BroadRouter

Arabic speech-to-text API: paano pumili sa 2026

Ng BroadNet Inference team · 7 minutong basa · Nailathala · Na-update

Pumili ng Arabic speech-to-text API sa pamamagitan ng pag-test nito sa sarili mong mga recording: sukatin ang word error rate sa mga dialect mo, saka ikumpara ang presyo kada oras ng audio, limit sa file at data retention. $0.25 kada oras ng audio ang BroadNet Transcribe Arabic ($0.0042 kada minuto), at nakalista ito sa ika-4 sa 39 sa Open Universal Arabic ASR Leaderboard noong Nobyembre 15, 2026.

Para pumili ng Arabic speech-to-text API, mag-transcribe ng 30 hanggang 50 sarili mong clip kada dialect gamit ang bawat kandidato, ikumpara ang word error rate kada dialect, saka timbangin ang presyo kada oras ng audio, limit sa file, pangangailangan sa streaming at data retention. Ang model na mukhang magaling sa benchmark ay puwede pa ring pumalya sa audio ng call centre mo.

Mahirap ang Arabic para sa speech recognition: iisang nakasulat na standard ang nasa ibabaw ng maraming sinasalitang dialect, lumilipat sa English ang mga nagsasalita sa gitna ng pangungusap, at karamihan ng totoong audio ay tawag sa telepono at voice note.

Bakit pinakamahalaga ang word error rate sa sarili mong audio?

Ang word error rate (WER) ay ang bahagi ng mga salitang mali ang model: napalitan, nalaktawan o inimbento. Mas mababa, mas mahusay. Panimulang punto lang ang mga pampublikong numero:

Test set Ano ito BroadNet Transcribe Arabic ElevenLabs Scribe v2 Whisper large-v3
FLEURS-ar Malinis na binabasang pangungusap 3.8 hindi inilathala hindi inilathala
MASC-ar Halo-halong totoong Arabic na pananalita 21.1 22.3 31.5
Dialect set ng BroadNet Gulf, Egyptian at Levantine na pananalita 23.4 25.6 31.8

Mga lab measurement ito ng BroadNet, na inilathala sa model catalogue nito at sa Transcribe Arabic page nito. Ang BroadNet mismo ang nagpatakbo ng paghahambing, kaya ituring ang mga column ng ElevenLabs at Whisper bilang test ng isang vendor sa mga kakumpitensya nito, hindi independiyenteng resulta. Iniuulat din ng BroadNet na nasa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ang model sa Open Universal Arabic ASR Leaderboard, at #1 sa mga model na pinapayagan ng lisensya na i-serve sa pamamagitan ng API. Noong Nobyembre 15, 2026, ang tatlong entry sa itaas nito ay Jais-ASR, Sygma-ASR-Arabic (na inilalarawan ng board bilang beam decoding sa Cohere model) at Audar-ASR-V1-Turbo; #19 ang Whisper large-v3. Hindi namin sinuri ang lisensya ng bawat entry.

Maririnig mo ang model sa sarili mong boses bago mag-sign up: nagta-transcribe ang browser playground ng BroadNet ng hanggang 60 segundo ng Arabic o English na audio nang walang account. Tingnan ang paano gamitin ang playground.

Ang agwat sa pagitan ng 3.8 at 23.4 ang aral: puwedeng halos perpekto ang iisang model sa binabasang pananalita at mas mahina nang malayo sa usapang nasa dialect. I-test sa audio mo.

Mag-ingat sa mga numero ng vendor sa pangkalahatan. Maraming nailathalang Arabic WER figure ang galing sa sariling test ng vendor, sa audio na hindi mo nakikita. Maikukumpara lang ang isang numero kapag pareho ang test set, ang normalization at ang scoring tool.

Para sa buong larawan, inililista ng aming bukas na speech-to-text API price index ang batch at streaming na presyo, billing increment at Arabic support para sa mahigit 20 produkto, bawat isa ay sinuri laban sa sariling pricing page ng provider (CSV at JSON).

Paano i-check ang sakop na dialect?

Pangkatin ang mga test file mo ayon sa dialect: Gulf (Khaleeji), Egyptian, Levantine, Iraqi, Maghrebi, at Modern Standard Arabic. I-score nang hiwalay ang bawat grupo. Kung nasa Riyadh ang karamihan ng customer mo, mas mahalaga nang malayo ang Gulf WER kaysa sa isang average.

Bantayan ang code-switching. Hinahaluan ng English na pangalan ng produkto at mga numero ang Gulf na pananalita sa negosyo. I-check kung paano lumalabas ang mga numero, petsa at pangalan, dahil iyon ang mga salitang pinagbabatayan ng aksyon ng downstream system mo. Nag-aalok ang BroadNet ng fine-tuned na Arabic model para sa mga numero, petsa at pangalan sa maingay na audio, kapag hiniling.

Magkano ang Arabic transcription kada oras ng audio?

Ikumpara kada oras ng audio, dahil ganoon sinusukat ang volume mo:

Model Kada minuto Kada oras 1,000 oras
BroadNet Transcribe Arabic $0.0042 $0.25 $252.00
BroadNet Transcribe (14 na wika) $0.002 $0.12 —
Soniox async (file), 60+ wika mga USD 0.0017 (kinuwenta) mga USD 0.10 mga USD 100
Soniox real-time (streaming) mga USD 0.002 (kinuwenta) mga USD 0.12 mga USD 120

Galing ang mga row ng Soniox sa presyo ng Soniox, sinuri noong Nobyembre 14, 2026. Kada token naniningil ang Soniox (mga 30,000 audio token kada oras) at tinatayang halaga lang ang mga figure nito kada oras.

Mas mura kada oras ang Soniox kaysa sa BroadNet. Mas mababa sa kalahati ng $0.25 ng BroadNet Transcribe Arabic ang rate nito para sa file, at mas mababa sa $0.12 ng BroadNet Transcribe. Kapantay ng BroadNet Transcribe ang real-time rate nito at mas mura pa rin kaysa sa Arabic model, at hindi man lang dokumentado ng BroadNet ang real-time streaming. Inililista ng Soniox ang Arabic (ar) sa mga suportadong wika nito at iisang rate ang ipinapakita para sa lahat ng wika. Hindi ito naglalathala ng presyong partikular sa Arabic, Arabic WER figure o sakop na dialect, kaya malinaw ang presyo pero hindi ang katumpakan. Patakbuhin ang parehong dialect test sa dalawa bago pumili batay sa presyo.

Para sa isang support inbox, $21.00 ang 10,000 WhatsApp voice note na tig-30 segundo sa Arabic model. Ang kuwenta ay 10,000 × 0.5 minutes × $0.0042. Ipasok ang sarili mong volume sa speech-to-text cost calculator.

Kapag nagkukumpara ng mga provider, i-check ang billing unit bukod sa rate: kada segundo, kada minuto o kada nasimulang block, at kung may minimum na singil kada file. Sa maiikling voice note lumalabas ang epekto ng rounding sa billing. Para sa kada-minutong rate ng ibang provider, na sinuri laban sa kanilang mga pricing page, tingnan ang paghahambing ng presyo ng speech-to-text API; kung lilipat ka mula sa endpoint ng OpenAI, tingnan ang checklist sa alternatibo sa Whisper API. Ipinapakita ng paghahambing ng Transcribe vs Transcribe Arabic kung kailan sapat na ang mas murang 14-wikang model.

Anong mga feature ang dapat mayroon ang Arabic speech-to-text API?

Hindi kailangan ng bawat produkto ang bawat feature. Pagpasyahan kung alin ang mahalaga bago magkumpara:

Feature Bakit mahalaga Ano ang itatanong
Batch na pag-upload ng file Voice note, recording, archive Mga format at pinakamalaking laki ng file
Real-time streaming Live captions, voice agent Latency, at kung hiwalay itong produkto
Speaker label (diarization) Mga tawag na may agent at customer Batch lang, o live din?
Word timestamp Subtitle, search, review tool Word o segment level?
Code-switching Arabic na may English na termino Kailangan ba ng iisang wika kada request?
Data retention May personal data ang mga tawag Itinatago ba ang audio o text, at gaano katagal?

Ang dokumentado ng BroadNet ngayon: batch transcription sa OpenAI-compatible na /v1/audio/transcriptions endpoint, WAV o MP3 na input, isang language field, at zero data retention. Para sa anupaman sa listahang ito, i-check ang API reference bago umasa rito.

Anong limit sa file at format ang umiiral?

  • Laki ng file. Tumatanggap ang BroadNet ng WAV o MP3 na hanggang 26,214,400 byte (25 MiB) kada file. 413 ang ibinabalik ng mas malaking file; hatiin ang mas mahahabang recording.
  • Mga format. I-convert muna ang mga .ogg na voice note at .m4a na recording; nasa gabay sa WhatsApp voice note ang linya ng ffmpeg.
  • Ang language field. Ipadala ang language=ar. Kung wala ito, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra.
  • Rate limit. Pinapayagan ng pay-as-you-go key ang 30 request kada minuto at 4 nang sabay. Para sa malaking backlog, i-queue ang mga file at i-retry ang mga 429 na may backoff; tingnan ang errors at retries.

