sa minutes sa English, palitan ng English ang summary line at idagdag: “Keep each quote in the original Arabic.” Mas malalim na tinatalakay ng post na [Arabic prompt engineering](https://broadrouter.com/fil/blog/arabic-prompt-engineering/) ang register, numeral at text na halo-halo ang script.

## Step 5: paano pagsamahin ang mga section sa iisang minutes?

Ipadala ang lahat ng resulta ng section sa isang huling request at hilingin sa model na:

1.  Sumulat ng isang summary ng buong meeting.
2.  Pagsamahin ang mga dobleng desisyon at action. Madalas dalawang beses binabanggit ang parehong task.
3.  Panatilihin ang sipi ng bawat item.
4.  Markahang nagbago ang isang action kung binago ng mas huling section ang may-ari o petsa nito.

Maliit ang input ng merge: JSON mula sa bawat section, hindi ang transcript. Malayong-malayo sa limit ng context ang merge sa alinman sa tatlong model sa itaas.

## Magkano ang isang meeting?

| Hakbang | Ano ang binabayaran mo | Presyo |
| --- | --- | --- |
| Transcription | Minuto ng audio | $0.0042 kada minuto, $0.25 kada oras |
| Summary ng section | Transcript token in, JSON out | Qwen3.8 27B: $0.175 in, $2.17 out kada 1M |
| Merge | Maliit na JSON in at out | Parehong rate |

Kadalasang ang transcription ang fixed na bahagi. Nakadepende ang bahagi ng LLM sa haba ng transcript at sa dami ng reasoning ng model. Basahin ang `prompt_tokens` at `completion_tokens` mula sa unang ilang totoong meeting, saka i-multiply sa [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/). Ginagawa ng [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ang panig ng audio. Sakop ng $5 na panimulang credit ang mga transcription model, na mga 1,190 minuto ng Arabic; kailangan ng top-up ang Qwen3.8 27B.

## Anong mga pagkakamali ang dapat iwasan?

-   **Pag-summarise ng buong meeting sa iisang prompt.** Nawawala ang mga item mula sa gitna.
-   **Pagpapahintulot sa model na punan ang mga puwang.** Ang mga may-ari at petsang hindi kailanman sinabi ang pinakakaraniwang error sa AI minutes. Gawing null ang default.
-   **Masyadong maagang pagsasalin.** Mag-transcribe at mag-extract sa Arabic, saka isalin ang minutes. Kapag isinalin muna ang transcript, nawawala ang eksaktong mga sipi.
-   **Paglaktaw sa review.** Record ang minutes. Dapat basahin ito ng taong dumalo bago ipadala.
-   **Pagtatago ng recording magpakailanman.** Burahin ang audio kapag naaprubahan na ang minutes, maliban kung kailangan mo itong itago.

## Kailan maling pagpipilian ang API pipeline?

Kung kailangan mo ng live na caption habang nagmi-meeting, speaker label mula sa iisang halo-halong track, o handang app na magagamit ng team mo ngayon, mas mabilis ang dedicated na meeting product. Marami ang nagbebenta ng Arabic meeting notes; ihambing sila sa sarili mong mga recording, dahil sariling claim nila ang accuracy na nasa mga pahina nila. Makatuwiran ang API route kapag gusto mo ang minutes sa loob ng sarili mong system, sa format mo, na may sarili mong retention rule.

## Saan pumapasok ang BroadNet Inference

Inilalagay ng BroadNet ang dalawang kalahati sa iisang OpenAI-compatible na key: BroadNet Transcribe Arabic sa $0.0042 kada minuto, at ang Qwen3.8 27B na sinubukan sa Arabic para sa minutes. Sinasabi ng privacy statement nito na wala itong itinatagong prompt, audio, sagot o transcript pagkatapos ng request, na mahalaga para sa mga internal na meeting. Hindi ito nagbabalik ng speaker label o timestamp, at wala itong live na transcription, kaya gumamit ng ibang provider kung kailangan mo ang mga iyon. Magsimula sa [gabay sa Arabic speech-to-text](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/), saka idagdag ang summary step sa itaas.

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

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

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Structured output](https://broadrouter.com/fil/glossary/structured-output/)

Ang structured output ay feature ng LLM API na naglilimita sa sagot ng model sa format na itinakda ng developer, kadalasang JSON Schema, para maaasahang ma-parse ito ng code. Mas mahigpit ito kaysa sa JSON mode, na gumagarantiya ng valid na JSON pero hindi ng partikular na hugis.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Speaker diarization](https://broadrouter.com/fil/glossary/diarization/)

Ang speaker diarization ay ang task ng paghahati ng audio recording sa mga segment ayon sa nagsasalita, na sumasagot sa tanong na "sino ang nagsalita at kailan". Nilalagyan nito ang bawat bahagi ng pananalita ng anonymous na speaker ID gaya ng SPEAKER\_00, at kadalasang isinasama sa transcript para makita kung sino ang nagsabi ng bawat linya.

[Dialectal Arabic (mga dialect ng Arabic)](https://broadrouter.com/fil/glossary/dialectal-arabic/)

Ang dialectal Arabic ay ang pang-araw-araw na sinasalitang Arabic ng isang rehiyon o lungsod, gaya ng Egyptian, Gulf, Levantine o Maghrebi Arabic. Naiiba ang mga dialect sa Modern Standard Arabic sa tunog, salita at grammar, walang standard na spelling, at lalong isinusulat online, kaya mas mahirap ang mga ito para sa mga language model.

## Mga tanong

### Paano ako makakakuha ng meeting minutes mula sa Arabic na recording?

I-transcribe ang audio gamit ang Arabic speech-to-text API, na nagpapadala ng language=ar. Saka ipadala ang transcript sa LLM na may prompt na humihingi ng maikling summary, mga desisyon, action item na may may-ari at due date, at mga bukas na tanong bilang JSON. Suriin ang resulta bago ipadala.

### Puwede bang English ang minutes kahit Arabic ang meeting?

Oo. Mag-transcribe sa Arabic, saka hilingin sa LLM na isulat ang minutes sa English habang pinapanatili ang mga pangalan, numero at sipi nang eksakto gaya ng sinabi. Panatilihin ang mga Arabic na sipi para masuri ng bilingual na reviewer ang salin.

### Paano hahawakan ang dialect sa meeting minutes?

Hayaang panatilihin ng transcript ang dialect, dahil iyon ang sinabi. Hilingin sa LLM na isulat ang minutes sa Modern Standard Arabic, at panatilihin ang mga salitang dialect sa loob ng sipi kapag mahalaga ang kahulugan, gaya ng pangako o pagtanggi.

### Kaya bang sabihin ng API kung sino ang nagsabi ng ano?

Kung nagbabalik lang ito ng speaker label. Plain text ang ibinabalik ng transcription ng BroadNet. Kung naka-record ang bawat kalahok sa hiwalay na track o channel, i-transcribe nang hiwalay ang bawat track at alam mo na ang nagsasalita; kung hindi, gumamit ng provider na may diarization.

### Aling model ang dapat mag-summarise ng mahabang meeting?

Pumili ng model na may sapat na context para sa pinakamahaba mong transcript at mahusay sa Arabic. Sa BroadNet, ang Qwen3.8 27B ang model na sinubukan sa Arabic na may 262,144-token na context; 1,048,576 token naman ang GLM 5.3 at DeepSeek V4.1 Flash. Subukan ang dalawa sa tatlong totoong meeting.

### Ligtas bang ipadala sa API ang mga internal na meeting?

Suriin muna ang retention terms ng provider. Sinasabi ng BroadNet na wala itong itinatagong prompt, audio, sagot o transcript pagkatapos ng request. Gayunman, tanggalin ang anumang hindi kailangan ng minutes, gaya ng personal na phone number na binasa nang malakas.

## Magbasa pa

-   [Pag-transcribe ng audio na lampas 25 MB: hatiin, ipadala, pagdugtungin](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Paano i-transcribe ang call center recording: pipeline para sa Arabic](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/)
-   [JSON mode vs json\_schema: structured output na maaasahan](https://broadrouter.com/fil/blog/structured-output-json-schema/)
-   [Pagpili ng LLM API para sa Arabic: ano ang dapat i-test](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/)
-   [Arabic prompt engineering: register, RTL, numeral at halo-halong text](https://broadrouter.com/fil/blog/arabic-prompt-engineering/)
-   [Arabic text summarization gamit ang LLM: prompt, haba at scoring](https://broadrouter.com/fil/blog/arabic-text-summarization-llm/)
-   [Arabic subtitles (SRT) mula sa speech-to-text API: ang kailangan mo](https://broadrouter.com/fil/blog/arabic-subtitles-srt-api/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Gabay: Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference: mga field ng transcription at text-only na response, mga model na may structured output, reasoning at max\_tokens (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Pricing page ng BroadNet Inference: presyo kada minuto at ang "Tested in Arabic" na note ng Qwen3.8 27B (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Privacy statement ng BroadNet Inference: walang itinatagong prompt, audio o transcript (sinuri noong 2026-11-15) (Ingles)](https://www.broadnet.ai/inference-privacy)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172; sinuri noong 2026-11-15)](https://arxiv.org/abs/2307.03172)
-   [Gabay sa speech-to-text ng OpenAI: iwasang hatiin ang audio sa gitna ng pangungusap (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
