---
title: "Isalin ang Arabic audio sa English text gamit ang API"
description: "Gawing English text ang Arabic recording sa dalawang API call: transcribe na may language=ar, saka isalin gamit ang LLM, may number check, chunking, gastos, scoring."
url: https://broadrouter.com/fil/blog/translate-arabic-audio-to-english/
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/translate-arabic-audio-to-english/) (na-update noong 2026-11-16).

# Isalin ang Arabic audio sa English gamit ang API: tested na pipeline

Ng BroadNet Inference team · 8 minutong basa · Nailathala 2026-11-15 · Na-update 2026-11-16

Dalawang step ang patakbuhin. I-transcribe ang Arabic audio gamit ang speech-to-text API na naka-set sa ar ang language, saka isalin ang transcript gamit ang LLM na sinabihang panatilihin ang mga pangalan at numero. Hatiin muna ang mahahabang file, i-check ang mga numero sa code, at i-score ang maliit na sample gamit ang chrF para makita kung gaano kalaki ang nababawas sa kalidad dahil sa transcription step.

## Mga pangunahing punto

-   Binibigyan ka rin ng two-step na pipeline (Arabic transcript, saka LLM translation) ng Arabic text, kaya masusuri, mase-search o maisasalin mo ulit ito mamaya.
-   Nakalista ng OpenAI ang /v1/audio/translations bilang deprecated (notice 26 Agosto 2026, shutdown 26 Pebrero 2027), na may /v1/realtime/translations bilang kapalit.
-   Dumadala sa salin ang mga recognition error. I-score ang salin ng human transcript at ng ASR transcript sa parehong mga clip; ang agwat ang halaga ng speech recognition sa iyo.
-   I-check ang mga numero sa code: i-map ang Arabic-Indic na digit sa 0-9 at tiyaking lumalabas ang bawat isa sa English.
-   Para sa live na audio, gaya ng tawag o caption, mas angkop ang streaming speech-translation API kaysa sa file pipeline.

**Sa page na ito**

1.  Iisang call o dalawa?
2.  Ano ang itsura ng pipeline?
3.  Step 1: paano ihahanda at hahatiin ang audio?
4.  Step 2 at 3: paano mag-transcribe at magsalin?
5.  Paano naaapektuhan ng mga recognition error ang salin?
6.  Aling mga model ang dapat gamitin?
7.  Magkano ang isang oras ng audio?
8.  Kailan maling pagpili ang pipeline na ito?
9.  Saan pumapasok ang BroadNet Inference

Karamihan ng mga page na nagra-rank para sa “translate Arabic audio to English” ay mga web tool na mag-upload-at-mag-download. Ayos ang mga iyon para sa iisang file. Kung kailangan mo ng pagsasalin sa loob ng sarili mong produkto (support call, interview, voice note, lecture), kailangan mo ng dalawang API call at ilang check sa paligid nito. Bumubuo ang post na ito ng pipeline na iyon sa iisang OpenAI-compatible key, sinusubukan ito, at ipinapakita kung paano sukatin kung sapat na ang husay nito.

Para sa pagsasalin ng Arabic text na hawak mo na, tingnan ang [Arabic–English translation gamit ang LLM](https://broadrouter.com/fil/blog/arabic-english-translation-llm/). Para gawing minutes ang meeting recording sa halip na buong salin, tingnan ang [Arabic meeting minutes mula sa recording](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/).

## Iisang call o dalawa?

Dalawa ang paraan para makakuha ng English text mula sa Arabic speech:

| Paraan | Paano gumagana | Angkop para sa |
| --- | --- | --- |
| Speech translation (one step) | Iisang request; English ang ibinabalik ng serbisyo | Live na audio, caption, pinakasimpleng code |
| Transcribe, saka isalin (two steps) | Arabic text ang ibinabalik ng isang [speech-to-text](https://broadrouter.com/fil/glossary/speech-to-text/) call; isinasalin ito ng LLM | Mga file, kapag gusto mo rin ang Arabic, glossary at check |

Nagbabago ang pinakakilalang one-step na endpoint para sa mga file. Sabi ng speech-to-text guide ng OpenAI, ang `/v1/audio/translations` ay “uses `whisper-1` to translate a completed audio recording into English” (salin: gumagamit ng `whisper-1` para isalin sa English ang tapos nang audio recording). Ayon sa [deprecations page](https://developers.openai.com/api/docs/deprecations) nito, na sinuri noong 2026-11-15, 26 Agosto 2026 ang notice date at 26 Pebrero 2027 ang shutdown date. Ang nakalistang kapalit ay `/v1/realtime/translations`, na isang realtime API, hindi file upload. Kung tinatawag ng code mo ang lumang endpoint, bubuuin mo ulit ito alinman ang piliin.

