« Quel modèle prendre ? » est la deuxième question. La première est : « Qu’est-ce qui entre, et qu’est-ce qui doit sortir ? » La photo d’une facture, la note vocale d’un client et une question tapée vont chacune vers un type d’endpoint différent, et chaque endpoint a ses propres modèles, limites et modes de défaillance. Choisissez d’abord la tâche, et la liste des modèles se réduit à deux ou trois.
Ce guide associe des tâches courantes à des types d’entrée, puis à ce que BroadNet Inference documente pour chacun. BroadRouter est le site de BroadNet ; les informations sur les modèles ci-dessous viennent du flux de prix et de la référence de l’API de BroadNet, vérifiés le 15 novembre 2026.
De quel type d’entrée votre tâche a-t-elle besoin ?
| Votre tâche | Entrée | Sortie | Endpoint | Modèles BroadNet |
|---|---|---|---|---|
| Répondre, résumer, classer ou traduire du texte | Texte | Texte | Chat completions | N’importe lequel des quatre modèles de chat |
| Appeler vos propres fonctions ou outils | Texte | Appels d’outils | Chat completions | GLM 5.3, Qwen3.8 27B (documentés) |
| Lire une photo, un scan, une capture d’écran ou un formulaire | Image + texte | Texte ou JSON | Chat completions avec image | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Transformer un enregistrement ou une note vocale en texte | Fichier audio | Texte | Audio transcriptions | Transcribe Arabic, Transcribe (14 langues) |
| Résumer un appel ou répondre à une note vocale | Fichier audio | Texte | Transcription, puis chat | Un de chaque |
| Lire une réponse à voix haute | Texte | Audio | Synthèse vocale | Non proposé |
| Tenir une conversation vocale en direct | Flux audio | Audio | Voix en temps réel | Non proposé |
| Créer une image | Texte | Image | Génération d’images | Non proposé |
| Recherche sémantique dans des documents | Texte | Vecteurs | Embeddings | Non proposé |
Dans ce tableau, « vision » signifie compréhension d’image : le modèle lit une image que vous envoyez. Cela ne veut pas dire générer des images. L’entrée de glossaire modèle vision-langage explique la différence.
Quelle différence entre chat et transcription ?
Ce sont des endpoints différents, avec des formats de requête, des unités de facturation et des modèles différents.
Le chat (POST /v1/chat/completions) prend une liste de messages en JSON et renvoie du texte. Il est facturé au token, entrée et sortie séparément, et chaque modèle a une fenêtre de contexte qui contient à la fois le prompt et la réponse. Chez BroadNet, trois des quatre modèles de chat raisonnent avant de répondre, et ce raisonnement compte dans max_tokens : laissez donc de la marge (tokens de raisonnement et réponses vides).
La transcription (POST /v1/audio/transcriptions) prend un fichier audio en upload multipart et renvoie la transcription. Elle est facturée à la minute d’audio. La documentation de BroadNet indique du WAV ou du MP3 jusqu’à 26 214 400 octets par fichier, et demande d’envoyer toujours language, car l’arabe peut sinon revenir translittéré en lettres latines.
| Modèle | Langues | Prix |
|---|---|---|
| BroadNet Transcribe Arabic | Arabe : golfe, égyptien, levantin, maghrébin et standard moderne, selon BroadNet | $0.0042 la minute (environ $0.25 l’heure) |
| BroadNet Transcribe | 14, dont l’anglais, l’espagnol, le français, le mandarin et l’arabe | $0.002 la minute (environ $0.12 l’heure) |
Chez BroadNet, un modèle de chat ne prend pas d’audio, et un modèle de transcription ne répond pas aux questions. Un assistant vocal qui répond par écrit, ce sont deux appels : transcrire, puis chatter. Des comptes rendus de réunion en arabe à partir d’enregistrements construit exactement cette chaîne.
Quels modèles acceptent les images ?
