---
title: "AI per testo, voce o immagini: scegli per compito | BroadRouter"
description: "Scegli tra chat, input di immagini e trascrizione audio in base al compito, con i modelli e i limiti documentati da BroadNet e ciò che non offre, come il TTS."
url: https://broadrouter.com/it/blog/text-speech-vision/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/text-speech-vision/) (aggiornato il 2026-11-15).

# Testo, voce o vision? Parti dal compito

A cura del team di BroadNet Inference · 7 min di lettura · Pubblicato 2026-11-15

Parti da input e output. Testo in entrata e testo in uscita è chat. Una foto o una scansione in entrata e testo in uscita è chat con un’immagine, su un modello che accetta immagini. Parlato registrato in entrata e testo in uscita è trascrizione; dal parlato a una risposta è trascrizione e poi chat. BroadNet non offre sintesi vocale, generazione di immagini né embedding.

## Punti chiave

-   Scegli prima il tipo di input. Decide l’endpoint, che a sua volta decide i modelli che puoi usare.
-   Su BroadNet tre modelli di chat accettano immagini (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); GLM 5.3 è solo testo.
-   Il parlato va a /v1/audio/transcriptions come file WAV o MP3 fino a 26.214.400 byte. Invia sempre la lingua.
-   BroadNet non offre endpoint di sintesi vocale, voce in tempo reale, generazione di immagini né embedding. Se ti servono, prevedi un secondo provider.
-   Costruisci un set di valutazione separato per ogni tipo di input, più uno per l’intera catena quando il parlato alimenta un modello di chat.

**In questa pagina**

1.  Di quale tipo di input ha bisogno il tuo compito?
2.  Che differenza c’è tra chat e trascrizione?
3.  Quali modelli accettano immagini?
4.  Come si instrada ogni input nel codice?
5.  E se il documento è già testo?
6.  Come si confrontano i costi?
7.  Che cosa non è offerto, e che cosa fare invece?
8.  Perché serve un set di valutazione separato per ogni input?
9.  Dove si colloca BroadNet Inference

«Quale modello usiamo?» è la seconda domanda. La prima è «che cosa entra e che cosa deve uscire?». La foto di una fattura, un vocale di un cliente e una domanda scritta vanno ciascuno a un tipo diverso di endpoint, e ogni endpoint ha i suoi modelli, i suoi limiti e i suoi modi di sbagliare. Scegli prima il compito e l’elenco dei modelli si riduce a due o tre.

Questa guida collega i compiti più comuni ai tipi di input, e poi a ciò che BroadNet Inference documenta per ciascuno. BroadRouter è il sito di BroadNet; i dati sui modelli qui sotto vengono dal [feed dei prezzi](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-text-speech-vision&utm_content=body) e dal [riferimento API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-text-speech-vision&utm_content=body) di BroadNet, consultati il 15 novembre 2026.

## Di quale tipo di input ha bisogno il tuo compito?

| Il tuo compito | Input | Output | Endpoint | Modelli BroadNet |
| --- | --- | --- | --- | --- |
| Rispondere, riassumere, classificare o tradurre testo | Testo | Testo | Chat completions | Uno qualsiasi dei quattro modelli di chat |
| Chiamare le tue funzioni o i tuoi tool | Testo | Tool call | Chat completions | GLM 5.3, Qwen3.8 27B (documentati) |
| Leggere una foto, una scansione, uno screenshot o un modulo | Immagine + testo | Testo o JSON | Chat completions con un’immagine | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Trasformare una registrazione o un vocale in testo | File audio | Testo | Trascrizioni audio | Transcribe Arabic, Transcribe (14 lingue) |
| Riassumere una chiamata o rispondere a un vocale | File audio | Testo | Trascrizione, poi chat | Uno per tipo |
| Leggere ad alta voce una risposta | Testo | Audio | Sintesi vocale (text-to-speech) | Non offerto |
| Sostenere una conversazione vocale dal vivo | Stream audio | Audio | Voce in tempo reale | Non offerto |
| Creare un’immagine | Testo | Immagine | Generazione di immagini | Non offerto |
| Ricerca semantica nei documenti | Testo | Vettori | Embedding | Non offerto |

In questa tabella «vision» significa comprensione delle immagini: il modello legge un’immagine che gli invii. Non significa generare immagini. La voce di glossario [vision language model](https://broadrouter.com/it/glossary/vision-language-model/) spiega la differenza.