Ang Soniox ay isang kasalukuyang one-step na opsyon: ipinapakita ng [Arabic to English page](https://soniox.com/speech-translation/arabic/english) nito ang isang WebSocket request na may translation block na naka-set sa source `ar` at target `en`. Sa live na audio pinakamakatuwiran ang streaming na produktong ganito.

May tatlong praktikal na bentahe ang two-step na pipeline para sa mga file:

1.  **Nasa iyo ang Arabic transcript.** Mase-search mo ito, maipapakita katabi ng English, at maisasalin ulit mamaya gamit ang mas mahusay na model nang hindi na nagbabayad ulit para sa transcription.
2.  **Kontrolado mo ang pagsasalin.** Ikaw ang pipili ng model, bibigyan mo ito ng glossary ng mga pangalan at product term, at susuriin mo ang output nito sa code.
3.  **Makikita mo kung saan nanggagaling ang mga error.** Ang maling English na pangungusap ay recognition error o translation error. Kapag hawak mo ang transcript, malalaman mo kung alin.

Ang kapalit ay pangalawang request at mas maraming code. Iyon na code ang natitirang bahagi ng post na ito.

## Ano ang itsura ng pipeline?

```text
recording (.m4a, .mp4, .ogg, .wav)
  → ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
  → transcribe each part (language=ar)        → Arabic text
  → translate each part, with glossary and the end of the previous part as context
  → check numbers and empty or cut-off replies → English text
```

## Step 1: paano ihahanda at hahatiin ang audio?

Tumatanggap ang transcription endpoint ng BroadNet ng WAV (`audio/wav`) o MP3 (`audio/mpeg`) hanggang 26,214,400 byte kada file. Kailangan pa ring i-convert ang mga phone recording (`.m4a`), WhatsApp voice note (`.ogg`) at video, kaya mag-resample at maghati sa iisang ffmpeg step:

```bash
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav
```

32,000 byte kada segundo ang 16 kHz mono 16-bit na audio, kaya mga 19.2 MB ang isang 10-minutong bahagi, mas mababa sa limit. Pinatakbo namin ito sa isang 25-minutong test file: gumawa ito ng dalawang bahaging 19,200,162 at 19,200,194 byte at isang 5-minutong bahaging 9,599,878 byte.

Puwedeng mahati ang isang salita sa mga hiwang nakapirmi ang haba. Para sa totoong speech, maghiwa sa mga katahimikan sa halip; may splitter na batay sa katahimikan ang [transcribe long audio files](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/), at isinusulat ng [audio splitter tool](https://broadrouter.com/tools/audio-splitter-ffmpeg/) ang ffmpeg command para sa iyo. Nasa glossary ang background tungkol sa [sample rate](https://broadrouter.com/fil/glossary/sample-rate/) at kung bakit sapat ang 16 kHz para sa speech.

## Step 2 at 3: paano mag-transcribe at magsalin?

Ipinapadala ng script sa ibaba ang bawat bahagi sa Arabic transcription model, saka sa isang chat model na may translation prompt. Tumatakbo ito gamit ang [OpenAI Python SDK](https://broadrouter.com/fil/guides/openai-python-sdk/).

```python
import os, re, glob
from openai import OpenAI

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

GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"}  # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""

def glossary_block(text: str) -> str:
    hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
    return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""

def transcribe(path: str) -> str:
    with open(path, "rb") as audio:
        return client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic", file=audio, language="ar").text

def translate(arabic: str, previous: str = "") -> str:
    context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
    choice = r.choices[0]
    if choice.finish_reason == "length" or not choice.message.content:
        raise RuntimeError("cut off: raise max_tokens or send a shorter part")
    return choice.message.content.strip()

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
    nums = re.findall(r"\d+", arabic.translate(DIGITS))
    return [x for x in nums if x not in re.findall(r"\d+", english)]

previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
    arabic = transcribe(chunk)
    english = translate(arabic, previous)
    print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
    if gaps := missing_numbers(arabic, english):
        print(f"CHECK: numbers {gaps} missing from the translation")
    previous = arabic[-500:]
```

Para saan ang bawat bahagi:

-   **`language="ar"`.** Ayon sa docs ng BroadNet, laging ipadala ang `language` sa transcription request. Detalyadong tinatalakay ng [gabay sa Arabic speech-to-text](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) ang request.
-   **Sinasabi ng prompt kung saan galing ang text.** Walang bantas ang transcript, puwedeng naka-dialect at puwedeng may recognition error. Kapag sinabi ito sa model, hindi nito ituturing na sinadya ang mga kakaibang parirala, at may mahahanap ang mga reviewer dahil sa `[unclear]` na marker.
-   **Panatilihin ang mga English na salita.** Madalas lumipat sa English ang mga Arabic speaker sa gitna ng pangungusap (“الـ deadline”, “فريق الـ QA”). [Code-switching](https://broadrouter.com/fil/glossary/code-switching/) iyon, at dapat hayaan ng model ang mga salitang iyon, hindi isalin nang pabalik-balik.
-   **Glossary kada bahagi.** Ang mga glossary entry lang na lumalabas sa bahagi ang ipinapadala, kaya nananatiling maikli ang mga prompt. Eksakto ang match, kaya kung iba-iba ang spelling sa mga transcript mo (أ laban sa ا, ة laban sa ه), i-normalise muna ang dalawang panig; ipinapakita ng [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) ang mga karaniwang patakaran.
-   **Naunang bahagi bilang context.** Nakakatulong ang huling 500 character ng naunang Arabic na bahagi sa mga panghalip at sa mga pangungusap na naputol sa hangganan ng bahagi. Sinasabi ng prompt na huwag itong isalin, kaya hindi ito lumalabas nang dalawang beses.
-   **`max_tokens=4000` at `reasoning_effort="low"`.** Ayon sa docs ng BroadNet, nagre-reason muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B bago sumagot at kasama ang reasoning sa `max_tokens`. Puwedeng magbalik ng walang laman na sagot ang maliit na limit; tingnan ang [reasoning tokens at empty responses](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/). Nagre-raise ng error ang code sa walang laman o naputol na reply sa halip na mag-save ng kalahating salin.
-   **Number check.** Sa mga numero pinakamalaki ang pinsala ng maling salin. Ina-map ng check ang Arabic-Indic na digit (٠-٩) at Persian na digit (۰-۹) sa 0-9 at tinitiyak na lumalabas ang bawat numero sa English. Hindi mahuhuli ang mga numerong binigkas bilang salita (“خمسة عشر”), kaya kailangan pa ring basahin ng reviewer ang anumang mahalaga.

### Ano ang ipinakita ng test?

Pinatakbo namin ang script laban sa isang local mock server na nag-i-implement ng dalawang endpoint (walang live API call). Ipinadala ang tatlong bahagi mula sa 25-minutong test file na may `model=broadnet/cohere-transcribe-arabic` at `language=ar`, at dala ng bawat chat request ang mga glossary line para sa bahaging iyon at ang naunang Arabic na bahagi bilang context. Sinadyang magtanggal ng numero ang pangatlong salin ng mock, at nag-print ang script ng:

```text
--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation
```

Inimbento para sa test ang mga Arabic na pangungusap at ang kumpanya. Ipinapakita ng run na gumagana ang code, hindi kung gaano kahusay ang salin ng anumang model; para doon, gamitin ang scoring step sa ibaba.

## Paano naaapektuhan ng mga recognition error ang salin?

Direkta silang dumadaan. Kung ٢١٤ ang sinasabi ng transcript samantalang ٢٤٠ ang sinabi ng nagsasalita, tapat na sasabihin ng salin na 214. Kung napagkamalang katunog na standard na salita ang isang dialect na salita, maayos basahin at mali ang magiging salin. Dahil maayos ang English, mahirap mapansin ang mga error na ito, at iyan ang pangunahing panganib ng anumang speech translation system.

Masusukat mo kung gaano karami ng error ang nanggagaling sa bawat step. Mangolekta ng 30 o higit pang clip, at para sa bawat isa, kumuha ng:

1.  Arabic transcript na gawa ng tao,
2.  English na salin na gawa ng tao (ang reference).

Saka isalin ang human transcript at ang ASR transcript gamit ang pipeline mo, at i-score ang dalawa laban sa reference. Ang [chrF](https://aclanthology.org/W15-3049/), isang character n-gram score, ay mas kaya ang mga pangalan at anyo ng salita kaysa sa BLEU at ito ang karaniwang default para sa Arabic–English; parehong kinukuwenta ng SacreBLEU:

```python
from sacrebleu.metrics import BLEU, CHRF

# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
        "The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
             "The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
            "The deadline is 15 December, and Mazen is following up with the key team."]

chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
    print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f}   BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")
```

Sa dalawang toy na pangungusap na ito (SacreBLEU 2.6.0), nag-print ito ng chrF 94.6 at BLEU 89.2 para sa path ng human transcript, at chrF 87.1 at BLEU 71.7 para sa buong pipeline. Walang napapatunayan ang dalawang toy na pangungusap tungkol sa isang model. Sa sarili mong mga clip, kung malaki ang agwat, dapat mong pahusayin ang recognition: mas magandang audio, dialect test set gaya ng sa [Arabic dialect speech recognition](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/), o ibang provider. Kung maliit ang agwat pero mababa ang score sa kabuuan, ang translation step ang kailangang ayusin: mas mahusay na prompt, glossary o ibang model. Para i-score nang hiwalay ang transcription step, gamitin ang [word error rate](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/).

Nira-ranggo ng mga awtomatikong score ang mga system; hindi nila inaaprubahan ang salin. Ipabasa sa isang bilingual na reviewer ang isang sample, lalo na ang mga numero, pangalan at negasyon.

## Aling mga model ang dapat gamitin?

| Step | BroadNet model | Presyo | Tala |
| --- | --- | --- | --- |
| Transcribe | [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) | $0.0042 kada minuto ($0.25 kada oras) | Arabic lang; sakop ng $5 na panimulang credit |
| Isalin | [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) | $0.175 input, $2.17 output kada 1M token | Reasoning model; 262,144-token na context; kailangan ng top-up |
| Isalin | [Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) | $0.10 input, $0.22 output kada 1M token | Sakop ng panimulang credit; 32,768-token na context, kadalasan sapat para sa 10-minutong bahagi; suriin ang isang sample sa token counter. Tanggalin ang `reasoning_effort`, na idinodokumento lang ng BroadNet para sa mga reasoning model nito |
| Isalin | [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | $0.175 input, $0.52 output kada 1M token, o flat na session | Reasoning model; partner-hosted; kailangan ng top-up o plan |

Patakbuhin ang scoring script sa parehong mga clip gamit ang bawat translation model at pumili batay sa mga score at sa mga tala ng reviewer, hindi sa table namin. Tinatalakay ng [pagpili ng LLM para sa Arabic](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/) ang mas malawak na mga trade-off.

## Magkano ang isang oras ng audio?

Dalawa ang bahagi:

-   **Transcription**, kada minuto ng audio: $0.25 kada oras sa BroadNet Transcribe Arabic.
-   **Pagsasalin**, kada token: `prompt_tokens × input price + completion_tokens × output price`, hinati sa 1,000,000. Kasama sa prompt ang system prompt, ang mga glossary line, ang context ng naunang bahagi at ang transcript. Kasama sa completion ang English at, sa mga reasoning model, ang mga [reasoning token](https://broadrouter.com/fil/glossary/reasoning-tokens/).

Hindi kami naglalathala ng iisang figure kada oras para sa pagsasalin, dahil nakadepende ito sa bilis ng pagsasalita ng mga tao, sa dialect at sa dami ng reasoning ng model. Sukatin ito: magpatakbo ng isang karaniwang oras, pagsamahin ang `usage.prompt_tokens` at `usage.completion_tokens` mula sa mga response, at ilagay sa [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/). Bago ka magkaroon ng audio, puwede kang mag-paste ng sample na transcript sa [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/); kadalasan mas maraming token kada salita ang Arabic kaysa sa English, gaya ng ipinapakita ng [tokens per word sa Arabic at English](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/). Kinukuwenta ng [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ang bahaging audio.

Para sa malaking backlog, tinatanggal ng flat na DeepSeek V4.1 Flash session ang token meter sa translation step: $1 kada oras, $15 kada linggo o $60 kada buwan kada session. Isang request lang nang sabay ang kaya ng isang session, kaya kailangan ng mas maraming session ang mga parallel na worker. Kada minuto pa rin sinisingil ang transcription.

## Kailan maling pagpili ang pipeline na ito?

-   **Live na audio.** Kailangan ng mga tawag, live caption at voice agent ng streaming na resulta sa loob ng ilang segundo. Mas angkop ang streaming speech-translation API, o isang realtime endpoint, kaysa sa pag-upload ng file.
-   **Subtitle.** Text lang ang transcription response ng BroadNet, walang [timestamp](https://broadrouter.com/fil/glossary/timestamps-asr/). Ipinapakita ng [Arabic subtitles mula sa text-only na API](https://broadrouter.com/fil/blog/arabic-subtitles-srt-api/) kung hanggang saan ka dadalhin ng mga offset ng chunk; para sa word-level na timing, gumamit ng provider na nagbabalik ng timestamp.
-   **Mga wikang hindi tina-transcribe ng BroadNet.** Arabic ang hawak ng Arabic model. Para sa ibang source language, suriin muna ang listahan ng 14 na wika ng [multilingual model](https://broadrouter.com/fil/blog/multilingual-speech-to-text-api/).
-   **Legal o medikal na record.** Gamitin ang pipeline para sa draft at isang human translator para sa record.

## Saan pumapasok ang BroadNet Inference

Ang BroadRouter ay sariling site ng BroadNet. Iniaalok ng [BroadNet Inference](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-translate-arabic-audio-to-english&utm_content=body) ang dalawang step ng pipeline na ito sa iisang OpenAI-compatible key: Arabic transcription sa `/v1/audio/transcriptions` at pagsasalin sa `/v1/chat/completions`. Wala itong one-step na speech-translation endpoint at walang streaming transcription, kaya gumamit ng ibang provider para sa live na audio. Ayon sa [privacy policy](https://www.broadnet.ai/inference-privacy) nito, hindi itinatago ang inference content, kasama ang audio, transcript at sagot; itinatago ang kinakailangang metadata ng account, billing at security. Magsimula sa [Arabic transcription page](https://broadrouter.com/fil/arabic-transcription/) o sa [API reference](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-translate-arabic-audio-to-english&utm_content=body), at mag-test sa sarili mong mga recording bago umasa sa output.

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.

[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.

[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.

[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.

[Streaming](https://broadrouter.com/fil/glossary/streaming/)

Ang streaming ay paraan ng pagbabalik ng sagot ng language model nang paunti-unting chunk habang binubuo pa ito, sa halip na iisang sagot sa dulo. Sa mga OpenAI-compatible na API, dumadaan ang streaming sa server-sent events kapag naka-set sa true ang stream sa request.

[Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/)

Ang reasoning tokens ay mga token na binubuo ng isang reasoning model para pag-isipan ang isang problema bago nito isulat ang nakikitang sagot. Kadalasang sinisingil ang mga ito bilang output token, binibilang sa output limit at sa context window, at puwedeng itago o ibuod ng API.

[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.

[Code-switching](https://broadrouter.com/fil/glossary/code-switching/)

Ang code-switching ay ang paggamit ng dalawa o higit pang wika, o ng mga variety ng iisang wika, sa iisang usapan o pangungusap, sa pagsasalita man o pagsulat. Halimbawa nito ang mga nagsasalita ng Arabic na naghahalo ng English sa dialect, o nagpapalipat-lipat sa Modern Standard Arabic at sa dialect nila.

## Mga tanong

### Puwede ko bang isalin ang Arabic audio sa English sa iisang API call?

Oo, gamit ang speech-translation API gaya ng Soniox, na nagdadagdag ng translation setting sa speech-to-text request nito. Ganoon din ang ginagawa ng /v1/audio/translations endpoint ng OpenAI para sa mga file, pero deprecated ito at 26 Pebrero 2027 ang nakalistang shutdown. Dalawang call ang two-step na pipeline at binibigyan ka rin nito ng Arabic transcript.

### Alin ang mas mahusay, direktang speech translation o transcribe muna bago isalin?

I-test ang dalawa sa sarili mong audio. Hinahayaan ka ng transcribe-then-translate na pumili ng translation model, magdagdag ng glossary, mag-check ng numero at panatilihin ang Arabic text. Mas simple ang one-step na API at kadalasan mas mahusay para sa live na audio. I-score ang 30 o higit pang clip gamit ang chrF laban sa mga salin ng tao bago pumili.

### Kaya ba ng pipeline ang Egyptian, Gulf o Levantine Arabic?

Ang transcription step ang nagpapasya sa halos lahat, kaya i-test ang mga recording sa mga dialect na pinagsisilbihan mo. Saka sabihin sa translation model na puwedeng dialect ang transcript at may halong English na salita. Ang mga dialect na salitang bihirang makita ng speech model ang pangunahing pinagmumulan ng error.

### Paano isalin ang Arabic audio file na mas malaki sa 25 MB?

I-convert ito sa 16 kHz mono WAV at hatiin sa mga bahaging 10 minuto o mas maikli gamit ang ffmpeg; mga 19.2 MB ang bawat bahagi. I-transcribe ang bawat bahagi, saka isalin ang mga bahagi nang sunod-sunod, na ipinapasa ang dulo ng naunang bahagi bilang context.

### Makakakuha ba ako ng English subtitle na may timestamp sa ganitong paraan?

Hindi direkta mula sa BroadNet: text lang ang transcription response nito, walang timestamp. Puwede mong i-time ang mga caption mula sa offset ng mga chunk, gaya ng sa post namin tungkol sa Arabic subtitles, o gumamit ng provider na nagbabalik ng word o segment timestamp.

## Magbasa pa

-   [Arabic–English translation gamit ang LLM: prompt, glossary, evaluation](https://broadrouter.com/fil/blog/arabic-english-translation-llm/)
-   [Pag-transcribe ng audio na lampas 25 MB: hatiin, ipadala, pagdugtungin](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/)
-   [Arabic dialect speech recognition: Gulf, Egyptian, Levantine, Maghrebi](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/)
-   [Arabic meeting minutes mula sa recording: isang API pipeline](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/)
-   [Alternatibo sa Whisper API: kailan lilipat, at paano ito i-test](https://broadrouter.com/fil/blog/whisper-api-alternative/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [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: 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-translate-arabic-audio-to-english&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference: tumatanggap ang transcription ng WAV o MP3 hanggang 26,214,400 byte, language parameter, text response; kasama ang reasoning sa max\_tokens, reasoning\_effort low (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [Pricing ng BroadNet Inference: presyo ng transcription kada minuto at ng chat kada token (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [Mga deprecation ng OpenAI API: /v1/audio/translations at whisper-1, notice 26 Agosto 2026, shutdown 26 Pebrero 2027, may nakalistang kapalit (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Soniox, Arabic to English speech translation API: iisang WebSocket, translation block na may source ar at target en (sinuri noong 2026-11-15)](https://soniox.com/speech-translation/arabic/english)
-   [Pricing page at FAQ ng Soniox tungkol sa pagsingil sa translation (sinuri noong 2026-11-15)](https://soniox.com/pricing)
-   [SacreBLEU sa GitHub (Apache 2.0): mga class na BLEU at CHRF, corpus\_score; version 2.6.0 ang sinubukan (sinuri noong 2026-11-15)](https://github.com/mjpost/sacrebleu)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation, WMT 2015 (sinuri noong 2026-11-15)](https://aclanthology.org/W15-3049/)
-   [Dokumentasyon ng FFmpeg formats: segment muxer at segment\_time (sinuri noong 2026-11-15)](https://ffmpeg.org/ffmpeg-formats.html#segment_002c-stream_005fsegment_002c-ssegment)
