Karamihan sa mga produktong humahawak ng audio ay may higit sa isang wika: global na support line, meeting recording mula sa iba’t ibang opisina, voice-note inbox sa lungsod na maraming wika. May gastos sa maintenance ang pagkakaroon ng isang speech-to-text vendor kada wika. Inilalagay ng BroadNet Transcribe ang 14 na wika sa likod ng iisang OpenAI-compatible na endpoint, may presyo kada minuto ng audio, at may espesyal na Arabic model sa tabi nito para sa workload na mabigat sa Arabic.
Anong mga wika ang sinasaklaw ng BroadNet Transcribe?
Galing ang listahan ng wika sa inilathalang pricing.json ng BroadNet, bilang mga ISO 639-1 code:
| Code | Wika | Code | Wika |
|---|---|---|---|
| en | English | nl | Dutch |
| es | Spanish | pl | Polish |
| fr | French | zh | Chinese |
| de | German | ja | Japanese |
| it | Italian | ko | Korean |
| pt | Portuguese | vi | Vietnamese |
| el | Greek | ar | Arabic |
Nakabatay ang BroadNet Transcribe sa Cohere Transcribe at pinapatakbo ng BroadNet. Ang model id ay broadnet/cohere-transcribe.
Para sa buong larawan, inililista ng bukas naming price index ng speech-to-text API ang presyo ng batch at streaming, billing increment at suporta sa Arabic ng mahigit 20 produkto, bawat isa ay sinuri laban sa sariling pricing page ng provider (CSV at JSON).
Magkano ang multilingual transcription?
| Model | Kada minuto | Kada oras | Mga wika |
|---|---|---|---|
| BroadNet Transcribe | $0.002 | $0.12 | 14 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | Arabic |
Kada minuto ng audio ang singil, hindi kada request o kada token. Parehong gumagana ang dalawang model sa libreng $5 na panimulang credit, kaya masusubukan mo ang sarili mong recording bago mag-top-up. Tingnan ang lahat ng presyo sa pricing page, tantiyahin ang buwanang oras mo sa speech-to-text cost calculator, o ihambing ang ibang provider sa paghahambing ng presyo ng speech-to-text API.
Paano tawagin ang transcription endpoint?
Sinusunod ng endpoint ang hugis ng audio transcription ng OpenAI, kaya gumagana ang mga opisyal na SDK kapag pinalitan ang 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)
O gamit ang 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
JSON ang response, at nasa text ang transcript. Ang text mismo ang dokumentadong response ng BroadNet; kung kailangan mo ng word timestamp o speaker label, tingnan muna sa API reference kung ano ang suportado ngayon bago ka mag-design sa paligid nito.
Bakit dapat laging ipadala ang language?
Malinaw ang docs ng BroadNet: ipadala ang language sa bawat transcription request. Kung wala ito, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra, at may parehong panganib sa anumang wikang puwedeng mapagkamalan ng model. Kung hindi mo alam ang wika nang maaga:
- Unahin ang metadata. Kadalasang tama ang bansa ng tumatawag, ang wika ng app ng user o ang prefix ng numero ng telepono.
- Tanungin ang user sa mga voice product (“pindutin ang 1 para sa English, 2 para sa Arabic”).
- Sumubok ng maikling sample. I-transcribe ang unang 30 segundo gamit ang pinakamagandang hula mo; kung mukhang mali ang text (maling script, walang saysay), ulitin gamit ang susunod na kandidato.
Ano ang mga limit at format?
- Format: WAV (
audio/wav) o MP3 (audio/mpeg). I-convert muna sa ffmpeg ang .ogg, .m4a, .webm at mga video file. Nasa gabay sa WhatsApp voice note ang one-liner. - Laki: hanggang 26,214,400 byte (25 MiB) kada file; 413 ang ibinabalik ng mas malalaking file. Mga 13 minuto iyan ng 16 kHz mono WAV o mga 54 minuto ng 64 kbit/s MP3. Hatiin ang mas mahabang audio gamit ang
ffmpeg -f segment -segment_time 600. - Rate: pinapayagan ng pay-as-you-go key ang 30 request kada minuto at 4 nang sabay. Ulitin ang 429 nang may backoff; tingnan ang errors at retries.
- Privacy: pinoproseso ang audio at transcript para sa request at hindi itinatago. Tingnan ang zero data retention.
Para sa production na batch pipeline na may chunking at worker pool, tingnan ang Arabic call-centre transcription nang malakihan; gumagana ang parehong design sa alinman sa 14 na wika.
Kailan dapat piliin ang Arabic-specific na model?
Dalawang model ang iniaalok ng BroadNet dahil mas mahirap ang Arabic kaysa sa karamihan ng wika para sa speech recognition: maraming dialect sa ilalim ng iisang nakasulat na pamantayan, madalas na code-switching sa English at French, at maraming audio na kalidad-telepono. Ang BroadNet Transcribe Arabic ang espesyal na opsyon, at para lang dito naglalathala ang BroadNet ng accuracy sa Arabic:
- Iniulat 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) ito sa Open Universal Arabic ASR Leaderboard, at #1 sa mga model na pinapayagan ng lisensya ang API serving.
- Mga word error rate sa lab ng BroadNet: 3.8 sa FLEURS-ar, 21.1 sa MASC-ar at 23.4 sa dialect set nito (mas mababa, mas maganda). Ano ang ibig sabihin ng mga numerong iyon.
