---
title: "IA texte, voix ou vision : choisir selon la tâche | BroadRouter"
description: "Chat texte, entrée image ou transcription audio : choisir selon la tâche, avec les modèles et limites que BroadNet documente, et ce qu’il n’offre pas, comme le TTS."
url: https://broadrouter.com/fr/blog/text-speech-vision/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/text-speech-vision/) (mis à jour le 2026-11-15).

# Texte, voix ou vision ? Partez de la tâche

Par l’équipe BroadNet Inference · 7 min de lecture · Publié 2026-11-15

Partez de votre entrée et de votre sortie. Texte vers texte, c’est du chat. Une photo ou un scan vers du texte, c’est du chat avec image, sur un modèle qui accepte les images. De la parole enregistrée vers du texte, c’est de la transcription ; de la parole vers une réponse, c’est une transcription puis du chat. BroadNet ne propose ni synthèse vocale, ni génération d’images, ni embeddings.

## À retenir

-   Choisissez d’abord le type d’entrée. Il détermine l’endpoint, qui détermine les modèles utilisables.
-   Chez BroadNet, trois modèles de chat acceptent les images (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B) ; GLM 5.3 ne traite que du texte.
-   La parole va vers /v1/audio/transcriptions, sous forme de fichier WAV ou MP3 de 26 214 400 octets au maximum. Envoyez toujours la langue.
-   BroadNet ne propose aucun endpoint de synthèse vocale, de voix en direct, de génération d’images ou d’embeddings. Prévoyez un second fournisseur si vous en avez besoin.
-   Construisez un jeu d’évaluation distinct pour chaque type d’entrée, plus un pour toute la chaîne quand la parole alimente un modèle de chat.

**Sur cette page**

1.  De quel type d’entrée votre tâche a-t-elle besoin ?
2.  Quelle différence entre chat et transcription ?
3.  Quels modèles acceptent les images ?
4.  Comment router chaque entrée dans le code ?
5.  Et si le document est déjà du texte ?
6.  Comment se comparent les coûts ?
7.  Qu’est-ce qui n’est pas proposé, et que faire à la place ?
8.  Pourquoi faut-il un jeu d’évaluation distinct pour chaque entrée ?
9.  Où se situe BroadNet Inference

« 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](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-text-speech-vision&utm_content=body) et de la [référence de l’API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-text-speech-vision&utm_content=body) 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](https://broadrouter.com/fr/glossary/vision-language-model/) 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](https://broadrouter.com/fr/glossary/context-window/) 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](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/)).

**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](https://broadrouter.com/fr/models/cohere-transcribe-arabic/) | Arabe : golfe, égyptien, levantin, maghrébin et standard moderne, selon BroadNet | $0.0042 la minute (environ $0.25 l’heure) |
| [BroadNet Transcribe](https://broadrouter.com/fr/models/cohere-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](https://broadrouter.com/fr/blog/arabic-meeting-minutes-from-recordings/) 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](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) | Texte, image | 1 048 576 | $0.175 / $0.52 | Recharge requise |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | Texte, image | 262 144 | $0.175 / $2.17 | Recharge requise |
| [Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/) | Texte, image | 32 768 | $0.10 / $0.22 | Crédit de départ de $5 |
| [GLM 5.3](https://broadrouter.com/fr/models/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](https://broadrouter.com/tools/image-token-calculator/). L’extraction de documents de bout en bout est décrite dans [extraire des données de documents avec un LLM de vision](https://broadrouter.com/fr/blog/extract-data-from-documents-with-vision-llm/).

## 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](https://broadrouter.com/fr/guides/openai-python-sdk/)).

```python
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](https://broadrouter.com/fr/guides/transcribe-whatsapp-voice-notes/) couvre cette étape. Les enregistrements au-delà de la taille maximale doivent être découpés ; le [découpeur audio](https://broadrouter.com/tools/audio-splitter-ffmpeg/) 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](https://broadrouter.com/fr/blog/arabic-ocr-vision-llm/) 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](https://broadrouter.com/tools/arabic-token-counter/) 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/) 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](https://broadrouter.com/tools/llm-api-cost-calculator/) 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](https://broadrouter.com/fr/blog/record-browser-audio-transcription-api/) 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](https://broadrouter.com/tools/embedding-cost-calculator/) compare les prix.

Le [catalogue de recherche](https://www.broadnet.ai/inference/models) 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](https://broadrouter.com/fr/blog/understand-model-status/) 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](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/).
-   **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](https://broadrouter.com/fr/glossary/word-error-rate/) 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](https://broadrouter.com/fr/blog/arabic-asr-wer-explained/).
-   **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](https://www.broadnet.ai/inference-privacy) 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](https://broadrouter.com/fr/pricing/).

Outils gratuits sur ce sujet (en anglais)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/)

Les embeddings sont des listes de nombres à virgule flottante (des vecteurs) qu’un modèle produit pour représenter un texte, une image ou une autre entrée. Des entrées de sens proche obtiennent des vecteurs voisins : la distance entre vecteurs permet de classer des résultats de recherche, de regrouper des documents ou de trouver des éléments apparentés.

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Speech-to-text (reconnaissance vocale)](https://broadrouter.com/fr/glossary/speech-to-text/)

Le speech-to-text, ou reconnaissance automatique de la parole (ASR), est une technologie qui convertit l’audio parlé en texte écrit. Une API speech-to-text accepte un fichier ou un flux audio et renvoie une transcription, généralement facturée à la minute d’audio. La précision se mesure avec le taux d’erreur de mots et varie selon l’accent, le dialecte et la qualité d’enregistrement.

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

Le WAV (Waveform Audio File Format, ou WAVE) est un conteneur audio fondé sur le format RIFF de Microsoft et IBM. Il contient en général des échantillons PCM linéaires non compressés, d’où une taille prévisible : fréquence d’échantillonnage fois octets par échantillon fois canaux, par seconde.

[API Chat Completions](https://broadrouter.com/fr/glossary/chat-completions-api/)

L’API Chat Completions est l’endpoint HTTP d’OpenAI, POST /v1/chat/completions, qui reçoit un nom de modèle et une liste de messages associés à un rôle, et renvoie le message suivant du modèle. Sa forme de requête et de réponse est devenue le format commun que reprennent les fournisseurs et SDK compatibles OpenAI.

[Chat template (modèle de conversation)](https://broadrouter.com/fr/glossary/chat-template/)

Un chat template est la règle de mise en forme, généralement écrite en Jinja et livrée avec le tokenizer d’un modèle, qui convertit une liste de messages de chat avec leurs rôles en la séquence unique de tokens attendue par le modèle, tokens de contrôle spéciaux compris. Un mauvais template peut fortement dégrader les réponses d’un modèle.

[Crédit prépayé (prepaid credit)](https://broadrouter.com/fr/glossary/prepaid-credit/)

Le crédit prépayé est de l’argent versé sur un compte API avant utilisation. Chaque requête déduit son coût du solde, et quand le solde est épuisé, les requêtes facturées s’arrêtent jusqu’à la prochaine recharge. Les dépenses sont ainsi plafonnées à ce que vous avez versé.

## Questions fréquentes

### Quel modèle d’IA utiliser pour les images ?

Un modèle qui accepte les images en entrée sur l’API que vous utilisez. Chez BroadNet Inference, ce sont DeepSeek V4.1 Flash, Qwen3.8 27B ou Gemma 4 VL 26B, selon son flux de prix ; GLM 5.3 ne prend que du texte. Envoyez l’image sous forme de data URL dans le message de chat.

### Un modèle de chat peut-il transcrire de l’audio ?

Pas chez BroadNet Inference. L’audio va vers l’endpoint de transcription, /v1/audio/transcriptions, avec un modèle de transcription. Si vous avez ensuite besoin d’un résumé ou d’une réponse, envoyez la transcription à un modèle de chat dans une seconde étape.

### BroadNet Inference propose-t-il la synthèse vocale ou la génération d’images ?

Non. Sa référence d’API ne documente que les chat completions et la transcription audio. Des modèles de synthèse vocale et de génération d’images figurent dans le catalogue de recherche de BroadNet comme « benchmarked », ce qui n’équivaut pas à une offre.

### Quels formats audio BroadNet accepte-t-il ?

WAV (audio/wav) ou MP3 (audio/mpeg), jusqu’à 26 214 400 octets par fichier. Convertissez d’abord les autres formats avec ffmpeg, comme une note vocale WhatsApp en .ogg, et envoyez toujours le paramètre language.

### Comment une image est-elle facturée ?

Avec une clé en paiement à l’usage, BroadNet facture une image comme des tokens d’entrée au prix d’entrée du modèle, et une image plus grande consomme plus de tokens. Dans un forfait de sessions DeepSeek, les images sont comprises dans le prix forfaitaire.

## À lire ensuite

-   [Extraire factures, reçus et formulaires en JSON avec un LLM vision](https://broadrouter.com/fr/blog/extract-data-from-documents-with-vision-llm/)
-   [API speech-to-text pour l’arabe : comment la choisir en 2026](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [API speech-to-text multilingue : 14 langues, un seul endpoint](https://broadrouter.com/fr/blog/multilingual-speech-to-text-api/)
-   [API LLM de vision la moins chère : coût par image et par page, calculé](https://broadrouter.com/fr/blog/cheapest-vision-llm-api/)
-   [Comptes rendus de réunion en arabe depuis l’audio : un pipeline API](https://broadrouter.com/fr/blog/arabic-meeting-minutes-from-recordings/)
-   [En ligne, sur demande, recherche : bien lire un catalogue de modèles](https://broadrouter.com/fr/blog/understand-model-status/)
-   [Comment évaluer un LLM avant de changer de fournisseur](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/)
-   [Matériel GPU et serving de BroadNet, tels que BroadNet les décrit](https://broadrouter.com/fr/blog/broadnet-gpu-fleet-and-serving/)
-   [Mettre en cache les réponses d’API LLM : un cache exact en Python](https://broadrouter.com/fr/blog/cache-llm-responses-cut-cost/)
-   [Guide : Lire des factures et reçus arabes avec un modèle de vision](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/)
-   [Guide : API speech-to-text pour l’arabe, étape par étape](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/)
-   [Guide : Transcrire les messages vocaux WhatsApp en texte avec une API](https://broadrouter.com/fr/guides/transcribe-whatsapp-voice-notes/)
-   [Guide : Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-text-speech-vision&utm_content=page-cta) ·

**Sources**

-   [Référence de l’API de BroadNet Inference : ID des modèles, chat avec image, formats et taille pour la transcription, statut des capacités (vérifiée le 2026-11-15) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-text-speech-vision&utm_content=sources)
-   [pricing.json de BroadNet Inference : modalités, langues et prix par modèle (vérifié le 2026-11-15) (en anglais)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-text-speech-vision&utm_content=sources)
-   [Catalogue de modèles de BroadNet Inference : modèles en service, et modèles de synthèse vocale et d’image listés comme « benchmarked » (vérifié le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference/models)
-   [Déclaration de BroadNet Inference sur la confidentialité et la conservation des données (vérifiée le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference-privacy)
