Sebagian besar halaman yang muncul untuk “terjemahkan audio bahasa Arab ke Inggris” adalah alat web unggah-dan-unduh. Itu cukup untuk satu file. Jika Anda butuh terjemahan di dalam produk sendiri (panggilan support, wawancara, voice note, kuliah), Anda butuh dua panggilan API dan beberapa pengecekan di sekitarnya. Artikel ini membangun pipeline itu di atas satu kunci yang kompatibel dengan OpenAI, mengujinya, dan menunjukkan cara mengukur apakah hasilnya cukup bagus.
Untuk menerjemahkan teks bahasa Arab yang sudah Anda miliki, lihat terjemahan Arab–Inggris dengan LLM. Untuk mengubah rekaman rapat menjadi notulen alih-alih terjemahan lengkap, lihat notulen rapat bahasa Arab dari rekaman.
Satu panggilan atau dua?
Ada dua cara mendapatkan teks bahasa Inggris dari ucapan bahasa Arab:
| Pendekatan | Cara kerja | Cocok untuk |
|---|---|---|
| Speech translation (satu langkah) | Satu permintaan; layanan mengembalikan bahasa Inggris | Audio langsung, caption, kode paling sederhana |
| Transkripsi, lalu terjemahan (dua langkah) | Panggilan speech-to-text mengembalikan teks bahasa Arab; LLM menerjemahkannya | File, saat Anda juga butuh teks Arabnya, glosarium, dan pengecekan |
Endpoint satu langkah paling terkenal untuk file sedang berubah. Panduan speech-to-text OpenAI menyebutkan /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (Terjemahan BroadRouter: memakai whisper-1 untuk menerjemahkan rekaman audio yang sudah selesai ke bahasa Inggris). Halaman deprecation-nya, dicek 2026-11-15, memberi tanggal pemberitahuan 26 Agustus 2026 dan tanggal dimatikan 26 Februari 2027. Pengganti yang dicantumkan adalah /v1/realtime/translations, yaitu API realtime, bukan unggah file. Jika kode Anda memanggil endpoint lama, Anda tetap harus membangunnya ulang.
Soniox adalah salah satu opsi satu langkah saat ini: halaman Arab ke Inggris miliknya menunjukkan permintaan WebSocket dengan blok terjemahan yang diset ke sumber ar dan target en. Audio langsung adalah tempat produk streaming seperti ini paling masuk akal.
Pipeline dua langkah punya tiga keunggulan praktis untuk file:
- Anda menyimpan transkrip bahasa Arab. Anda bisa mencarinya, menampilkannya di samping teks Inggris, dan menerjemahkannya ulang nanti dengan model yang lebih baik tanpa membayar transkripsi lagi.
- Anda mengendalikan terjemahan. Anda memilih model, memberinya glosarium nama dan istilah produk, dan mengecek outputnya di kode.
- Anda bisa melihat asal kesalahan. Kalimat Inggris yang salah berasal dari kesalahan pengenalan atau kesalahan terjemahan. Dengan transkrip di tangan, Anda bisa tahu yang mana.
Harganya adalah permintaan kedua dan kode yang lebih banyak. Sisa artikel ini adalah kode itu.
Seperti apa pipeline-nya?
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
Langkah 1: bagaimana menyiapkan dan memecah audio?
Endpoint transkripsi BroadNet menerima WAV (audio/wav) atau MP3 (audio/mpeg) hingga 26.214.400 byte per file. Rekaman telepon (.m4a), voice note WhatsApp (.ogg), dan video memang perlu dikonversi, jadi lakukan resample dan pemecahan dalam langkah ffmpeg yang sama:
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
-f segment -segment_time 600 chunks/part_%03d.wav
Audio mono 16 kHz 16-bit berukuran 32.000 byte per detik, jadi bagian 10 menit sekitar 19,2 MB, di bawah batas. Kami menjalankannya pada file uji 25 menit: hasilnya dua bagian berukuran 19.200.162 dan 19.200.194 byte serta satu bagian 5 menit berukuran 9.599.878 byte.
Potongan dengan panjang tetap bisa memotong kata. Untuk ucapan nyata, potong di jeda hening; mentranskripsikan file audio panjang punya pemecah berbasis keheningan, dan alat pemecah audio menuliskan perintah ffmpeg untuk Anda. Latar belakang tentang sample rate dan kenapa 16 kHz cukup untuk ucapan ada di glosarium.
Langkah 2 dan 3: bagaimana mentranskripsikan dan menerjemahkan?
Skrip di bawah mengirim setiap bagian ke model transkripsi bahasa Arab, lalu ke model chat dengan prompt terjemahan. Skrip ini berjalan dengan OpenAI Python SDK.
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:]
Fungsi tiap bagian:
language="ar". Dokumentasi BroadNet menyuruh Anda selalu mengirimlanguagepada permintaan transkripsi. Panduan speech-to-text bahasa Arab membahas permintaannya secara detail.- Prompt menyebutkan asal teks. Transkrip tidak punya tanda baca, bisa berupa dialek, dan bisa berisi kesalahan pengenalan. Memberi tahu model hal ini mencegahnya menganggap frasa aneh sebagai disengaja, dan penanda
[unclear]memberi peninjau sesuatu untuk dicari. - Pertahankan kata bahasa Inggris. Penutur bahasa Arab sering beralih ke bahasa Inggris di tengah kalimat (“الـ deadline”, “فريق الـ QA”). Itu code-switching, dan model sebaiknya membiarkan kata-kata itu, bukan menerjemahkannya bolak-balik.
- Glosarium per bagian. Hanya entri glosarium yang muncul di bagian itu yang dikirim, sehingga prompt tetap pendek. Pencocokannya persis, jadi jika ejaan transkrip Anda bervariasi (أ dibanding ا, ة dibanding ه), normalisasi kedua sisi lebih dulu; normalizer teks bahasa Arab menunjukkan aturan yang umum.
- Bagian sebelumnya sebagai konteks. 500 karakter terakhir dari bagian bahasa Arab sebelumnya membantu untuk kata ganti dan kalimat yang terpotong di batas bagian. Prompt menyuruh model tidak menerjemahkannya, jadi teks itu tidak muncul dua kali.
max_tokens=4000danreasoning_effort="low". Dokumentasi BroadNet menyebutkan DeepSeek V4.1 Flash, GLM 5.3, dan Qwen3.8 27B bernalar sebelum menjawab dan penalaran itu dihitung ke dalammax_tokens. Batas yang kecil bisa menghasilkan jawaban kosong; lihat token penalaran dan respons kosong. Kode memunculkan error pada balasan kosong atau terpotong alih-alih menyimpan setengah terjemahan.- Cek angka. Angka adalah tempat terjemahan yang salah paling merugikan. Cek ini memetakan angka Arab-Indik (٠-٩) dan angka Persia (۰-۹) ke 0-9 dan memastikan setiap angka muncul di teks Inggris. Angka yang diucapkan sebagai kata (“خمسة عشر”) tidak akan tertangkap, jadi peninjau tetap membaca semua yang penting.
Apa hasil pengujiannya?
Kami menjalankan skrip ini terhadap server tiruan lokal yang mengimplementasikan kedua endpoint (tanpa panggilan API langsung). Tiga bagian dari file uji 25 menit dikirim dengan model=broadnet/cohere-transcribe-arabic dan language=ar, dan setiap permintaan chat membawa baris glosarium untuk bagian itu serta bagian bahasa Arab sebelumnya sebagai konteks. Terjemahan ketiga dari server tiruan sengaja menghilangkan satu angka, dan skrip mencetak:
--- 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
Kalimat bahasa Arab dan perusahaannya dikarang untuk pengujian. Run ini menunjukkan bahwa kodenya bekerja, bukan seberapa bagus terjemahan model mana pun; untuk itu, pakai langkah penilaian di bawah.
Bagaimana kesalahan pengenalan memengaruhi terjemahan?
Kesalahan itu lewat begitu saja. Jika transkrip menyebut ٢١٤ padahal penutur mengatakan ٢٤٠, terjemahan akan dengan setia menyebut 214. Jika kata dialek salah didengar sebagai kata standar yang mirip bunyinya, terjemahannya akan lancar dan salah. Bahasa Inggris yang lancar membuat kesalahan ini sulit dikenali, dan itulah risiko utama sistem speech translation mana pun.
Anda bisa mengukur seberapa banyak kesalahan berasal dari tiap langkah. Kumpulkan 30 klip atau lebih, dan untuk masing-masing dapatkan:
- transkrip bahasa Arab buatan manusia,
- terjemahan bahasa Inggris buatan manusia (referensi).
Lalu terjemahkan transkrip manusia dan transkrip ASR dengan pipeline Anda, dan nilai keduanya terhadap referensi. chrF, skor n-gram karakter, lebih baik menangani nama dan bentuk kata daripada BLEU dan merupakan default yang lazim untuk Arab–Inggris; SacreBLEU menghitung keduanya:
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}")
Pada dua kalimat mainan ini (SacreBLEU 2.6.0), skrip mencetak chrF 94,6 dan BLEU 89,2 untuk jalur transkrip manusia, serta chrF 87,1 dan BLEU 71,7 untuk pipeline lengkap. Dua kalimat mainan tidak membuktikan apa pun tentang sebuah model. Pada klip Anda sendiri, selisih yang besar berarti Anda perlu memperbaiki pengenalan: audio yang lebih baik, set uji dialek seperti di speech recognition dialek bahasa Arab, atau penyedia lain. Selisih kecil dengan skor yang secara keseluruhan rendah berarti langkah terjemahan perlu dibenahi: prompt yang lebih baik, glosarium, atau model lain. Untuk menilai langkah transkripsi saja, pakai word error rate.
Skor otomatis memeringkat sistem; skor itu tidak mengesahkan terjemahan. Minta peninjau dwibahasa membaca sampel, terutama angka, nama, dan negasi.
Model mana yang sebaiknya dipakai?
| Langkah | Model BroadNet | Harga | Catatan |
|---|---|---|---|
| Transkripsi | BroadNet Transcribe Arabic | $0.0042 per menit ($0.25 per jam) | Hanya bahasa Arab; bisa dengan kredit awal $5 |
| Terjemahan | Qwen3.8 27B | $0.175 input, $2.17 output per 1 juta token | Model penalaran; konteks 262.144 token; perlu top up |
| Terjemahan | Gemma 4 VL 26B | $0.10 input, $0.22 output per 1 juta token | Bisa dengan kredit awal; konteks 32.768 token, biasanya cukup untuk bagian 10 menit; cek sampel di penghitung token. Hapus reasoning_effort, yang hanya didokumentasikan BroadNet untuk model penalarannya |
| Terjemahan | DeepSeek V4.1 Flash | $0.175 input, $0.52 output per 1 juta token, atau sesi harga tetap | Model penalaran; di-hosting mitra; perlu top up atau paket |
Jalankan skrip penilaian pada klip yang sama dengan setiap model penerjemah dan pilih berdasarkan skor dan catatan peninjau, bukan berdasarkan tabel kami. Memilih LLM untuk bahasa Arab membahas pertimbangan yang lebih luas.
Berapa biaya satu jam audio?
Ada dua bagian:
- Transkripsi dihitung per menit audio: $0.25 per jam di BroadNet Transcribe Arabic.
- Terjemahan dihitung per token:
prompt_tokens × input price + completion_tokens × output price, dibagi 1.000.000. Prompt mencakup system prompt, baris glosarium, konteks bagian sebelumnya, dan transkrip. Completion mencakup teks Inggris dan, pada model penalaran, token penalaran.
Kami tidak menerbitkan satu angka biaya terjemahan per jam, karena angkanya bergantung pada seberapa cepat orang berbicara, dialeknya, dan seberapa banyak model bernalar. Ukurlah: jalankan satu jam yang khas, jumlahkan usage.prompt_tokens dan usage.completion_tokens dari respons, lalu masukkan ke kalkulator biaya API LLM. Sebelum punya audio, Anda bisa menempelkan contoh transkrip ke penghitung token bahasa Arab; bahasa Arab biasanya butuh lebih banyak token per kata daripada bahasa Inggris, seperti ditunjukkan token per kata dalam bahasa Arab dan Inggris. Kalkulator biaya speech-to-text menghitung sisi audionya.
Untuk tumpukan pekerjaan yang besar, sesi DeepSeek V4.1 Flash harga tetap menghilangkan argometer token pada langkah terjemahan: $1 per jam, $15 per minggu, atau $60 per bulan per sesi. Satu sesi menjalankan satu permintaan pada satu waktu, jadi worker paralel butuh lebih banyak sesi. Transkripsi tetap ditagih per menit.
Kapan pipeline ini pilihan yang salah?
- Audio langsung. Panggilan, caption langsung, dan voice agent butuh hasil streaming dalam hitungan detik. API speech translation streaming, atau endpoint realtime, lebih cocok daripada unggah file.
- Subtitle. Respons transkripsi BroadNet hanya teks, tanpa timestamp. Subtitle bahasa Arab dari API yang hanya mengembalikan teks menunjukkan seberapa jauh offset chunk bisa membawa Anda; untuk timing per kata, pakai penyedia yang mengembalikan timestamp.
- Bahasa yang tidak ditranskripsikan BroadNet. Model bahasa Arab menangani bahasa Arab. Untuk bahasa sumber lain, cek dulu daftar 14 bahasa model multibahasa.
- Dokumen hukum atau medis. Pakai pipeline untuk draf dan penerjemah manusia untuk dokumen resminya.
Posisi BroadNet Inference
BroadRouter adalah situs milik BroadNet sendiri. BroadNet Inference menyediakan kedua langkah pipeline ini dengan satu kunci yang kompatibel dengan OpenAI: transkripsi bahasa Arab di /v1/audio/transcriptions dan terjemahan di /v1/chat/completions. BroadNet tidak punya endpoint speech translation satu langkah dan tidak punya transkripsi streaming, jadi untuk audio langsung pakai penyedia lain. Kebijakan privasinya menyebutkan konten inferensi, termasuk audio, transkrip, dan jawaban, tidak disimpan; metadata akun, penagihan, dan keamanan yang diperlukan disimpan. Mulailah dari halaman transkripsi bahasa Arab atau referensi API, dan uji pada rekaman Anda sendiri sebelum mengandalkan outputnya.