## Che differenza c’è tra chat e trascrizione?

Sono endpoint diversi, con formati di richiesta, unità di fatturazione e modelli diversi.

**Chat** (`POST /v1/chat/completions`) riceve una lista di messaggi in JSON e restituisce testo. Si paga per token, input e output separati, e ogni modello ha una [finestra di contesto](https://broadrouter.com/it/glossary/context-window/) che contiene insieme prompt e risposta. Su BroadNet tre dei quattro modelli di chat ragionano prima di rispondere, e quel ragionamento conta per `max_tokens`, quindi lascia margine ([token di ragionamento e risposte vuote](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/)).

**Trascrizione** (`POST /v1/audio/transcriptions`) riceve un file audio come upload multipart e restituisce la trascrizione. Si paga per minuto di audio. La documentazione di BroadNet indica WAV o MP3 fino a 26.214.400 byte per file, e dice di inviare sempre `language`, perché altrimenti l’arabo può tornare traslitterato in caratteri latini.

| Modello | Lingue | Prezzo |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/it/models/cohere-transcribe-arabic/) | Arabo: del Golfo, egiziano, levantino, maghrebino e standard moderno, secondo BroadNet | $0.0042 al minuto (circa $0.25 all’ora) |
| [BroadNet Transcribe](https://broadrouter.com/it/models/cohere-transcribe/) | 14, tra cui inglese, spagnolo, francese, mandarino e arabo | $0.002 al minuto (circa $0.12 all’ora) |

Su BroadNet un modello di chat non accetta audio, e un modello di trascrizione non risponde alle domande. Un assistente vocale che risponde in testo sono due chiamate: trascrizione, poi chat. [Verbali di riunione in arabo dalle registrazioni](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/) costruisce proprio questa catena.

## Quali modelli accettano immagini?

Quelli la cui voce nel feed riporta `image` in `modalities`. Al 15 novembre 2026:

| Modello | Input | Contesto | Input / output per 1M di token | Accesso |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) | Testo, immagine | 1.048.576 | $0.175 / $0.52 | Ricarica necessaria |
| [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) | Testo, immagine | 262.144 | $0.175 / $2.17 | Ricarica necessaria |
| [Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) | Testo, immagine | 32.768 | $0.10 / $0.22 | Credito iniziale di $5 |
| [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) | Solo testo | 1.048.576 | $0.78 / $3.46 | Ricarica necessaria |

Invia l’immagine come URL `data:` dentro il contenuto del messaggio, con un MIME type corretto. La documentazione di BroadNet dice che la vision è offerta “only where the model row explicitly says images or vision” (traduzione: «solo dove la riga del modello indica esplicitamente immagini o vision»). La documentazione non elenca i formati di immagine accettati, quindi prova ogni formato che intendi accettare. Con una chiave a consumo un’immagine si paga come token di input, e un’immagine più grande ne usa di più; ridimensionala prima di inviarla e fai una stima con il [calcolatore di token per immagini](https://broadrouter.com/tools/image-token-calculator/). L’estrazione dai documenti da capo a fondo è in [estrarre dati dai documenti con un LLM vision](https://broadrouter.com/it/blog/extract-data-from-documents-with-vision-llm/).

