---
title: "Minit mesyuarat bahasa Arab daripada audio dengan API"
description: "Tukar rakaman mesyuarat bahasa Arab kepada minit dengan keputusan dan item tindakan: transkripsi, bersihkan, ringkaskan ke JSON dengan LLM, semak nama dan tarikh."
url: https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (dikemas kini 2026-11-15).

# Minit mesyuarat bahasa Arab daripada rakaman: saluran API

Oleh pasukan BroadNet Inference · 6 minit bacaan · Diterbitkan 2026-11-15

Untuk membuat minit mesyuarat bahasa Arab dengan API, transkripsikan rakaman dengan model speech-to-text Arab, bahagikan transkrip panjang kepada bahagian, minta LLM menghasilkan keputusan, item tindakan dan soalan terbuka sebagai JSON, kemudian gabungkan bahagian. Minta model memetik transkrip bagi setiap item tindakan, dan tulis minit dalam bahasa Arab Standard Moden atau bahasa Inggeris.

## Perkara utama

-   Minit ialah dua tugas: speech-to-text, kemudian peringkasan. Pilih dan uji setiap model secara berasingan.
-   Mesyuarat panjang perlu dipotong dua kali: audio supaya muat dalam had muat naik, dan transkrip supaya ringkasan kekal tepat.
-   Minta JSON dengan petikan daripada transkrip bagi setiap keputusan dan item tindakan, supaya penyemak boleh menyemak setiap satu.
-   Transkrip teks biasa tiada label penutur. Jangan biarkan model meneka siapa pemilik tugas melainkan nama disebut.
-   Di BroadNet, transkripsi sejam audio bahasa Arab berkos $0.25; Qwen3.8 27B, yang diuji BroadNet dalam bahasa Arab, menulis minit.

**Dalam halaman ini**

1.  Bagaimanakah rupa saluran ini?
2.  Langkah 1: bagaimanakah mentranskripsi mesyuarat bahasa Arab yang panjang?
3.  Bolehkah anda mendapatkan nama penutur?
4.  Langkah 2: mengapakah transkrip perlu dipotong sebelum diringkaskan?
5.  Langkah 3: model manakah yang patut menulis minit?
6.  Langkah 4: prompt apakah yang memberi minit yang boleh dipercayai?
7.  Langkah 5: bagaimanakah menggabungkan bahagian menjadi satu minit?
8.  Berapakah kos satu mesyuarat?
9.  Apakah kesilapan yang patut dielakkan?
10.  Bilakah saluran API ialah pilihan yang salah?
11.  Di mana BroadNet Inference sesuai

Minit mesyuarat kelihatan seperti satu tugas, tetapi ia sebenarnya dua: menukar pertuturan kepada teks, dan menukar teks kepada keputusan dan item tindakan. Setiap langkah gagal dengan caranya sendiri. Perkataan dialek yang salah ditranskripsi menjadi item tindakan yang salah; model yang meringkaskan dengan baik masih boleh mereka-reka pemilik. Catatan ini membina saluran untuk mesyuarat bahasa Arab dan menunjukkan di mana semakan patut diletakkan.

## Bagaimanakah rupa saluran ini?

```text
recording (.m4a, .mp4, .webm)
  → ffmpeg: 16 kHz mono, split at silences
  → speech to text, language=ar, one request per chunk
  → join the transcript, clean obvious noise
  → split the transcript into sections
  → LLM: summary, decisions, action items, open questions (JSON) per section
  → LLM: merge the sections into one set of minutes
  → human review → send
```

Selebihnya catatan ini menerangkan langkah demi langkah.

## Langkah 1: bagaimanakah mentranskripsi mesyuarat bahasa Arab yang panjang?

Mesyuarat sejam yang dirakam pada komputer riba biasanya jauh lebih besar daripada had muat naik. BroadNet Inference menerima WAV atau MP3 sehingga 26,214,400 bait setiap fail, jadi tukar kepada 16 kHz mono dan potong pada senyap dahulu. [Transkripsi audio panjang melebihi 25 MB](https://broadrouter.com/ms/blog/transcribe-long-audio-files-api/) mempunyai skrip penuh, termasuk permintaan selari dan menyambung teks mengikut urutan.

Tiga tetapan penting untuk mesyuarat bahasa Arab:

-   **Hantar `language="ar"` pada setiap cebisan.** Dokumentasi BroadNet memberi amaran bahawa bahasa Arab boleh kembali dalam transliterasi huruf Rumi jika tidak.
-   **Gunakan model Arab** untuk mesyuarat yang didominasi bahasa Arab: `broadnet/cohere-transcribe-arabic`. Untuk mesyuarat yang kebanyakannya dalam bahasa lain yang disokongnya, `broadnet/cohere-transcribe` berharga $0.002 seminit.
-   **Simpan transkrip mentah.** Anda memerlukannya untuk semakan dan untuk petikan dalam langkah 4.

Campuran bahasa Arab dan Inggeris adalah biasa dalam mesyuarat perniagaan di Teluk. Uji rakaman dengan campuran biasa anda: nama produk bahasa Inggeris dan nombor ialah tempat ralat muncul. [Pengecaman pertuturan dialek Arab](https://broadrouter.com/ms/blog/arabic-dialect-speech-recognition/) menerangkan apa yang perlu didengar.

## Bolehkah anda mendapatkan nama penutur?

Tidak daripada transkrip teks biasa. Respons transkripsi BroadNet ialah JSON dengan satu medan `text`: tiada penutur dan tiada cap masa. (Untuk pemasaan kapsyen daripada ofset cebisan, lihat [sari kata bahasa Arab daripada API teks sahaja](https://broadrouter.com/ms/blog/arabic-subtitles-srt-api/).) Anda ada tiga pilihan:

| Situasi | Apa yang perlu dilakukan |
| --- | --- |
| Setiap orang dirakam pada trek atau saluran berasingan | Transkripsikan setiap trek secara berasingan; trek memberitahu anda penuturnya |
| Rakaman panggilan dua saluran | Pisahkan saluran dengan ffmpeg, seperti dalam [saluran pusat panggilan](https://broadrouter.com/ms/blog/transcribe-call-center-recordings/) |
| Satu trek bercampur, dan anda memerlukan penutur | Gunakan penyedia yang memulangkan [diarisasi](https://broadrouter.com/ms/glossary/diarization/); [panduan pembeli](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/) membandingkannya |

Dengan satu trek bercampur, LLM masih boleh mencari pemilik apabila seseorang menyebut nama: “Khalid will send the quote by Thursday.” Apa yang tidak boleh dilakukannya ialah meneka pemilik daripada konteks. Prompt di bawah melarangnya.

## Langkah 2: mengapakah transkrip perlu dipotong sebelum diringkaskan?

Dua sebab. Pertama, konteks: sejam perbualan boleh terlalu panjang untuk model kecil. [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) mempunyai konteks 32,768 token, yang boleh dilepasi oleh mesyuarat bahasa Arab yang panjang. Kira milik anda dengan [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/); bahasa Arab biasanya memerlukan lebih banyak token setiap perkataan berbanding bahasa Inggeris, seperti yang ditunjukkan [token setiap perkataan dalam bahasa Arab vs Inggeris](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/).

Kedua, ketepatan. Kajian tentang input panjang mendapati prestasi model “significantly degrades when models must access relevant information in the middle of long contexts” (Terjemahan: merosot dengan ketara apabila model mesti mencapai maklumat yang relevan di tengah konteks yang panjang) ([Liu et al.](https://arxiv.org/abs/2307.03172)). Keputusan yang dibuat pada minit ke-35 daripada 70 tepat begitu. Meringkaskan bahagian 10 hingga 15 minit setiap satu, kemudian menggabungkannya, memastikan setiap bahagian berada berhampiran permulaan prompt.

Potong pada titik senyap yang sama yang anda gunakan untuk audio, supaya bahagian tidak sekali-kali bermula di tengah ayat.

## Langkah 3: model manakah yang patut menulis minit?

| Model | Konteks | Nota untuk minit | Input / output setiap 1M token |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | 262,144 | Diuji BroadNet dalam bahasa Arab: penulisan fasih, dialek Teluk dan Mesir difahami; output berstruktur disenaraikan | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) | 1,048,576 | Output berstruktur disenaraikan; teks sahaja | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | 1,048,576 | Juga pada pelan kadar rata $60 sebulan setiap sesi, satu permintaan pada satu masa | $0.175 / $0.52 |

Mulakan dengan Qwen3.8 27B, kerana itulah model yang diuji BroadNet dalam bahasa Arab. Uji ia berbanding satu model lain pada tiga mesyuarat sebenar, dan minta penutur asli memberi skor. [Memilih LLM untuk bahasa Arab](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/) mempunyai helaian skor.

Ketiga-tiga model menaakul sebelum menjawab, dan penaakulan dikira dalam `max_tokens`. Minit adalah panjang, jadi peruntukkan beberapa ribu token, atau jawapan yang kelihatan boleh kembali kosong. [Mengapa ini berlaku](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).

## Langkah 4: prompt apakah yang memberi minit yang boleh dipercayai?

Minta JSON, dan suruh model memetik transkrip bagi setiap item. Petikan itulah yang membolehkan penyemak menyemak item tindakan dalam beberapa saat dan bukannya membaca semula seluruh transkrip.

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
  "summary": 2-4 sentences in Modern Standard Arabic,
  "decisions": [{"text": ..., "quote": ...}],
  "actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
  "open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""