Hindi naglalathala ang BroadNet ng numero sa Arabic para sa 14-wikang model, pero mayroon ang public leaderboard: noong Nobyembre 15, 2026, nakalista roon ang Cohere Transcribe 03-2026, ang model sa likod ng BroadNet Transcribe, sa #8 ng 39 na may average na WER na 30.67, laban sa 24.19 ng Arabic model sa ika-4 sa 39. Para sa ibang wika, iniulat ng BroadNet na 5.5 ang word error rate ng BroadNet Transcribe sa FLEURS English at 3.2 sa FLEURS Spanish, at mga 113 beses na realtime sa iisang stream (217 beses kapag naka-batch) sa English na audio, ayon sa model page nito. Isang simpleng patakaran:
| Ang audio mo | Piliin |
|---|---|
| Karamihan ay Arabic, anumang dialect | BroadNet Transcribe Arabic |
| Minorya ng file ang Arabic, hindi kritikal ang accuracy | BroadNet Transcribe para sa lahat, o i-test ang dalawa |
| Halo-halong portfolio na alam ang wika ng bawat file | Ipadala ang Arabic na file sa Arabic model, ang iba sa BroadNet Transcribe |
| Alinman sa 13 pang wika | BroadNet Transcribe |
Isang linya lang ang pagbabago para sa routing ayon sa wika, dahil pareho ang endpoint at hugis ng request ng dalawang model:
def stt_model(lang: str) -> str:
return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"
Mga dalawang beses ang presyo kada minuto ng Arabic model. Kapag malaki ang volume, i-test ang dalawa sa ilang oras ng totoong Arabic na audio mo at ihambing ang word error rate kada dialect; may isang-oras na test plan ang buyer’s guide sa Arabic speech-to-text. Kung ang problema ay numero, petsa at pangalan sa maingay na Arabic na audio, naglilista rin ang BroadNet ng fine-tuned na Arabic model na available kapag hiniling, sa models page.
Paano i-test ang accuracy sa bawat wika?
Itinatago ng iisang accuracy figure ng vendor ang malalaking pagkakaiba sa pagitan ng mga wika, accent at kondisyon ng recording. Bago mo ilipat ang isang workload, magpatakbo ng maliit na test kada wika:
- Mangolekta ng 20 hanggang 50 totoong clip kada wika, mula sa channel na talagang ita-transcribe mo: tawag sa telepono, meeting recording, voice note o video. Isama ang pinakamahirap mong mga accent.
- Sumulat ng reference transcript nang mano-mano para sa bahagi nito, na may napagkasunduang patakaran sa spelling ng numero, pangalan at hiram na salitang English.
- Mag-transcribe gamit ang tamang
languagecode at kalkulahin ang word error rate kada wika. Para sa Chinese at Japanese, na isinusulat nang walang espasyo sa pagitan ng mga salita, character error rate ang gamitin. - Basahin ang mga error. Mas mahalaga ang pangalan ng produkto, halaga at address kaysa sa mga filler word.
- Ulitin para sa Arabic gamit ang dalawang model kung kasama ang Arabic sa halo mo, at ihambing kada dialect.
Kasya sa $5 na panimulang credit ang ganitong test para sa ilang wika sa BroadNet Transcribe, dahil mababa ang presyo kada minuto.
Anong mga workload ang bagay dito?
| Workload | Mga tala |
|---|---|
| Multilingual na support line | Mag-route ayon sa piniling wika sa IVR; ipadala ang katugmang language code |
| Meeting notes para sa distributed na team | Mag-transcribe kada recording, saka mag-summarize gamit ang LLM |
| Voice-note inbox | I-convert muna ang .ogg sa WAV; tingnan ang gabay sa WhatsApp |
| Archive ng media at podcast | Hatiin ang mahahabang file sa ilalim ng 25 MiB; i-batch sa magdamag |
| App sa pag-aaral ng wika | I-transcribe ang pagsasalita ng nag-aaral, saka magbigay ng feedback gamit ang LLM |
Sa bawat kaso, minuto ng audio lang ang nagpapalaki ng gastos: $0.12 kada oras ng audio sa BroadNet Transcribe, anuman ang wika.
Ano ang susunod pagkatapos ng transcription?
Bihirang transcript ang huling produkto. Mga karaniwang susunod na hakbang sa parehong API key:
- Buod at action item para sa mga meeting gamit ang DeepSeek V4.1 Flash, na kasya ang napakahahabang transcript sa 1,048,576-token na context nito.
- Pagsasalin ng transcript sa iisang working language; tingnan ang Arabic–English na pagsasalin gamit ang LLM.
- QA scoring ng mga support call gamit ang structured na JSON output.
Paano lumipat mula sa ibang transcription API?
Kung tumatawag ka na sa OpenAI-style na transcription endpoint, kasama ang Whisper API na nakalistang isasara ng OpenAI sa Pebrero 26, 2027 (ano ang dapat i-test bago lumipat), kadalasang tatlong pagbabago lang ang paglipat: base URL, API key at model id, at siguraduhing ipinapadala mo ang language. Tingnan ang mga field ng response na binabasa ng code mo bukod sa text. Sinasaklaw ng checklist sa paglipat sa OpenAI-compatible ang iba pa.

