BroadRouter

Traduire un audio arabe en texte anglais par API : un pipeline testé

Par l’équipe BroadNet Inference · 8 min de lecture · Publié · Mis à jour

Procédez en deux étapes. Transcrivez l’audio arabe avec une API speech-to-text en réglant language sur ar, puis traduisez la transcription avec un LLM à qui vous demandez de conserver noms et nombres. Découpez d’abord les longs fichiers, vérifiez les nombres dans le code et notez un petit échantillon avec chrF pour voir ce que l’étape de transcription vous coûte en qualité.

La plupart des pages qui se positionnent sur « traduire un audio arabe en anglais » sont des outils web d’envoi et de téléchargement. Pour un fichier, ils suffisent. Si vous avez besoin de la traduction dans votre propre produit (appels de support, entretiens, messages vocaux, cours), il vous faut deux appels d’API et quelques vérifications autour. Cet article construit ce pipeline avec une seule clé compatible OpenAI, le teste et montre comment mesurer s’il est assez bon.

Pour traduire un texte arabe que vous avez déjà, voyez la traduction arabe–anglais avec les LLM. Pour tirer d’un enregistrement de réunion un compte rendu plutôt qu’une traduction intégrale, voyez les comptes rendus de réunion en arabe à partir d’enregistrements.

Un appel ou deux ?

Il y a deux façons d’obtenir un texte anglais à partir de parole arabe :

Approche Fonctionnement Adaptée à
Traduction vocale (une étape) Une requête ; le service renvoie de l’anglais Audio en direct, sous-titres, code le plus simple
Transcrire, puis traduire (deux étapes) Un appel speech-to-text renvoie du texte arabe ; un LLM le traduit Fichiers, besoin du texte arabe, glossaires et vérifications

L’endpoint en une étape le plus connu pour les fichiers est en train de changer. Le guide speech-to-text d’OpenAI dit que /v1/audio/translations « uses whisper-1 to translate a completed audio recording into English » (traduction : « utilise whisper-1 pour traduire en anglais un enregistrement audio terminé »). Sa page des dépréciations, consultée le 15 novembre 2026, donne une date d’annonce au 26 août 2026 et une date d’arrêt au 26 février 2027. Le remplaçant indiqué est /v1/realtime/translations, une API temps réel et non un envoi de fichier. Si votre code appelle l’ancien endpoint, vous le reconstruisez de toute façon.

Soniox est une option actuelle en une étape : sa page arabe vers anglais montre une requête WebSocket avec un bloc de traduction réglé sur la source ar et la cible en. C’est pour l’audio en direct qu’un produit en streaming de ce type a le plus de sens.

Pour les fichiers, le pipeline en deux étapes a trois avantages pratiques :

  1. Vous gardez la transcription arabe. Vous pouvez la rechercher, l’afficher à côté de l’anglais et la retraduire plus tard avec un meilleur modèle sans repayer la transcription.
  2. Vous maîtrisez la traduction. Vous choisissez le modèle, lui donnez un glossaire de noms et de termes produit, et vérifiez sa sortie dans le code.
  3. Vous voyez d’où viennent les erreurs. Une phrase anglaise fausse provient soit d’une erreur de reconnaissance, soit d’une erreur de traduction. Avec la transcription sous la main, vous savez laquelle.

Le prix à payer est une seconde requête et plus de code. La suite de cet article, c’est ce code.

À quoi ressemble le pipeline ?

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

Étape 1 : comment préparer et découper l’audio ?

L’endpoint de transcription de BroadNet accepte le WAV (audio/wav) ou le MP3 (audio/mpeg) jusqu’à 26 214 400 octets par fichier. Les enregistrements téléphoniques (.m4a), les messages vocaux WhatsApp (.ogg) et la vidéo doivent de toute façon être convertis : rééchantillonnez et découpez dans la même commande ffmpeg :

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

Un audio mono 16 kHz sur 16 bits représente 32 000 octets par seconde : une partie de 10 minutes fait donc environ 19,2 Mo, sous la limite. Nous l’avons lancé sur un fichier de test de 25 minutes : il a produit deux parties de 19 200 162 et 19 200 194 octets et une partie de 5 minutes de 9 599 878 octets.

Des coupes à durée fixe peuvent couper un mot. Pour de la vraie parole, coupez plutôt sur les silences ; transcrire de longs fichiers audio propose un découpeur basé sur les silences, et l’outil de découpage audio écrit la commande ffmpeg pour vous. Le glossaire explique la fréquence d’échantillonnage et pourquoi 16 kHz suffisent pour la parole.

Étapes 2 et 3 : comment transcrire et traduire ?

Le script ci-dessous envoie chaque partie au modèle de transcription arabe, puis à un modèle de chat avec un prompt de traduction. Il fonctionne avec le SDK Python d’OpenAI.

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:]

À quoi sert chaque élément :

  • language="ar". La documentation de BroadNet demande de toujours envoyer language avec une requête de transcription. Le guide speech-to-text arabe détaille la requête.
  • Le prompt dit d’où vient le texte. Une transcription n’a pas de ponctuation, peut être en dialecte et contenir des erreurs de reconnaissance. Le dire au modèle l’empêche de traiter les tournures étranges comme intentionnelles, et le marqueur [unclear] donne aux relecteurs quelque chose à rechercher.
  • Garder les mots anglais. Les arabophones passent souvent à l’anglais en cours de phrase (« الـ deadline », « فريق الـ QA »). C’est de l’alternance codique, et le modèle doit laisser ces mots tels quels, sans les traduire dans un sens puis dans l’autre.
  • Glossaire par partie. Seules les entrées du glossaire présentes dans la partie sont envoyées, ce qui garde les prompts courts. La correspondance est exacte : si l’orthographe varie dans vos transcriptions (أ contre ا, ة contre ه), normalisez d’abord les deux côtés ; le normaliseur de texte arabe montre les règles habituelles.
  • La partie précédente comme contexte. Les 500 derniers caractères de la partie arabe précédente aident pour les pronoms et les phrases coupées à une frontière de partie. Le prompt demande de ne pas les traduire, pour qu’ils n’apparaissent pas deux fois.
  • max_tokens=4000 et reasoning_effort="low". Selon la documentation de BroadNet, DeepSeek V4.1 Flash, GLM 5.3 et Qwen3.8 27B raisonnent avant de répondre, et ce raisonnement compte dans max_tokens. Une limite trop basse peut renvoyer une réponse vide ; voyez tokens de raisonnement et réponses vides. Le code lève une erreur sur une réponse vide ou tronquée au lieu d’enregistrer une demi-traduction.
  • Vérification des nombres. C’est sur les nombres qu’une traduction fausse fait le plus de dégâts. La vérification convertit les chiffres arabo-indiens (٠-٩) et persans (۰-۹) en 0-9 et confirme que chaque nombre apparaît dans l’anglais. Les nombres prononcés en toutes lettres (« خمسة عشر ») ne sont pas détectés : un relecteur lit donc toujours ce qui compte.

Qu’a montré le test ?

Nous avons exécuté le script contre un serveur fictif local qui implémente les deux endpoints (aucun appel à l’API réelle). Les trois parties du fichier de test de 25 minutes ont été envoyées avec model=broadnet/cohere-transcribe-arabic et language=ar, et chaque requête de chat portait les lignes de glossaire de la partie et la partie arabe précédente comme contexte. La troisième traduction du serveur fictif omettait volontairement un nombre, et le script a affiché :

--- 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

Les phrases arabes et l’entreprise sont inventées pour le test. L’exécution montre que le code fonctionne, pas la qualité de traduction d’un modèle ; pour cela, utilisez l’étape d’évaluation ci-dessous.

Quel effet ont les erreurs de reconnaissance sur la traduction ?

Elles passent telles quelles. Si la transcription indique ٢١٤ là où le locuteur a dit ٢٤٠, la traduction dira fidèlement 214. Si un mot dialectal est confondu avec un mot standard proche à l’oreille, la traduction sera fluide et fausse. Un anglais fluide rend ces erreurs difficiles à repérer : c’est le principal risque de tout système de traduction vocale.

Vous pouvez mesurer la part d’erreur qui vient de chaque étape. Réunissez au moins 30 extraits et, pour chacun, obtenez :

  1. une transcription arabe humaine,
  2. une traduction anglaise humaine (la référence).

Traduisez ensuite avec votre pipeline la transcription humaine et la transcription ASR, et notez les deux face à la référence. chrF, un score fondé sur les n-grammes de caractères, gère mieux les noms et les formes de mots que BLEU et sert habituellement de valeur par défaut pour l’arabe–anglais ; SacreBLEU calcule les deux :

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}")

Sur ces deux phrases jouets (SacreBLEU 2.6.0), il a affiché chrF 94,6 et BLEU 89,2 pour la voie par transcription humaine, et chrF 87,1 et BLEU 71,7 pour le pipeline complet. Deux phrases jouets ne prouvent rien sur un modèle. Sur vos propres extraits, un grand écart signifie qu’il faut améliorer la reconnaissance : meilleur audio, jeu de test dialectal comme dans la reconnaissance vocale des dialectes arabes, ou autre fournisseur. Un petit écart avec des scores globalement bas signifie que c’est l’étape de traduction qui doit progresser : meilleur prompt, glossaire ou autre modèle. Pour noter l’étape de transcription seule, utilisez le taux d’erreur de mots.

Les scores automatiques classent des systèmes ; ils ne valident pas une traduction. Faites lire un échantillon par un relecteur bilingue, en particulier les nombres, les noms et les négations.

Quels modèles utiliser ?

Étape Modèle BroadNet Prix Remarques
Transcrire BroadNet Transcribe Arabic $0.0042 la minute ($0.25 l’heure) Arabe uniquement ; utilisable avec le crédit de départ de $5
Traduire Qwen3.8 27B $0.175 en entrée, $2.17 en sortie par million de tokens Modèle de raisonnement ; contexte de 262 144 tokens ; nécessite une recharge
Traduire Gemma 4 VL 26B $0.10 en entrée, $0.22 en sortie par million de tokens Utilisable avec le crédit de départ ; contexte de 32 768 tokens, en général suffisant pour une partie de 10 minutes ; vérifiez un échantillon dans le compteur de tokens. Retirez reasoning_effort, que BroadNet ne documente que pour ses modèles de raisonnement
Traduire DeepSeek V4.1 Flash $0.175 en entrée, $0.52 en sortie par million de tokens, ou une session forfaitaire Modèle de raisonnement ; hébergé par un partenaire ; nécessite une recharge ou un forfait

Lancez le script d’évaluation sur les mêmes extraits avec chaque modèle de traduction et choisissez d’après les scores et les notes du relecteur, pas d’après notre tableau. Choisir un LLM pour l’arabe traite des arbitrages plus larges.

Combien coûte une heure d’audio ?

Il y a deux postes :

  • La transcription se paie à la minute d’audio : $0.25 l’heure avec BroadNet Transcribe Arabic.
  • La traduction se paie au token : prompt_tokens × input price + completion_tokens × output price, divisé par 1 000 000. Le prompt comprend le prompt système, les lignes de glossaire, le contexte de la partie précédente et la transcription. La complétion comprend l’anglais et, sur les modèles de raisonnement, les tokens de raisonnement.

Nous ne publions pas de chiffre unique de traduction par heure, car il dépend du débit de parole, du dialecte et de la quantité de raisonnement du modèle. Mesurez-le : traitez une heure typique, additionnez usage.prompt_tokens et usage.completion_tokens des réponses, et saisissez-les dans le calculateur de coût d’API LLM. Avant d’avoir de l’audio, vous pouvez coller un exemple de transcription dans le compteur de tokens arabe ; l’arabe demande en général plus de tokens par mot que l’anglais, comme le montre tokens par mot en arabe et en anglais. Le calculateur de coût speech-to-text chiffre la partie audio.

Pour un gros arriéré, une session forfaitaire DeepSeek V4.1 Flash supprime le compteur de tokens de l’étape de traduction : $1 l’heure, $15 la semaine ou $60 le mois par session. Une session traite une requête à la fois : des workers en parallèle demandent donc plus de sessions. La transcription reste facturée à la minute.

Quand ce pipeline n’est-il pas le bon choix ?

  • Audio en direct. Appels, sous-titrage en direct et agents vocaux exigent des résultats en streaming en quelques secondes. Une API de traduction vocale en streaming, ou un endpoint temps réel, convient mieux que l’envoi de fichiers.
  • Sous-titres. La réponse de transcription de BroadNet est du texte seul, sans horodatage. Des sous-titres arabes avec une API texte seul montre jusqu’où mènent les décalages des parties ; pour un minutage au mot près, utilisez un fournisseur qui renvoie des horodatages.
  • Langues que BroadNet ne transcrit pas. Le modèle arabe traite l’arabe. Pour d’autres langues sources, consultez d’abord la liste de 14 langues du modèle multilingue.
  • Documents juridiques ou médicaux. Utilisez le pipeline pour un brouillon et un traducteur humain pour le document officiel.

La place de BroadNet Inference

BroadRouter est le site de BroadNet. BroadNet Inference propose les deux étapes de ce pipeline avec une seule clé compatible OpenAI : transcription arabe sur /v1/audio/transcriptions et traduction sur /v1/chat/completions. Il n’a pas d’endpoint de traduction vocale en une étape ni de transcription en streaming : pour l’audio en direct, utilisez un autre fournisseur. Sa politique de confidentialité indique que le contenu d’inférence, y compris l’audio, les transcriptions et les réponses, n’est pas conservé ; les métadonnées de compte, de facturation et de sécurité nécessaires le sont. Commencez par la page de transcription arabe ou la référence de l’API, et testez sur vos propres enregistrements avant de vous fier au résultat.

Questions fréquentes

Peut-on traduire un audio arabe en anglais en un seul appel d’API ?

Oui, avec une API de traduction vocale comme Soniox, qui ajoute un réglage de traduction à sa requête de speech-to-text. L’endpoint /v1/audio/translations d’OpenAI fait de même pour les fichiers, mais il est obsolète, avec un arrêt annoncé le 26 février 2027. Un pipeline en deux étapes demande deux appels et vous donne en plus la transcription arabe.

Que choisir : traduction vocale directe, ou transcrire puis traduire ?

Testez les deux sur votre propre audio. Transcrire puis traduire vous laisse choisir le modèle de traduction, ajouter un glossaire, vérifier les nombres et garder le texte arabe. Une API en une étape est plus simple et souvent meilleure pour l’audio en direct. Notez au moins 30 extraits avec chrF face à des traductions humaines avant de choisir.

Le pipeline gère-t-il l’arabe égyptien, du Golfe ou levantin ?

C’est surtout l’étape de transcription qui en décide : testez des enregistrements dans les dialectes que vous servez. Indiquez ensuite au modèle de traduction que la transcription peut être en dialecte et contenir des mots anglais. Les mots dialectaux rarement vus par un modèle vocal sont la principale source d’erreurs.

Comment traduire un fichier audio arabe de plus de 25 Mo ?

Convertissez-le en WAV mono 16 kHz et découpez-le avec ffmpeg en parties de 10 minutes au plus ; chaque partie fait environ 19,2 Mo. Transcrivez chaque partie, puis traduisez-les dans l’ordre en transmettant la fin de la partie précédente comme contexte.

Peut-on obtenir ainsi des sous-titres anglais horodatés ?

Pas directement avec BroadNet : sa réponse de transcription est du texte seul, sans horodatage. Vous pouvez caler les sous-titres sur les décalages des parties, comme dans notre article sur les sous-titres arabes, ou utiliser un fournisseur qui renvoie des horodatages par mot ou par segment.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity