Kebanyakan halaman yang berada di kedudukan atas untuk “translate Arabic audio to English” ialah alat web muat-naik-dan-muat-turun. Ia memadai untuk satu fail. Jika anda perlukan terjemahan di dalam produk anda sendiri (panggilan sokongan, temu bual, nota suara, kuliah), anda perlukan dua panggilan API dan beberapa semakan di sekelilingnya. Artikel ini membina saluran itu pada satu kunci yang serasi OpenAI, mengujinya, dan menunjukkan cara mengukur sama ada ia cukup baik.
Untuk menterjemah teks bahasa Arab yang sudah anda miliki, lihat terjemahan Arab–Inggeris dengan LLM. Untuk menukar rakaman mesyuarat kepada minit dan bukan terjemahan penuh, lihat minit mesyuarat bahasa Arab daripada rakaman.
Satu panggilan atau dua?
Ada dua cara untuk mendapatkan teks Inggeris daripada pertuturan Arab:
| Pendekatan | Cara ia berfungsi | Sesuai untuk |
|---|---|---|
| Terjemahan pertuturan (satu langkah) | Satu permintaan; perkhidmatan memulangkan bahasa Inggeris | Audio langsung, sari kata, kod paling ringkas |
| Transkripsi, kemudian terjemah (dua langkah) | Panggilan speech-to-text memulangkan teks Arab; LLM menterjemahkannya | Fail, apabila anda mahukan teks Arab juga, glosari dan semakan |
Endpoint satu langkah paling terkenal untuk fail sedang berubah. Panduan speech-to-text OpenAI menyatakan /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (Terjemahan: menggunakan whisper-1 untuk menterjemah rakaman audio yang lengkap ke bahasa Inggeris). Halaman penamatannya, yang disemak pada 2026-11-15, memberi tarikh notis 26 Ogos 2026 dan tarikh penutupan 26 Februari 2027. Pengganti yang disenaraikan ialah /v1/realtime/translations, iaitu API masa nyata, bukan muat naik fail. Jika kod anda memanggil endpoint lama, anda perlu membinanya semula walau apa pun pilihan anda.
Soniox ialah satu pilihan satu langkah semasa: halaman Arab ke Inggerisnya menunjukkan permintaan WebSocket dengan blok translation yang ditetapkan kepada sumber ar dan sasaran en. Audio langsung ialah tempat produk penstriman seperti ini paling masuk akal.
Saluran dua langkah ada tiga kelebihan praktikal untuk fail:
- Anda menyimpan transkrip Arab. Anda boleh mencarinya, memaparkannya di sebelah teks Inggeris, dan menterjemahkannya semula kemudian dengan model yang lebih baik tanpa membayar transkripsi sekali lagi.
- Anda mengawal terjemahan. Anda memilih model, memberinya glosari nama dan istilah produk, dan menyemak outputnya dalam kod.
- Anda boleh melihat dari mana ralat datang. Ayat Inggeris yang salah sama ada ralat pengecaman atau ralat terjemahan. Dengan transkrip di tangan, anda boleh mengetahui yang mana satu.
Kosnya ialah permintaan kedua dan lebih banyak kod. Baki artikel ini ialah kod tersebut.
Bagaimanakah rupa saluran ini?
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: bagaimanakah menyediakan dan memecahkan audio?
Endpoint transkripsi BroadNet menerima WAV (audio/wav) atau MP3 (audio/mpeg) sehingga 26,214,400 bait setiap fail. Rakaman telefon (.m4a), nota suara WhatsApp (.ogg) dan video perlu ditukar juga, jadi sampel semula dan pecahkan 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 ialah 32,000 bait sesaat, jadi bahagian 10 minit kira-kira 19.2 MB, di bawah had. Kami menjalankannya pada fail ujian 25 minit: ia menghasilkan dua bahagian bersaiz 19,200,162 dan 19,200,194 bait serta satu bahagian 5 minit bersaiz 9,599,878 bait.
Potongan panjang tetap boleh memotong sesuatu perkataan. Untuk pertuturan sebenar, potong pada senyap; transkripsi fail audio panjang mempunyai pemecah berasaskan senyap, dan alat pemecah audio menulis arahan ffmpeg untuk anda. Latar belakang tentang kadar sampel dan mengapa 16 kHz memadai untuk pertuturan ada dalam glosari.
Langkah 2 dan 3: bagaimanakah mentranskripsi dan menterjemah?
Skrip di bawah menghantar setiap bahagian kepada model transkripsi bahasa Arab, kemudian kepada model chat dengan prompt terjemahan. Ia 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 setiap bahagian:
language="ar". Dokumentasi BroadNet menyatakan supaya sentiasa menghantarlanguagebersama permintaan transkripsi. Panduan speech-to-text bahasa Arab menerangkan permintaan itu dengan terperinci.- Prompt menyatakan dari mana teks datang. Transkrip tiada tanda baca, mungkin dalam dialek dan mungkin mengandungi ralat pengecaman. Memberitahu model hal ini menghalangnya daripada menganggap frasa ganjil sebagai disengajakan, dan penanda
[unclear]memberi penyemak sesuatu untuk dicari. - Kekalkan perkataan Inggeris. Penutur Arab sering beralih ke bahasa Inggeris di tengah ayat (“الـ deadline”, “فريق الـ QA”). Itu ialah pertukaran kod, dan model patut membiarkan perkataan itu, bukan menterjemahkannya berulang-alik.
- Glosari bagi setiap bahagian. Hanya entri glosari yang muncul dalam bahagian itu dihantar, jadi prompt kekal pendek. Padanannya tepat, jadi jika ejaan dalam transkrip anda berbeza-beza (أ berbanding ا, ة berbanding ه), normalkan kedua-dua pihak dahulu; penormal teks bahasa Arab menunjukkan peraturan biasa.
- Bahagian sebelumnya sebagai konteks. 500 aksara terakhir bahagian Arab sebelumnya membantu dengan kata ganti nama dan ayat yang terpotong di sempadan bahagian. Prompt menyatakan supaya tidak menterjemahkannya, jadi ia tidak muncul dua kali.
max_tokens=4000danreasoning_effort="low". Dokumentasi BroadNet menyatakan DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B membuat penaakulan sebelum menjawab dan penaakulan itu dikira dalammax_tokens. Had yang kecil boleh memulangkan jawapan kosong; lihat token penaakulan dan respons kosong. Kod menimbulkan ralat pada jawapan kosong atau terpotong dan bukannya menyimpan separuh terjemahan.- Semakan nombor. Nombor ialah tempat terjemahan yang salah paling merosakkan. Semakan ini memetakan digit Arab-India (٠-٩) dan digit Parsi (۰-۹) kepada 0-9 dan memastikan setiap nombor muncul dalam teks Inggeris. Nombor yang disebut sebagai perkataan (“خمسة عشر”) tidak akan dikesan, jadi penyemak masih perlu membaca apa-apa yang penting.
Apakah yang ditunjukkan oleh ujian?
Kami menjalankan skrip pada pelayan olok-olok tempatan yang melaksanakan kedua-dua endpoint (tiada panggilan API langsung). Tiga bahagian daripada fail ujian 25 minit dihantar dengan model=broadnet/cohere-transcribe-arabic dan language=ar, dan setiap permintaan chat membawa baris glosari bagi bahagian itu dan bahagian Arab sebelumnya sebagai konteks. Terjemahan ketiga pelayan olok-olok sengaja menggugurkan satu nombor, 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
Ayat-ayat Arab dan syarikat itu direka untuk ujian. Larian ini menunjukkan bahawa kod berfungsi, bukan sebaik mana terjemahan mana-mana model; untuk itu, gunakan langkah pemarkahan di bawah.
Bagaimanakah ralat pengecaman menjejaskan terjemahan?
Ia terus melepasinya. Jika transkrip menyebut ٢١٤ sedangkan penutur menyebut ٢٤٠, terjemahan akan dengan setia menyebut 214. Jika perkataan dialek tersalah dengar sebagai perkataan standard yang bunyinya serupa, terjemahan akan lancar tetapi salah. Bahasa Inggeris yang lancar menjadikan ralat ini sukar dikesan, dan itulah risiko utama mana-mana sistem terjemahan pertuturan.
Anda boleh mengukur berapa banyak ralat datang daripada setiap langkah. Kumpul 30 klip atau lebih, dan bagi setiap satu dapatkan:
- transkrip Arab oleh manusia,
- terjemahan Inggeris oleh manusia (rujukan).
Kemudian terjemahkan kedua-dua transkrip manusia dan transkrip ASR dengan saluran anda, dan skor kedua-duanya berbanding rujukan. chrF, skor n-gram aksara, lebih baik mengendalikan nama dan bentuk perkataan berbanding BLEU dan merupakan lalai biasa untuk Arab–Inggeris; SacreBLEU mengira kedua-duanya:
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 ayat mainan ini (SacreBLEU 2.6.0), ia mencetak chrF 94.6 dan BLEU 89.2 bagi laluan transkrip manusia, dan chrF 87.1 dan BLEU 71.7 bagi saluran penuh. Dua ayat mainan tidak membuktikan apa-apa tentang sesuatu model. Pada klip anda sendiri, jurang yang besar bermaksud anda patut memperbaiki pengecaman: audio yang lebih baik, set ujian dialek seperti dalam pengecaman pertuturan dialek Arab, atau penyedia lain. Jurang kecil dengan skor keseluruhan yang rendah bermaksud langkah terjemahan perlu diperbaiki: prompt yang lebih baik, glosari atau model lain. Untuk memberi skor kepada langkah transkripsi secara berasingan, gunakan kadar ralat perkataan.
Skor automatik menyusun kedudukan sistem; ia tidak meluluskan sesuatu terjemahan. Minta penyemak dwibahasa membaca satu sampel, terutamanya nombor, nama dan penafian.
Model manakah yang patut digunakan?
| Langkah | Model BroadNet | Harga | Nota |
|---|---|---|---|
| Transkripsi | BroadNet Transcribe Arabic | $0.0042 seminit ($0.25 sejam) | Bahasa Arab sahaja; dengan kredit permulaan $5 |
| Terjemah | Qwen3.8 27B | $0.175 input, $2.17 output setiap 1M token | Model penaakulan; konteks 262,144 token; perlu tambah nilai |
| Terjemah | Gemma 4 VL 26B | $0.10 input, $0.22 output setiap 1M token | Dengan kredit permulaan; konteks 32,768 token, biasanya cukup untuk bahagian 10 minit; semak sampel dalam pengira token. Buang reasoning_effort, yang didokumenkan BroadNet hanya untuk model penaakulannya |
| Terjemah | DeepSeek V4.1 Flash | $0.175 input, $0.52 output setiap 1M token, atau sesi harga tetap | Model penaakulan; dihoskan rakan kongsi; perlu tambah nilai atau pelan |
Jalankan skrip pemarkahan pada klip yang sama dengan setiap model terjemahan dan pilih berdasarkan skor dan nota penyemak, bukan jadual kami. Memilih LLM untuk bahasa Arab membincangkan pertukaran yang lebih luas.
Berapakah kos sejam audio?
Ada dua bahagian:
- Transkripsi dikira setiap minit audio: $0.25 sejam pada BroadNet Transcribe Arabic.
- Terjemahan dikira setiap token:
prompt_tokens × input price + completion_tokens × output price, dibahagi dengan 1,000,000. Prompt merangkumi prompt sistem, baris glosari, konteks bahagian sebelumnya dan transkrip. Completion merangkumi teks Inggeris dan, pada model penaakulan, token penaakulan.
Kami tidak menerbitkan satu angka terjemahan sejam, kerana ia bergantung pada kepantasan orang bercakap, dialek dan banyaknya penaakulan model. Ukurlah: jalankan satu jam yang tipikal, jumlahkan usage.prompt_tokens dan usage.completion_tokens daripada respons, dan masukkan ke dalam kalkulator kos API LLM. Sebelum anda ada audio, anda boleh menampal sampel transkrip ke dalam pengira token bahasa Arab; bahasa Arab biasanya memerlukan lebih banyak token setiap perkataan berbanding bahasa Inggeris, seperti yang ditunjukkan oleh token setiap perkataan dalam bahasa Arab dan Inggeris. Kalkulator kos speech-to-text mengira harga sisi audio.
Untuk tunggakan yang besar, sesi DeepSeek V4.1 Flash harga tetap menghapuskan meter token pada langkah terjemahan: $1 sejam, $15 seminggu atau $60 sebulan bagi setiap sesi. Satu sesi menjalankan satu permintaan pada satu masa, jadi pekerja selari memerlukan lebih banyak sesi. Transkripsi masih dibilkan setiap minit.
Bilakah saluran ini pilihan yang salah?
- Audio langsung. Panggilan, sari kata langsung dan ejen suara memerlukan hasil penstriman dalam beberapa saat. API terjemahan pertuturan penstriman, atau endpoint masa nyata, lebih sesuai daripada muat naik fail.
- Sari kata. Respons transkripsi BroadNet teks sahaja, tanpa cap masa. Sari kata bahasa Arab daripada API teks sahaja menunjukkan sejauh mana ofset cebisan boleh membawa anda; untuk masa peringkat perkataan, gunakan penyedia yang memulangkan cap masa.
- Bahasa yang tidak ditranskripsikan oleh BroadNet. Model bahasa Arab mengendalikan bahasa Arab. Untuk bahasa sumber lain, semak senarai 14 bahasa model pelbagai bahasa dahulu.
- Rekod undang-undang atau perubatan. Gunakan saluran ini untuk draf dan penterjemah manusia untuk rekod.
Di manakah BroadNet Inference sesuai
BroadRouter ialah laman web BroadNet sendiri. BroadNet Inference menawarkan kedua-dua langkah saluran ini pada satu kunci yang serasi OpenAI: transkripsi bahasa Arab pada /v1/audio/transcriptions dan terjemahan pada /v1/chat/completions. Ia tiada endpoint terjemahan pertuturan satu langkah dan tiada transkripsi penstriman, jadi untuk audio langsung gunakan penyedia lain. Dasar privasinya menyatakan kandungan inferens, termasuk audio, transkrip dan jawapan, tidak disimpan; metadata akaun, pengebilan dan keselamatan yang perlu disimpan. Mulakan dengan halaman transkripsi bahasa Arab atau rujukan API, dan uji pada rakaman anda sendiri sebelum bergantung pada outputnya.