Ceux dont l’entrée dans le flux liste image dans modalities. Au 15 novembre 2026 :
| Modèle | Entrées | Contexte | Entrée / sortie par million de tokens | Accès |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | Texte, image | 1 048 576 | $0.175 / $0.52 | Recharge requise |
| Qwen3.8 27B | Texte, image | 262 144 | $0.175 / $2.17 | Recharge requise |
| Gemma 4 VL 26B | Texte, image | 32 768 | $0.10 / $0.22 | Crédit de départ de $5 |
| GLM 5.3 | Texte uniquement | 1 048 576 | $0.78 / $3.46 | Recharge requise |
Envoyez l’image sous forme d’URL data: dans le contenu du message, avec un type MIME exact. La documentation de BroadNet indique que la vision est proposée « only where the model row explicitly says images or vision » (traduction : « uniquement là où la ligne du modèle mentionne explicitement les images ou la vision »). La documentation ne liste pas les formats d’image acceptés : testez donc chaque format que vous comptez accepter. Avec une clé en paiement à l’usage, une image est facturée en tokens d’entrée, et une image plus grande en consomme davantage ; redimensionnez-la avant l’envoi et estimez avec le calculateur de tokens d’image. L’extraction de documents de bout en bout est décrite dans extraire des données de documents avec un LLM de vision.
Comment router chaque entrée dans le code ?
Cette fonction choisit l’endpoint selon le type de fichier, vérifie les limites documentées avant l’envoi et lit la liste des modèles acceptant les images dans le flux en direct au lieu de la coder en dur. Elle utilise le SDK Python d’OpenAI, qui fonctionne avec BroadNet une fois l’URL de base changée (guide de configuration).
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI
client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"} # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400 # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"} # your allow-list; test each one
def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
kind = mimetypes.guess_type(path)[0] if path else None
if kind is None: # text only
r = client.chat.completions.create(model=chat_model, max_tokens=1500,
messages=[{"role": "user", "content": task}])
return r.choices[0].message.content
if kind in AUDIO_TYPES or kind.startswith("audio/"):
if kind not in AUDIO_TYPES:
raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
if Path(path).stat().st_size > AUDIO_MAX:
raise ValueError("over 26,214,400 bytes: split the audio before sending")
with open(path, "rb") as f: # step 1: speech to text
text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
if kind in IMAGE_TYPES:
if chat_model not in VISION:
raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
data = base64.b64encode(Path(path).read_bytes()).decode()
r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
"content": [{"type": "text", "text": task},
{"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
return r.choices[0].message.content
raise ValueError(f"unsupported input type {kind}")
Nous l’avons testée avec BROADNET_BASE_URL pointant vers un serveur factice local (aucun appel à l’API réelle) et avec le flux de prix en direct. Du texte, un fichier WAV, un fichier WAV avec une tâche de suivi et un PNG ont chacun atteint le bon endpoint factice. L’envoi du PNG avec chat_model="broadnet/glm-5.3" a été refusé avant toute requête, avec la liste des trois ID acceptant les images issus du flux. Un fichier .ogg a été refusé avec la commande ffmpeg pour le convertir ; transcrire des notes vocales WhatsApp couvre cette étape. Les enregistrements au-delà de la taille maximale doivent être découpés ; le découpeur audio génère les commandes ffmpeg.
Et si le document est déjà du texte ?
Alors n’en envoyez pas une image. Un PDF exporté d’un logiciel de comptabilité ou d’un traitement de texte a généralement une couche texte ; extrayez-la avec une bibliothèque PDF et envoyez le texte à un modèle de chat. C’est moins cher qu’une image avec une clé en paiement à l’usage, cela évite les erreurs de lecture, et cela fonctionne aussi avec GLM 5.3. Gardez la vision pour les scans, les photos prises au téléphone, l’écriture manuscrite, les tampons et les captures d’écran, où il n’y a pas de couche texte à extraire.
Une règle utile dans un pipeline documentaire : tentez d’abord l’extraction du texte, vérifiez qu’elle a renvoyé du vrai texte (pas des pages vides ni des caractères illisibles), et ne revenez à l’image que dans le cas contraire. Pour les PDF en arabe, lisez un échantillon du texte extrait avant de vous y fier : selon la façon dont le PDF a été produit, l’extraction peut renvoyer les lettres arabes dans le mauvais ordre ou sous des formes de présentation non liées. L’OCR arabe avec un LLM de vision couvre les cas où l’image est la meilleure source.
Comment se comparent les coûts ?
Chaque type d’entrée est facturé dans sa propre unité : comparez donc par tâche, pas par requête.
- Le texte est facturé par token d’entrée et de sortie. L’arabe demande souvent plus de tokens que l’anglais pour le même contenu ; le compteur de tokens arabe le mesure.
- Les images, en paiement à l’usage, sont des tokens d’entrée au prix d’entrée du modèle : une grande photo peut donc coûter plus qu’une page de texte. Dans un forfait de sessions DeepSeek, les images sont comprises dans le prix forfaitaire.
- L’audio est facturé à la minute d’audio, quoi qu’on y dise. Chez BroadNet, 10 000 notes vocales en arabe de 30 secondes chacune reviennent à environ $21.00 avec le modèle arabe. Le calculateur de coût speech-to-text traite d’autres volumes.
Une chaîne additionne ses parties : une note vocale à laquelle répond un modèle de chat coûte les minutes de transcription plus les tokens de chat de la transcription et de la réponse. Le calculateur de coût d’API LLM gère la partie chat.
Qu’est-ce qui n’est pas proposé, et que faire à la place ?
La référence de l’API de BroadNet documente deux endpoints d’inférence : chat completions et audio transcriptions. Il n’y a donc pas de :
- Synthèse vocale. Pas de
/v1/audio/speech. Si votre produit doit parler, associez la transcription et le chat de BroadNet à un service de TTS séparé. - Voix en direct. La transcription prend un fichier téléversé, pas un flux audio en direct. Pour un agent téléphonique qui doit répondre en cours d’appel, il vous faut une pile vocale temps réel ailleurs. Enregistrer l’audio du navigateur pour la transcription montre l’alternative à base de fichiers.
- Génération d’images. Ici, la vision lit les images ; elle n’en crée pas.
- Embeddings. Pas de
/v1/embeddings. Pour la recherche, il vous faut un modèle d’embeddings d’un autre fournisseur ou auto-hébergé ; le calculateur de coût d’embeddings compare les prix.
Le catalogue de recherche de BroadNet liste bien des modèles de synthèse vocale, de génération d’images et d’embeddings, marqués comme « benchmarked » dans son laboratoire. Cela consigne ce que BroadNet a testé, pas ce que vend son API ; lire un catalogue de modèles explique la différence.
Pourquoi faut-il un jeu d’évaluation distinct pour chaque entrée ?
Parce que chaque type d’entrée échoue différemment, et qu’une moyenne sur l’ensemble masque les échecs.
- Texte : évaluez sur de vrais messages d’utilisateurs, avec des contrôles dans le code quand c’est possible. La méthode est dans évaluer un LLM avant d’en changer.
- Images : utilisez de vraies photos de qualité réelle : clichés de téléphone pris de biais, tickets délavés, tampons par-dessus le texte. Évaluez chaque champ séparément. Un rendu PDF propre obtient un bien meilleur score que les photos que vos utilisateurs enverront.
- Parole : mesurez le taux d’erreur sur les mots sur vos propres enregistrements, ventilé par dialecte, locuteur et qualité de ligne, et vérifiez à part les mots qui comptent (noms, nombres, montants). Voir le WER de l’ASR arabe expliqué.
- Chaînes : quand la parole alimente un modèle de chat, évaluez les deux étapes et le résultat final. Un nombre mal entendu devient une mauvaise réponse donnée avec assurance, et seul un test de bout en bout montre à quelle fréquence.
Gardez les jeux séparés, versionnez-les, et relancez celui qui convient chaque fois que vous changez de modèle ou de prompt.
Où se situe BroadNet Inference
BroadNet Inference couvre les cinq premières lignes du tableau des tâches avec une seule clé et une seule URL de base : chat texte, appels d’outils sur GLM 5.3 et Qwen3.8 27B, compréhension d’image sur trois modèles, et transcription arabe ou multilingue. Gemma 4 VL 26B et les deux modèles de transcription fonctionnent avec le crédit de départ de $5 ; DeepSeek, GLM et Qwen nécessitent une recharge. Le contenu d’inférence n’est pas conservé ; les métadonnées nécessaires de compte, de facturation et de sécurité sont conservées comme le décrit la déclaration de confidentialité de BroadNet. Pour la parole synthétique, la génération d’images, la voix en direct ou les embeddings, utilisez un autre service. Les prix de tout ce qui précède sont sur la page des tarifs.
