---
title: "Multilingual speech-to-text API para sa 14 na wika | BroadRouter"
description: "English, Spanish, French, Chinese, Arabic at 9 pang wika sa iisang OpenAI-compatible na endpoint, presyo kada minuto, at kailan gamitin ang Arabic model."
url: https://broadrouter.com/fil/blog/multilingual-speech-to-text-api/
lang: fil
updated: 2026-11-14
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/multilingual-speech-to-text-api/) (na-update noong 2026-11-16).

# Multilingual speech-to-text API: 14 na wika, iisang endpoint

Ng BroadNet Inference team · 6 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Ang BroadNet Transcribe ay speech-to-text model para sa 14 na wika, kasama ang English, Spanish, French, German, Chinese, Japanese at Arabic, sa OpenAI-compatible na /v1/audio/transcriptions endpoint. $0.002 ito kada minuto ng audio ($0.12 kada oras). Para sa audio na karamihan ay Arabic, ang BroadNet Transcribe Arabic ang espesyal na opsyon, sa $0.0042 kada minuto.

## Mga pangunahing punto

-   Sinasaklaw ng BroadNet Transcribe ang 14 na wika: en, es, fr, de, it, pt, el, nl, pl, zh, ja, ko, vi at ar.
-   Presyo: $0.002 kada minuto ng audio, $0.12 kada oras ng audio.
-   Ipadala ang language code sa bawat request; huwag umasa sa auto-detection.
-   Piliin ang BroadNet Transcribe Arabic ($0.25 kada oras) kapag Arabic na audio ang pangunahing workload mo; naglalathala ang BroadNet ng accuracy sa Arabic para sa model na iyon.
-   Parehong limit sa dalawa: WAV o MP3, hanggang 26,214,400 byte kada file, walang audio o transcript na itinatago.

**Sa page na ito**

1.  Anong mga wika ang sinasaklaw ng BroadNet Transcribe?
2.  Magkano ang multilingual transcription?
3.  Paano tawagin ang transcription endpoint?
4.  Bakit dapat laging ipadala ang language?
5.  Ano ang mga limit at format?
6.  Kailan dapat piliin ang Arabic-specific na model?
7.  Paano i-test ang accuracy sa bawat wika?
8.  Anong mga workload ang bagay dito?
9.  Ano ang susunod pagkatapos ng transcription?
10.  Paano lumipat mula sa ibang transcription API?

_[image: The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."]_

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](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multilingual-speech-to-text-api&utm_content=body) 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](https://broadrouter.com/fil/models/cohere-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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/fil/models/cohere-transcribe/) | $0.002 | $0.12 | 14 |
| [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-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](https://broadrouter.com/fil/pricing/), tantiyahin ang buwanang oras mo sa [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/), o ihambing ang ibang provider sa [paghahambing ng presyo ng speech-to-text API](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/).

## 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:

```python
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:

```bash
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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multilingual-speech-to-text-api&utm_content=body) 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:

1.  **Unahin ang metadata.** Kadalasang tama ang bansa ng tumatawag, ang wika ng app ng user o ang prefix ng numero ng telepono.
2.  **Tanungin ang user** sa mga voice product (“pindutin ang 1 para sa English, 2 para sa Arabic”).
3.  **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](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/) 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](https://broadrouter.com/fil/guides/errors-and-retries/).
-   **Privacy:** pinoproseso ang audio at transcript para sa request at hindi itinatago. Tingnan ang [zero data retention](https://broadrouter.com/fil/privacy/).

Para sa production na batch pipeline na may chunking at worker pool, tingnan ang [Arabic call-centre transcription nang malakihan](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/); 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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/).

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](https://www.broadnet.ai/inference/models/cohere-transcribe) 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:

```python
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](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/). 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](https://broadrouter.com/fil/models/).

## 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:

1.  **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.
2.  **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.
3.  **Mag-transcribe gamit ang tamang `language` code** at kalkulahin ang [word error rate](https://broadrouter.com/fil/glossary/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.
4.  **Basahin ang mga error.** Mas mahalaga ang pangalan ng produkto, halaga at address kaysa sa mga filler word.
5.  **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](https://broadrouter.com/fil/models/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](https://broadrouter.com/fil/blog/arabic-english-translation-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](https://broadrouter.com/fil/blog/whisper-api-alternative/)), 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](https://broadrouter.com/fil/blog/openai-compatible-api-migration-checklist/) ang iba pa.

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.

[Word error rate (WER)](https://broadrouter.com/fil/glossary/word-error-rate/)

Ang word error rate (WER) ay ang karaniwang sukatan ng accuracy sa speech recognition: ang bilang ng substitution, deletion at insertion ng salita na kailangan para gawing tamang reference ang isang transcript, hinati sa bilang ng salita sa reference. Mas mababa, mas maganda.

[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.

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[WAV](https://broadrouter.com/fil/glossary/wav/)

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

[Base URL](https://broadrouter.com/fil/glossary/base-url/)

Ang base URL ay ang fixed na root address ng isang API, gaya ng https://api.example.com/v1, na idinudugtong ng client sa unahan ng bawat endpoint path, gaya ng /chat/completions. Sa mga OpenAI-compatible SDK, kapag pinalitan ang base URL, kasama ang API key at model ID, sa ibang provider na tatawag ang parehong code.

[Ogg Opus](https://broadrouter.com/fil/glossary/ogg-opus/)

Ang Ogg Opus ay audio na naka-encode gamit ang Opus codec (RFC 6716) at naka-store sa isang Ogg container (RFC 7845). Ginawa ito para sa speech at interactive na audio sa mababang bitrate, at ito ang format na ginagamit ng WhatsApp para sa voice notes, kadalasan bilang .ogg o .opus na file.

[Zero data retention (ZDR)](https://broadrouter.com/fil/glossary/zero-data-retention/)

Ang zero data retention (ZDR) ay patakaran kung saan pinoproseso lang ng AI provider ang mga prompt at output para i-serve ang isang request, at hindi na nito itinatago ang content na iyon pagkatapos, sa log, cache o training data. Kadalasang itinatago pa rin ang mga record na walang content, gaya ng bilang ng token at timing.

## Mga tanong

### Anong mga wika ang suportado ng BroadNet Transcribe?

Labing-apat: English, Spanish, French, German, Italian, Portuguese, Greek, Dutch, Polish, Chinese, Japanese, Korean, Vietnamese at Arabic. Nakalathala ang listahan sa pricing.json bilang mga ISO 639-1 code.

### Puwede bang dalawang wika ang nasa iisang file?

Isang language code lang ang tinatanggap ng bawat request. Para sa audio na nagpapalit ng wika, mag-transcribe gamit ang pangunahing wika at tingnan kung paano lumalabas ang isa pang wika, o hatiin ang audio ayon sa speaker o segment kung mahahaba ang palitan.

### Sapat ba ang multilingual model para sa Arabic?

Tumatanggap ito ng Arabic at mas mura kada minuto. Para lang sa BroadNet Transcribe Arabic naglalathala ang BroadNet ng accuracy sa Arabic, kaya kung malaking bahagi ng audio mo ang Arabic, i-test ang dalawa sa sarili mong recording at ihambing ang word error rate.

### Gumagana ba ito sa OpenAI SDK?

Oo. Ituro ang SDK sa base URL ng BroadNet at tawagin ang audio.transcriptions.create gamit ang model id, ang file at ang language.

## 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/)
-   [Arabic ASR word error rate (WER), ipinaliwanag](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/)
-   [Paano i-transcribe ang call center recording: pipeline para sa Arabic](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/)
-   [Paglipat sa OpenAI-compatible API: checklist sa migration](https://broadrouter.com/fil/blog/openai-compatible-api-migration-checklist/)
-   [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: Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [Gabay: Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)

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-multilingual-speech-to-text-api&utm_content=page-cta) ·

**Mga source**

-   [Model page ng BroadNet Transcribe: FLEURS WER sa English at Spanish, throughput (kinuha noong 2026-11-15) (Ingles)](https://www.broadnet.ai/inference/models/cohere-transcribe)
-   [Open Universal Arabic ASR Leaderboard, live na table (kinuha noong 2026-11-15)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [API reference ng BroadNet Inference, transcription (sinuri noong 2026-11-16) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [Machine-readable na presyo at listahan ng wika ng BroadNet Inference (pricing.json, sinuri noong 2026-11-16) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [Model catalogue ng BroadNet, speech to text (sinuri noong 2026-11-16) (Ingles)](https://www.broadnet.ai/inference/models)
-   [Mga ISO 639 language code (Library of Congress, sinuri noong 2026-11-16)](https://www.loc.gov/standards/iso639-2/php/code_list.php)