## Come si instrada ogni input nel codice?

Questa funzione sceglie l’endpoint dal tipo di file, controlla i limiti documentati prima dell’invio e legge l’elenco dei modelli con supporto alle immagini dal feed in tempo reale invece di scriverlo nel codice. Usa l’SDK Python di OpenAI, che funziona con BroadNet cambiando il base URL ([guida alla configurazione](https://broadrouter.com/it/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}")
```

L’abbiamo provata con `BROADNET_BASE_URL` puntato a un server mock locale (nessuna chiamata all’API reale) e con il feed dei prezzi reale. Testo, un file WAV, un file WAV con un compito successivo e un PNG hanno raggiunto ciascuno l’endpoint mock giusto. Il PNG inviato con `chat_model="broadnet/glm-5.3"` è stato rifiutato prima di qualsiasi richiesta, con l’elenco dei tre ID con supporto alle immagini presi dal feed. Un file `.ogg` è stato rifiutato con il comando ffmpeg per convertirlo; [trascrivere i vocali di WhatsApp](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/) spiega quel passaggio. Le registrazioni oltre il limite di dimensione vanno divise; lo [splitter audio](https://broadrouter.com/tools/audio-splitter-ffmpeg/) genera i comandi ffmpeg.

## E se il documento è già testo?

Allora non inviarne una foto. Un PDF esportato da un gestionale contabile o da un programma di videoscrittura di solito ha uno strato di testo; estrailo con una libreria PDF e invia il testo a un modello di chat. Con una chiave a consumo costa meno di un’immagine, evita errori di lettura e funziona anche su GLM 5.3. Tieni la vision per scansioni, foto da telefono, scrittura a mano, timbri e screenshot, dove non c’è uno strato di testo da estrarre.

Una regola utile in una pipeline di documenti: prova prima l’estrazione del testo, controlla che abbia restituito testo vero (non pagine vuote o caratteri illeggibili) e ripiega sull’immagine solo quando non è così. Per i PDF in arabo, leggi un campione del testo estratto prima di fidarti: a seconda di come è stato prodotto il PDF, l’estrazione può restituire le lettere arabe nell’ordine sbagliato o in forme di presentazione non legate. [OCR dell’arabo con un LLM vision](https://broadrouter.com/it/blog/arabic-ocr-vision-llm/) copre i casi in cui l’immagine è la fonte migliore.

## Come si confrontano i costi?

Ogni tipo di input si paga nella sua unità, quindi confronta per compito, non per richiesta:

-   **Il testo** si paga per token di input e di output. L’arabo spesso richiede più token dell’inglese per lo stesso contenuto; il [contatore di token per l’arabo](https://broadrouter.com/tools/arabic-token-counter/) lo misura.
-   **Le immagini** con il pagamento a consumo sono token di input al prezzo di input del modello, quindi una foto grande può costare più di una pagina di testo. Con un piano a sessione DeepSeek, le immagini rientrano nel prezzo fisso.
-   **L’audio** si paga per minuto di audio, qualunque cosa venga detta. Su BroadNet, 10.000 vocali in arabo da 30 secondi ciascuno costano circa $21.00 con il modello arabo. Il [calcolatore dei costi dello speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) gestisce altri volumi.

Una catena somma le sue parti: un vocale a cui risponde un modello di chat costa i minuti di trascrizione più i token di chat della trascrizione e della risposta. Il [calcolatore dei costi delle API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) gestisce la parte chat.

## Che cosa non è offerto, e che cosa fare invece?

Il riferimento API di BroadNet documenta due endpoint di inferenza: chat completions e trascrizioni audio. Quindi non ci sono:

-   **Sintesi vocale.** Nessun `/v1/audio/speech`. Se il tuo prodotto deve rispondere a voce, abbina trascrizione e chat di BroadNet a un servizio TTS separato.
-   **Voce dal vivo.** La trascrizione riceve un file caricato, non uno stream audio dal vivo. Per un agente telefonico che deve rispondere durante la chiamata, ti serve uno stack vocale in tempo reale altrove. [Registrare l’audio del browser per la trascrizione](https://broadrouter.com/it/blog/record-browser-audio-transcription-api/) mostra l’alternativa basata su file.
-   **Generazione di immagini.** Qui la vision legge le immagini; non le crea.
-   **Embedding.** Nessun `/v1/embeddings`. Per il retrieval ti serve un modello di embedding di un altro provider o in self-hosting; il [calcolatore dei costi degli embedding](https://broadrouter.com/tools/embedding-cost-calculator/) confronta i prezzi.

Il [catalogo di ricerca](https://www.broadnet.ai/inference/models) di BroadNet elenca effettivamente modelli di sintesi vocale, di generazione di immagini e di embedding, contrassegnati come testati nel suo laboratorio. Questo registra ciò che BroadNet ha provato, non ciò che la sua API vende; [leggere un catalogo di modelli](https://broadrouter.com/it/blog/understand-model-status/) spiega la differenza.

## Perché serve un set di valutazione separato per ogni input?

Perché ogni tipo di input sbaglia in modo diverso, e una media su tutti nasconde gli errori.

-   **Testo:** valuta su messaggi reali degli utenti, con controlli nel codice dove possibile. Il metodo è in [valutare un LLM prima di cambiarlo](https://broadrouter.com/it/blog/evaluate-llm-before-switching/).
-   **Immagini:** usa foto reali di qualità reale: scatti da telefono inclinati, scontrini sbiaditi, timbri sopra il testo. Valuta ogni campo separatamente. Un PDF pulito renderizzato ottiene punteggi molto più alti delle foto che ti manderanno gli utenti.
-   **Parlato:** misura il [word error rate](https://broadrouter.com/it/glossary/word-error-rate/) sulle tue registrazioni, diviso per dialetto, speaker e qualità della linea, e controlla a parte le parole che contano (nomi, numeri, importi). Vedi [il WER dell’ASR arabo spiegato](https://broadrouter.com/it/blog/arabic-asr-wer-explained/).
-   **Catene:** quando il parlato alimenta un modello di chat, valuta entrambi i passaggi e il risultato finale. Un numero capito male diventa una risposta sbagliata data con sicurezza, e solo un test end-to-end mostra quanto spesso succede.

Tieni i set separati, versionali e riesegui quello pertinente ogni volta che cambi un modello o un prompt.

## Dove si colloca BroadNet Inference

BroadNet Inference copre le prime cinque righe della tabella dei compiti con una sola chiave e un solo base URL: chat testuale, tool calling su GLM 5.3 e Qwen3.8 27B, comprensione delle immagini su tre modelli e trascrizione in arabo o multilingue. Gemma 4 VL 26B ed entrambi i modelli di trascrizione funzionano con il credito iniziale di $5; DeepSeek, GLM e Qwen richiedono una ricarica. Il contenuto dell’inferenza non viene conservato; i metadati necessari di account, fatturazione e sicurezza vengono conservati come descritto nell’[informativa sulla privacy](https://www.broadnet.ai/inference-privacy) di BroadNet. Per parlare, generare immagini, la voce dal vivo o gli embedding, usa un altro servizio. I prezzi di tutto quanto sopra sono nella [pagina dei prezzi](https://broadrouter.com/it/pricing/).

Strumenti gratuiti sul tema (in inglese)

-   [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.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

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

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/)

Gli embedding sono liste di numeri in virgola mobile (vettori) che un modello produce per rappresentare un testo, un’immagine o un altro input. Input con significato simile ottengono vettori vicini tra loro, quindi la distanza tra vettori serve a ordinare i risultati di ricerca, raggruppare documenti o trovare elementi correlati.

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

Lo speech-to-text, detto anche riconoscimento automatico del parlato (ASR), è la tecnologia che converte l’audio parlato in testo scritto. Un’API speech-to-text riceve un file o uno stream audio e restituisce una trascrizione, di solito a prezzo per minuto di audio. L’accuratezza si misura con il word error rate e varia con accento, dialetto e qualità della registrazione.

[WAV (file audio WAV)](https://broadrouter.com/it/glossary/wav/)

WAV (Waveform Audio File Format, o WAVE) è un contenitore audio basato sul formato RIFF di Microsoft e IBM. Di solito contiene campioni PCM lineari non compressi, quindi la sua dimensione è prevedibile: frequenza di campionamento per byte per campione per canali, al secondo.

[Base URL (URL di base)](https://broadrouter.com/it/glossary/base-url/)

La base URL è l’indirizzo radice fisso di un’API, come https://api.example.com/v1, che un client antepone a ogni percorso di endpoint, come /chat/completions. Negli SDK compatibili con OpenAI, cambiare la base URL, insieme alla chiave API e all’ID del modello, punta lo stesso codice verso un altro provider.

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

La Chat Completions API è l’endpoint HTTP di OpenAI, POST /v1/chat/completions, che riceve il nome di un modello e una lista di messaggi con un ruolo e restituisce il messaggio successivo del modello. La forma della sua richiesta e risposta è diventata il formato comune che riusano provider e SDK compatibili con OpenAI.

[Credito prepagato (prepaid credit)](https://broadrouter.com/it/glossary/prepaid-credit/)

Il credito prepagato è denaro aggiunto a un account API prima dell’uso. Ogni richiesta scala il proprio costo dal saldo e, quando il saldo si esaurisce, le richieste a consumo si fermano finché non ricarichi. Limita la spesa a quanto hai versato.

## Domande frequenti

### Quale modello AI devo usare per le immagini?

Uno che accetti input di immagini sull’API che usi. Su BroadNet Inference sono DeepSeek V4.1 Flash, Qwen3.8 27B o Gemma 4 VL 26B, secondo il suo feed dei prezzi; GLM 5.3 accetta solo testo. Invia l’immagine come data URL nel messaggio di chat.

### Un modello di chat può trascrivere l’audio?

Non su BroadNet Inference. L’audio va all’endpoint di trascrizione, /v1/audio/transcriptions, con un modello di trascrizione. Se poi ti serve un riassunto o una risposta, invia la trascrizione a un modello di chat come secondo passaggio.

### BroadNet Inference offre sintesi vocale o generazione di immagini?

No. Il suo riferimento API documenta solo chat completions e trascrizione audio. Modelli di sintesi vocale e di generazione di immagini compaiono nel catalogo di ricerca di BroadNet come testati, il che non equivale a essere offerti.

### Quali formati audio accetta BroadNet?

WAV (audio/wav) o MP3 (audio/mpeg), fino a 26.214.400 byte per file. Converti prima gli altri formati, come un vocale WhatsApp .ogg, con ffmpeg, e invia sempre il parametro language.

### Come viene fatturata un’immagine?

Con una chiave a consumo, BroadNet fattura un’immagine come token di input al prezzo di input del modello, e un’immagine più grande usa più token. Con un piano a sessione DeepSeek, le immagini rientrano nel prezzo fisso.

## Continua a leggere

-   [Estrarre dati da fatture, scontrini e moduli in JSON con un LLM vision](https://broadrouter.com/it/blog/extract-data-from-documents-with-vision-llm/)
-   [API speech-to-text per l’arabo: come sceglierla nel 2026](https://broadrouter.com/it/blog/arabic-speech-to-text-api-buyers-guide/)
-   [API speech-to-text multilingue: 14 lingue, un solo endpoint](https://broadrouter.com/it/blog/multilingual-speech-to-text-api/)
-   [L’API LLM vision più economica: costo per immagine e per pagina](https://broadrouter.com/it/blog/cheapest-vision-llm-api/)
-   [Verbali di riunioni in arabo dalle registrazioni: una pipeline API](https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/)
-   [Live, su richiesta, ricerca: leggere bene un catalogo di modelli](https://broadrouter.com/it/blog/understand-model-status/)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/)
-   [Hardware GPU e serving di BroadNet, come li descrive BroadNet](https://broadrouter.com/it/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache delle risposte delle API LLM: una cache esatta in Python](https://broadrouter.com/it/blog/cache-llm-responses-cut-cost/)
-   [Guida: Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/)
-   [Guida: API speech-to-text in arabo, passo dopo passo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/)
-   [Guida: Trascrivere i vocali WhatsApp in testo con un’API](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/)
-   [Guida: Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Riferimento API di BroadNet Inference: ID dei modelli, chat con immagine, formati e dimensioni per la trascrizione, stato delle funzionalità (consultato il 2026-11-15) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-text-speech-vision&utm_content=sources)
-   [pricing.json di BroadNet Inference: modalità, lingue e prezzi per modello (consultato il 2026-11-15) (in inglese)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-text-speech-vision&utm_content=sources)
-   [Catalogo modelli di BroadNet Inference: modelli attivi, e modelli di sintesi vocale e di immagini indicati come testati (consultato il 2026-11-15) (in inglese)](https://www.broadnet.ai/inference/models)
-   [Informativa di BroadNet Inference su privacy e conservazione dei dati (consultata il 2026-11-15) (in inglese)](https://www.broadnet.ai/inference-privacy)