def minutes_for(section):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": section}])
    return json.loads(r.choices[0].message.content)
```

Kemudian sahkan dalam kod. Hurai JSON, semak kunci, dan semak bahawa setiap `quote` benar-benar muncul dalam bahagian itu. Item yang petikannya tiada dalam transkrip ialah rekaan model: buang atau tandakannya. Jika JSON tidak dapat dihurai, cuba semula sekali dengan mesej ralat. [Mod JSON vs json\_schema](https://broadrouter.com/ms/blog/structured-output-json-schema/) menunjukkan gelung pengesahan; dokumentasi BroadNet menyenaraikan output berstruktur untuk GLM 5.3 dan Qwen3.8 27B tanpa menamakan parameter permintaan, jadi uji sebelum bergantung padanya.

Untuk minit dalam bahasa Inggeris, tukar baris ringkasan kepada bahasa Inggeris dan tambah: “Keep each quote in the original Arabic.” Catatan [kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) membincangkan laras bahasa, angka dan teks skrip bercampur dengan lebih mendalam.

## Langkah 5: bagaimanakah menggabungkan bahagian menjadi satu minit?

Hantar semua hasil bahagian dalam satu permintaan akhir dan minta model:

1.  Menulis satu ringkasan bagi keseluruhan mesyuarat.
2.  Menggabungkan keputusan dan tindakan yang berulang. Tugas yang sama sering disebut dua kali.
3.  Mengekalkan petikan setiap item.
4.  Menandakan tindakan sebagai berubah jika bahagian kemudian mengubah pemilik atau tarikhnya.

Input penggabungan adalah kecil: JSON daripada setiap bahagian, bukan transkrip. Penggabungan pada mana-mana tiga model di atas kekal jauh dalam konteksnya.

## Berapakah kos satu mesyuarat?

| Langkah | Apa yang anda bayar | Harga |
| --- | --- | --- |
| Transkripsi | Minit audio | $0.0042 seminit, $0.25 sejam |
| Ringkasan bahagian | Token transkrip masuk, JSON keluar | Qwen3.8 27B: $0.175 masuk, $2.17 keluar setiap 1M |
| Gabung | JSON kecil masuk dan keluar | Kadar yang sama |

Transkripsi biasanya bahagian yang tetap. Bahagian LLM bergantung pada panjang transkrip dan berapa banyak model menaakul. Baca `prompt_tokens` dan `completion_tokens` daripada beberapa mesyuarat sebenar pertama, kemudian darabkan dalam [kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). [Kalkulator kos speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) mengira bahagian audio. Kredit permulaan $5 meliputi model transkripsi, iaitu kira-kira 1,190 minit bahasa Arab; Qwen3.8 27B memerlukan tambah nilai.

## Apakah kesilapan yang patut dielakkan?

-   **Meringkaskan seluruh mesyuarat dalam satu prompt.** Item dari tengah hilang.
-   **Membiarkan model mengisi kekosongan.** Pemilik dan tarikh yang tidak pernah disebut ialah ralat paling biasa dalam minit AI. Jadikan null sebagai lalai.
-   **Menterjemah terlalu awal.** Transkripsi dan ekstrak dalam bahasa Arab, kemudian terjemahkan minit. Menterjemah transkrip dahulu menghilangkan petikan yang tepat.
-   **Melangkau semakan.** Minit ialah rekod. Orang yang hadir patut membacanya sebelum ia diedarkan.
-   **Menyimpan rakaman selama-lamanya.** Padam audio sebaik minit diluluskan, melainkan anda mesti menyimpannya.

## Bilakah saluran API ialah pilihan yang salah?

Jika anda memerlukan kapsyen langsung semasa mesyuarat, label penutur daripada satu trek bercampur, atau aplikasi siap pakai yang boleh digunakan pasukan anda hari ini, produk mesyuarat khusus ialah laluan yang lebih pantas. Beberapa produk menjual nota mesyuarat bahasa Arab; bandingkannya pada rakaman anda sendiri, kerana dakwaan ketepatan pada halaman mereka ialah dakwaan mereka sendiri. Laluan API masuk akal apabila anda mahukan minit dalam sistem anda sendiri, dalam format anda, dengan peraturan pengekalan anda sendiri.

## Di mana BroadNet Inference sesuai

BroadNet meletakkan kedua-dua separuh pada satu kunci yang serasi OpenAI: BroadNet Transcribe Arabic pada $0.0042 seminit, dan Qwen3.8 27B yang diuji dalam bahasa Arab untuk minit. Kenyataan privasinya menyebut ia tidak menyimpan prompt, audio, jawapan atau transkrip selepas permintaan, yang penting untuk mesyuarat dalaman. Ia tidak memulangkan label penutur atau cap masa, dan tiada transkripsi langsung, jadi gunakan penyedia lain jika anda memerlukannya. Mulakan dengan [panduan speech-to-text bahasa Arab](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/), kemudian tambah langkah ringkasan di atas.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

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

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/)

Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

[Diarisasi penutur (speaker diarization)](https://broadrouter.com/ms/glossary/diarization/)

Diarisasi penutur ialah tugas membahagikan rakaman audio kepada segmen mengikut penutur, menjawab soalan "siapa bercakap dan bila". Ia melabelkan setiap bahagian pertuturan dengan ID penutur tanpa nama seperti SPEAKER\_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang menyebut setiap baris.

[Output berstruktur (structured output)](https://broadrouter.com/ms/glossary/structured-output/)

Output berstruktur ialah ciri API LLM yang mengehadkan balasan model kepada format yang ditetapkan oleh pembangun, biasanya JSON Schema, supaya kod boleh menghuraikannya dengan boleh dipercayai. Ia lebih ketat daripada JSON mode, yang menjamin JSON yang sah tetapi bukan bentuk tertentu.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Dialek Arab (dialectal Arabic)](https://broadrouter.com/ms/glossary/dialectal-arabic/)

Dialek Arab ialah bahasa Arab pertuturan harian di sesuatu rantau atau bandar, seperti bahasa Arab Mesir, Teluk, Levant atau Maghribi. Dialek berbeza daripada Bahasa Arab Standard Moden dari segi bunyi, perkataan dan tatabahasa, tiada ejaan standard, dan semakin banyak ditulis dalam talian, menjadikannya lebih sukar bagi model bahasa.

## Soalan lazim

### Bagaimanakah saya mendapatkan minit mesyuarat daripada rakaman bahasa Arab?

Transkripsikan audio dengan API speech-to-text Arab, menghantar language=ar. Kemudian hantar transkrip kepada LLM dengan prompt yang meminta ringkasan pendek, keputusan, item tindakan dengan pemilik dan tarikh akhir, dan soalan terbuka sebagai JSON. Semak hasilnya sebelum anda menghantarnya.

### Bolehkah minit ditulis dalam bahasa Inggeris walaupun mesyuarat dalam bahasa Arab?

Boleh. Transkripsikan dalam bahasa Arab, kemudian minta LLM menulis minit dalam bahasa Inggeris sambil mengekalkan nama, angka dan petikan tepat seperti yang diucapkan. Kekalkan petikan bahasa Arab supaya penyemak dwibahasa boleh menyemak terjemahan.

### Bagaimanakah saya mengendalikan dialek dalam minit mesyuarat?

Biarkan transkrip mengekalkan dialek, kerana itulah yang diucapkan. Minta LLM menulis minit dalam bahasa Arab Standard Moden, dan mengekalkan perkataan dialek dalam petikan apabila maknanya penting, seperti komitmen atau penolakan.

### Bolehkah API memberitahu siapa yang berkata apa?

Hanya jika ia memulangkan label penutur. Transkripsi BroadNet memulangkan teks biasa. Jika setiap peserta dirakam pada trek atau saluran berasingan, transkripsikan setiap trek secara berasingan dan anda tahu penuturnya; jika tidak, gunakan penyedia dengan diarisasi.

### Model manakah yang patut meringkaskan mesyuarat panjang?

Pilih model dengan konteks yang cukup untuk transkrip terpanjang anda dan bahasa Arab yang baik. Di BroadNet, Qwen3.8 27B ialah model yang diuji dalam bahasa Arab dengan konteks 262,144 token; GLM 5.3 dan DeepSeek V4.1 Flash menerima 1,048,576 token. Uji dua model pada tiga mesyuarat sebenar.

### Adakah selamat menghantar mesyuarat dalaman ke API?

Semak terma pengekalan penyedia dahulu. BroadNet menyatakan ia tidak menyimpan prompt, audio, jawapan atau transkrip selepas permintaan. Namun, buang apa sahaja yang tidak diperlukan minit, seperti nombor telefon peribadi yang dibaca dengan kuat.

## Teruskan membaca

-   [Transkripsi audio panjang melebihi 25 MB: pecah, hantar, cantum](https://broadrouter.com/ms/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Cara mentranskripsi rakaman pusat panggilan: saluran sedia bahasa Arab](https://broadrouter.com/ms/blog/transcribe-call-center-recordings/)
-   [JSON mode vs json\_schema: output berstruktur yang boleh diharap](https://broadrouter.com/ms/blog/structured-output-json-schema/)
-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/)
-   [Peringkasan teks bahasa Arab dengan LLM: prompt, panjang dan skor](https://broadrouter.com/ms/blog/arabic-text-summarization-llm/)
-   [Sari kata bahasa Arab (SRT) daripada API speech-to-text: keperluannya](https://broadrouter.com/ms/blog/arabic-subtitles-srt-api/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/)
-   [Panduan: Mengapa model penaakulan memulangkan jawapan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**Sumber**

-   [Rujukan API BroadNet Inference: medan transkripsi dan respons teks sahaja, model dengan output berstruktur, penaakulan dan max\_tokens (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Halaman harga BroadNet Inference: harga seminit dan nota "Tested in Arabic" Qwen3.8 27B (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Kenyataan privasi inferens BroadNet: tiada prompt, audio atau transkrip disimpan (disemak 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference-privacy)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172; disemak 2026-11-15)](https://arxiv.org/abs/2307.03172)
-   [Panduan speech-to-text OpenAI: elakkan memotong audio di tengah ayat (disemak 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
