Voice note, panggilan telepon, dan rapat menyimpan informasi yang tidak bisa dicari perangkat lunak sampai diubah menjadi teks. Speech-to-text menutup celah itu.
Cara kerjanya
Hugging Face mendefinisikan automatic speech recognition sebagai “the task of transcribing a given audio to text” (terjemahan: tugas mentranskripsikan audio tertentu menjadi teks). Model ASR modern mengubah audio menjadi fitur, lalu menghasilkan urutan kata yang paling mungkin.
Lewat API yang kompatibel dengan OpenAI, Anda mengunggah file sebagai form data multipart ke /v1/audio/transcriptions:
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
Responsnya berupa JSON dengan transkrip di text. Penyedia menetapkan batas ukuran dan format file; endpoint milik OpenAI sendiri menerima file hingga 25 MB (menurut panduan speech-to-text-nya, diperiksa 2026-11-15).
Kenapa ini penting
- Akurasi menentukan nilai. Transkrip dengan nama atau angka yang salah bisa lebih buruk daripada tidak ada transkrip. Akurasi diukur dengan word error rate, dan turun pada aksen, dialek, ucapan yang tumpang-tindih, dan audio telepon.
- Harga per jam audio. STT ditagih per menit audio, jadi volume mudah diperkirakan: jam audio dikali tarif per jam.
- Privasi. Suara membawa nama, nomor telepon, serta detail kesehatan atau perbankan. Tanyakan apakah audio dan transkrip disimpan; lihat zero data retention.
- Pipeline. Transkrip sering diteruskan ke LLM berikutnya, untuk ringkasan, routing, atau ekstraksi.
Di BroadNet Inference
| Model | Bahasa | Harga per menit | Per jam |
|---|---|---|---|
| BroadNet Transcribe Arabic | Bahasa Arab, termasuk dialek | $0.0042 | $0.25 |
| BroadNet Transcribe | 14 bahasa | $0.002 | $0.12 |
Keduanya menerima WAV atau MP3 hingga 26.214.400 byte (25 MiB) per file; file yang lebih besar mengembalikan 413. Kirim language=ar untuk bahasa Arab, atau hasilnya bisa kembali dalam transliterasi huruf Latin. BroadNet melaporkan model bahasa Arab-nya di peringkat #2 dari 37 (angka September 2026; papan peringkat langsung mencantumkannya di #4 dari 39 pada 15 November 2026) pada Open Universal Arabic ASR Leaderboard. Audio dan transkrip tidak disimpan.
Penyedia lain bisa lebih murah. Pada 2026-11-14, halaman harga Soniox mencantumkan sekitar USD 0,10 per jam untuk transkripsi file (async) dan USD 0,12 per jam untuk real-time, dan daftar bahasanya mencakup bahasa Arab. Itu di bawah tarif BroadNet Transcribe Arabic sebesar $0.25 per jam, jadi uji keduanya pada audio Anda sendiri. Indeks harga API speech-to-text terbuka kami mencantumkan lebih dari 20 produk, dengan sumber dan tanggal untuk setiap harga.
Kedua model berjalan dengan kredit awal gratis $5, yang cukup untuk sekitar 1,190 menit audio bahasa Arab. Mulailah dengan panduan speech-to-text bahasa Arab, konversi file .ogg WhatsApp dengan panduan voice note, dan bandingkan penyedia dengan panduan pembeli.