Itinatago ba ang audio?

May dalang pangalan, numero ng telepono at detalye ng kalusugan o bangko ang mga voice note at tawag. Tanungin ang bawat provider kung itinatago ang audio at transcript, at gaano katagal. Hindi itinatago ng BroadNet Inference ang alinman; tingnan ang zero data retention at ang aming ZDR checklist.

Paano i-test ang isang Arabic transcription API sa isang hapon?

  1. Mangolekta ng 30 hanggang 50 totoong clip kada dialect mula sa production channel mo. Tanggalin ang anumang hindi mo puwedeng ibahagi.
  2. Isulat nang mano-mano ang tamang transcript para sa 10 clip kada dialect, gamit ang iisang napagkasunduang spelling convention.
  3. I-transcribe ang bawat clip gamit ang bawat kandidatong API. May curl at Python code para sa BroadNet ang step-by-step na Arabic guide.
  4. I-normalize ang dalawang text sa parehong paraan at kuwentahin ang WER at CER kada dialect. Nasa Arabic WER, ipinaliwanag ang Python normalization function at ipinapakita nito kung bakit puwedeng maging 75% WER ang perpektong transcript kapag nilaktawan ito.
  5. Basahin mismo ang 20 transcript. Puwede pa ring magtago ng maling numero o pangalan ang mababang WER.

Detalyadong tinatalakay sa Arabic dialect speech recognition kung paano pumili ng clip, sumulat ng reference at i-score ang bawat dialect group.

Mga karaniwang pagkakamali

  • Malinis na audio lang ang tine-test. Gumamit ng totoong recording ng telepono at voice note.
  • Iisang average na WER. Puwedeng itago ng magandang average ang dialect na ginagamit ng mga customer mo.
  • Nilalaktawan ang language field. Halos puro error ang score ng output na naka-transliterate.
  • Hindi pinapansin ang mga numero. I-check nang mano-mano ang mga digit, petsa at halaga; iyon ang pinagbabatayan ng aksyon ng system mo.

Saan pumapasok ang BroadNet Inference

Bagay ang BroadNet Transcribe Arabic sa batch transcription ng mga Arabic na voice note, tawag at recording sa presyong kada minuto, nang walang audio na itinatago. Sakop ng $5 na panimulang credit ang mga 1,190 minuto ng Arabic audio, sapat para sa test sa itaas nang walang card. Kung kailangan mo ng mga feature na hindi nito dokumentado, gaya ng live streaming captions, mag-test ng provider na nag-aalok nito. Para sa mga Arabic text task pagkatapos ng transcription, tingnan ang pagpili ng LLM para sa Arabic.

Mga tanong

Ano ang magandang word error rate para sa Arabic?

Depende sa audio. Iniuulat ng BroadNet ang 3.8 sa FLEURS-ar (malinis na binabasang pananalita), 21.1 sa MASC-ar at 23.4 sa dialect set nito para sa BroadNet Transcribe Arabic. Laging mas mahirap ang usapang audio na nasa dialect kaysa sa binabasang pananalita.

Aling speech-to-text API ang pinakamahusay para sa mga Arabic dialect?

Walang iisang sagot, dahil nag-iiba ang resulta ayon sa dialect at kalidad ng recording. Pumili ng dalawa o tatlong API, mag-transcribe ng 30 hanggang 50 sarili mong clip kada dialect gamit ang bawat isa, at ikumpara ang word error rate kada dialect, hindi ang kabuuang average.

Magkano ang pag-transcribe ng 1,000 oras ng Arabic audio?

Sa $0.0042 kada minuto ng audio, $252.00 ang 1,000 oras sa BroadNet Transcribe Arabic.

May live streaming ba ang Arabic speech-to-text ng BroadNet?

Dokumentado ng BroadNet ang batch transcription sa /v1/audio/transcriptions gamit ang WAV o MP3 file na hanggang 25 MiB. Hindi nito dokumentado ang live streaming captions. Kung kailangan mo iyon, nagbebenta halimbawa ang Soniox ng real-time transcription na may Arabic sa listahan ng wika nito (sinuri noong Nobyembre 14, 2026).

Kaya ba nitong i-transcribe ang mga WhatsApp voice note?

Oo, pagkatapos i-convert ang .ogg file sa WAV o MP3 gamit ang ffmpeg. Ipinapakita ng WhatsApp guide sa site na ito ang isang-linyang conversion.

Itinatago ba ang audio ko?

Hindi. Hindi itinatago ng BroadNet Inference ang audio o transcript pagkatapos ng request; mga record na walang content lang ang itinatago nito, gaya ng timing at gastos.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity