---
title: "Paano mag-transcribe ng Arabic audio gamit ang API | BroadRouter"
description: "I-transcribe ang Arabic audio gamit ang BroadNet Transcribe Arabic sa OpenAI-compatible na endpoint: mga format, ang language field, Python at curl, at ang presyo."
url: https://broadrouter.com/fil/guides/arabic-speech-to-text-api/
lang: fil
updated: 2026-11-16
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/guides/arabic-speech-to-text-api/) (na-update noong 2026-11-16).

# Arabic speech-to-text API: gabay na hakbang-hakbang

Na-update 2026-11-16

Magpadala ng WAV o MP3 file sa https://inference.broadnet.ai/v1/audio/transcriptions na may model na broadnet/cohere-transcribe-arabic at language=ar. JSON ang response, at nasa text ang transcript. I-convert muna sa WAV ang ibang format gaya ng .ogg ng WhatsApp. Kada minuto ng audio ang presyo, at sinasabi ng BroadNet na walang audio o transcript na itinatago.

$0.0042 kada minuto ng audio ang BroadNet Transcribe Arabic. Ayon sa BroadNet, 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 na i-serve sa pamamagitan ng API. Para sa ibang wika, sakop ng BroadNet Transcribe ang 14 na wika sa $0.002 kada minuto. Tingnan ang [model page ng BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) at ang [model page ng BroadNet Transcribe](https://broadrouter.com/fil/models/cohere-transcribe/).

May mga provider na mas mura. Noong 2026-11-14, nakalista sa [pricing page ng Soniox](https://soniox.com/pricing) ang mga USD 0.10 kada oras para sa file (async) transcription at USD 0.12 kada oras para sa real-time, at kasama ang Arabic sa listahan nito ng mga wika. Mas mababa iyon sa $0.25 kada oras ng BroadNet Transcribe Arabic, kaya subukan ang dalawa sa sarili mong audio.

## Gamit ang curl

```bash
curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav
```

Ang response ay ang transcript bilang JSON:

```json
{"text": "مرحباً، لقد وصلت إلى البريد الصوتي، اترك رسالتك من فضلك"}
```

## Gamit ang Python

```python
from openai import OpenAI
import os

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

with open("voice-note.wav", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe-arabic",
        file=audio,
        language="ar",
    )
print(result.text)
```

## Laging ipadala ang language

Kung walang `language`, puwedeng bumalik ang Arabic na **naka-transliterate sa letrang Latin**. Ipadala ang `language=ar` para sa Arabic at `language=en` para sa Ingles.

## Aling mga Arabic dialect ang kaya nito?

Inilalarawan ng BroadNet ang BroadNet Transcribe Arabic bilang sakop ang Arabic, kasama ang mga dialect, at naglalathala ito ng tatlong word error rate para dito. Mga sariling sukat ng lab ng BroadNet ang mga ito, mula sa [model catalogue](https://www.broadnet.ai/inference/models) nito:

| Test set | Ano ito | Word error rate |
| --- | --- | --- |
| FLEURS-ar | Malinis na binasang pangungusap | 3.8 |
| MASC-ar | Halo-halong totoong Arabic na pananalita | 21.1 |
| Dialect set ng BroadNet | Pananalita sa dialect | 23.4 |

Walang inilalathalang breakdown kada dialect ang BroadNet, kaya walang sinuman sa labas ng BroadNet ang makapagsasabi kung paano ikinukumpara ang score ng Gulf na audio sa Egyptian o Maghrebi. Iba-iba ang paraan ng ibang provider sa pagsasabi ng sakop nila. Inililista ng Deepgram ang Nova-3 Arabic na may mga regional code, mula `ar-AE`, `ar-SA` at `ar-EG` hanggang `ar-MA` at `ar-IQ`. Nagbebenta ang Speechmatics ng iisang “Global Arabic” pack na nagbabanggit ng Modern Standard Arabic, Gulf, Egyptian at Levantine na pananalita, at ng `ar_en` pack para sa Arabic na hinaluan ng Ingles. Inililista ng Soniox ang Arabic (`ar`) nang walang detalye tungkol sa dialect.

Hindi sukat ng accuracy ang isang nakalistang code. Bago pumili, i-score ang bawat kandidato sa sarili mong mga clip na nakagrupo ayon sa dialect:

-   **Gulf (Khaleeji):** pananalitang Saudi, Emirati, Kuwaiti at Qatari, madalas may mga pangalan ng produkto sa Ingles.
-   **Egyptian:** ang dialect na pinakamalawak na naiintindihan sa media.
-   **Levantine:** pananalitang Syrian, Lebanese, Jordanian at Palestinian.
-   **Iraqi at Maghrebi:** kadalasang pinakamahirap ang pananalitang Moroccan, Algerian at Tunisian.
-   **[Modern Standard Arabic](https://broadrouter.com/fil/glossary/msa/):** balita at pormal na pananalita, ang madaling baseline.

Ipinapaliwanag ng [gabay sa speech recognition ng mga Arabic dialect](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/) kung bakit mas mababa ang score ng mga dialect, at ipinapakita ng [paliwanag sa word error rate](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/) kung paano i-score ang mga ito.

## Magkano ang mga Arabic speech-to-text API?

Nakalista ang Arabic sa bawat provider sa ibaba. Nakaayos mula pinakamura; para sa mga pre-recorded na file ang mga presyo maliban kung may marka, at sinuri noong 2026-11-14:

| Provider at model | Kada minuto | Kada oras | Nakasaad na sakop sa Arabic |
| --- | --- | --- | --- |
| Soniox, async (file) | mga USD 0.0017 | mga USD 0.10 | Arabic (`ar`) |
| Soniox, real-time | mga USD 0.002 | mga USD 0.12 | Arabic (`ar`) |
| [BroadNet Transcribe](https://broadrouter.com/fil/models/cohere-transcribe/) (14 na wika) | $0.002 | $0.12 | Arabic, kasama sa 14 na wika |
| [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | Arabic, kasama ang mga dialect (BroadNet) |
| Deepgram, Nova-3 monolingual | USD 0.0043 | USD 0.258 | `ar` at mga regional code |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | Global Arabic, `ar_en` |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | Global Arabic, `ar_en` |

Mga source: [presyo ng Soniox](https://soniox.com/pricing) (sinisingil kada token; tantiya ng Soniox ang mga numero kada oras), [presyo ng Deepgram](https://deepgram.com/pricing) at [presyo ng Speechmatics](https://www.speechmatics.com/pricing). Mas mura ang Soniox kaysa sa dalawang model ng BroadNet, at walang dokumentasyon ang BroadNet para sa real-time streaming. Ang lamang ng BroadNet ay ang model na partikular para sa Arabic, ang iniulat nitong rank sa leaderboard at ang zero data retention. Para sa mas maraming provider, tingnan ang bukas naming [speech-to-text API price index](https://broadrouter.com/data/speech-to-text-api-prices/), na naglilista ng batch at streaming na presyo at suporta sa Arabic para sa mahigit 20 produkto, may source at petsa ang bawat isa (CSV at JSON). Para sa mga add-on na gastos, tingnan ang [paghahambing ng presyo ng speech-to-text API](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/); para tantiyahin ang sarili mong volume, gamitin ang [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Mga limit

-   WAV o MP3, hanggang 26,214,400 bytes (25 MiB) kada file. 413 ang ibinabalik ng mas malaking file; hatiin muna ito.
-   Ang mga pay-as-you-go key ay may 30 request kada minuto at 4 na sabay-sabay.
-   Gumagana ang dalawang transcription model sa libreng panimulang credit na $5, kaya masusubukan mo ang sarili mong mga recording bago magbayad.

## Troubleshooting

-   **Letrang Latin sa halip na Arabic script.** Idagdag ang `language=ar`.
-   **400 o 422.** Suriin ang mga pangalan ng field (`model`, `language`, `file`) at tiyaking totoong WAV o MP3 ang file. Pumapalya ang `.ogg` na pinalitan lang ng pangalan; i-convert ito gamit ang ffmpeg.
-   **413.** Lampas sa 26,214,400 bytes ang file. I-convert sa 16 kHz mono na WAV o MP3, o hatiin sa mas maiikling bahagi.
-   **401 sa bayad na account.** Suriin ang key at ang pay-as-you-go allowance. Tingnan ang [error codes at retries ng BroadNet](https://broadrouter.com/fil/guides/errors-and-retries/).
-   **Mahinang accuracy sa dialect o maingay na tawag.** Mas mababa ang score sa sariling dialect test set ng BroadNet kaysa sa malinis na binasang pananalita (tingnan ang FAQ). Subukan ito sa sample ng totoong audio mo at sukatin ang [word error rate](https://broadrouter.com/fil/glossary/word-error-rate/).

Dumarating bilang `.ogg` ang mga WhatsApp voice note. [I-convert at i-transcribe ang WhatsApp voice notes sa isang hakbang](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/). Kung kailangan mo ng mga numero, petsa at pangalan sa maingay na audio, nag-aalok ang BroadNet ng fine-tuned na Arabic model [kapag hiniling](https://broadrouter.com/fil/models/#on-request).

## Mga termino sa gabay na 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.

[Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/)

Ang Modern Standard Arabic (MSA) ay ang standardized na anyo ng Arabic na ginagamit sa pagsulat, balita, edukasyon at pormal na pananalita sa buong mundong Arabo. Hindi ito katutubong pang-araw-araw na wika ninuman: mga rehiyonal na dialect gaya ng Egyptian o Gulf Arabic ang sinasalita, at lumilipat sa MSA sa pormal na sitwasyon.

[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.

[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.

[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.

[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.

[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.

## Mga tanong

### Naiintindihan ba nito ang mga Arabic dialect?

Iniuulat ng BroadNet ang word error rate na 23.4 sa sarili nitong dialect test set, kasama ang 3.8 sa FLEURS-ar at 21.1 sa MASC-ar. Mas mababa, mas maganda. Walang inilalathalang score kada dialect ang BroadNet, kaya subukan nang hiwalay ang mga recording na Gulf, Egyptian, Levantine at Maghrebi bago ka umasa rito.

### Aling Arabic speech-to-text API ang pinakamura?

Sa mga provider na sinuri noong 2026-11-14, Soniox ang may pinakamababang nakalistang rate, mga USD 0.10 kada oras para sa file transcription. $0.25 kada oras ang BroadNet Transcribe Arabic. Mas mahal ang Deepgram Nova-3 at Speechmatics. Mas mahalaga ang word error rate sa sarili mong dialect audio kaysa sa presyo kada oras.

### Anong mga audio format ang tinatanggap?

WAV (audio/wav) at MP3 (audio/mpeg). I-convert muna gamit ang ffmpeg ang ibang format gaya ng .ogg o .m4a.

### Bakit nakasulat sa letrang Latin ang Arabic transcript ko?

Walang language field ang request. Kung wala ito, puwedeng ma-transliterate sa letrang Latin ang Arabic na pananalita. Ipadala ang language=ar sa bawat Arabic na request.

### Puwede ko bang subukan nang libre ang Arabic transcription?

Oo. Tumatakbo ang dalawang transcription model ng BroadNet sa libreng panimulang credit ng mga bagong account, kaya masusubukan mo ang sarili mong mga recording bago mag-top up.

### BroadNet Transcribe Arabic ba o BroadNet Transcribe ang gagamitin ko para sa Arabic?

Parehong tumatanggap ng language=ar. Ang BroadNet Transcribe Arabic ang Arabic na model at ang iniuulat ng BroadNet sa Arabic leaderboard. Mas mura kada minuto ang BroadNet Transcribe at sakop nito ang 14 na wika, kaya subukan ang dalawa sa audio mo.

## Mga kaugnay na gabay

-   [Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [Basahin ang mga Arabic na invoice at resibo gamit ang vision model](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/)
-   [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-guides-arabic-speech-to-text-api&utm_content=page-cta) ·

**Mga source**

-   [Presyo ng speech-to-text ng Soniox (sinuri noong 2026-11-14)](https://soniox.com/pricing)
-   [API reference ng BroadNet Inference, transcription (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-arabic-speech-to-text-api&utm_content=sources#requests)
-   [Presyo ng BroadNet Inference (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-arabic-speech-to-text-api&utm_content=sources)
-   [Model catalogue ng BroadNet, speech-to-text (sukat ng lab) (Ingles)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Docs ng Soniox, mga suportadong wika (nakalista ang Arabic; sinuri noong 2026-11-14)](https://docs.soniox.com/stt/concepts/supported-languages)
-   [Presyo ng Deepgram, Nova-3 pre-recorded (sinuri noong 2026-11-14)](https://deepgram.com/pricing)
-   [Mga model at wika ng Deepgram, Arabic codes ng Nova-3 (sinuri noong 2026-11-14)](https://developers.deepgram.com/docs/models-languages-overview)
-   [Presyo ng Speechmatics, pay-as-you-go batch (sinuri noong 2026-11-14)](https://www.speechmatics.com/pricing)
-   [Mga wika ng Speechmatics, Global Arabic at Arabic-English (sinuri noong 2026-11-14)](https://docs.speechmatics.com/speech-to-text/languages)
