Para escolher uma API de fala para texto em árabe, transcreva com cada candidata de 30 a 50 clipes seus por dialeto, compare o word error rate por dialeto e depois pese preço por hora de áudio, limites de arquivo, necessidade de streaming e retenção de dados. Um modelo que vai muito bem num benchmark ainda pode falhar no áudio da sua central de atendimento.
O árabe é difícil para o reconhecimento de fala: um único padrão escrito fica por cima de muitos dialetos falados, as pessoas trocam para o inglês no meio da frase, e a maior parte do áudio real é ligação telefônica e mensagem de voz.
Por que o word error rate no seu próprio áudio é o que mais importa?
O word error rate (WER) é a proporção de palavras que o modelo erra: trocadas, perdidas ou inventadas. Quanto menor, melhor. Os números públicos são um ponto de partida:
| Conjunto de teste | O que é | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | Frases lidas, áudio limpo | 3,8 | não publicado | não publicado |
| MASC-ar | Fala árabe real e variada | 21,1 | 22,3 | 31,5 |
| Conjunto de dialetos da BroadNet | Fala do Golfo, egípcia e levantina | 23,4 | 25,6 | 31,8 |
São medições de laboratório da BroadNet, publicadas no seu catálogo de modelos e na sua página do Transcribe Arabic. A própria BroadNet fez a comparação, então trate as colunas de ElevenLabs e Whisper como o teste de um fornecedor sobre os concorrentes, não como um resultado independente. A BroadNet também informa o modelo em #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) no Open Universal Arabic ASR Leaderboard, e em nº 1 entre os modelos cuja licença permite servi-los por API. Em 15 de novembro de 2026, as três entradas acima dele eram Jais-ASR, Sygma-ASR-Arabic (que o ranking descreve como beam decoding sobre o modelo da Cohere) e Audar-ASR-V1-Turbo; o Whisper large-v3 estava em nº 19. Não verificamos a licença de cada entrada.
Você pode ouvir o modelo com a sua própria voz antes de criar conta: o playground no navegador da BroadNet transcreve até 60 segundos de áudio em árabe ou inglês, sem cadastro. Veja como usar o playground.
A lição está na distância entre 3,8 e 23,4: o mesmo modelo pode ser quase perfeito em fala lida e bem mais fraco em conversa em dialeto. Teste no seu áudio.
Em geral, tenha cuidado com números de fornecedores. Muitos valores publicados de WER em árabe vêm do teste do próprio fornecedor, com áudio que você não pode ver. Um número só é comparável quando o conjunto de teste, a normalização e a ferramenta de cálculo são os mesmos.
Para o quadro completo, o nosso índice aberto de preços de APIs de fala para texto lista preços em lote e de streaming, unidades de cobrança e suporte ao árabe de mais de 20 produtos, cada um conferido na página de preços do próprio provedor (CSV e JSON).
Como verificar a cobertura de dialetos?
Agrupe os arquivos de teste por dialeto: Golfo (khaleeji), egípcio, levantino, iraquiano, magrebino, mais o árabe padrão moderno. Avalie cada grupo separadamente. Se a maioria dos seus clientes está em Riad, o WER no dialeto do Golfo importa muito mais que uma média.
Atenção ao code-switching. A fala de negócios no Golfo mistura nomes de produtos e números em inglês. Confira como saem números, datas e nomes, porque são as palavras sobre as quais o seu sistema age depois. A BroadNet oferece, sob consulta, um modelo árabe com fine-tuning para números, datas e nomes em áudio ruidoso.
Quanto custa a transcrição de árabe por hora de áudio?
Compare por hora de áudio, porque é assim que o seu volume é medido:
| Modelo | Por minuto | Por hora | 1.000 horas |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe (14 idiomas) | $0.002 | $0.12 | — |
| Soniox assíncrono (arquivo), mais de 60 idiomas | cerca de USD 0,0017 (calculado) | cerca de USD 0,10 | cerca de USD 100 |
| Soniox em tempo real (streaming) | cerca de USD 0,002 (calculado) | cerca de USD 0,12 | cerca de USD 120 |
As linhas da Soniox vêm da página de preços da Soniox, verificada em 14 de novembro de 2026. A Soniox cobra por token (cerca de 30.000 tokens de áudio por hora) e apresenta os valores por hora como aproximações.
A Soniox é mais barata por hora que a BroadNet. A tarifa por arquivo dela é menos da metade dos $0.25 do BroadNet Transcribe Arabic e fica abaixo dos $0.12 do BroadNet Transcribe. A tarifa em tempo real empata com a do BroadNet Transcribe e ainda fica abaixo do modelo árabe, e a BroadNet nem documenta streaming em tempo real. A Soniox lista o árabe (ar) entre os idiomas suportados e mostra uma única tarifa para todos os idiomas. Ela não publica preço específico para o árabe, valores de WER em árabe nem cobertura de dialetos: o preço é claro, a precisão não. Rode o mesmo teste de dialetos nas duas antes de escolher pelo preço.
Para uma caixa de suporte, 10.000 áudios de WhatsApp de 30 segundos cada custam $21.00 no modelo árabe. A conta é 10,000 × 0.5 minutes × $0.0042. Simule o seu volume na calculadora de custo de fala para texto.
Ao comparar provedores, confira a unidade de cobrança além da tarifa: por segundo, por minuto ou por bloco iniciado, e se existe cobrança mínima por arquivo. É nos áudios curtos que o arredondamento da cobrança aparece. Para as tarifas por minuto de outros provedores, conferidas nas páginas de preços deles, veja preços de APIs de fala para texto comparados; se você está saindo do endpoint da OpenAI, veja o checklist de alternativa à API do Whisper. A comparação entre Transcribe e Transcribe Arabic mostra quando o modelo mais barato de 14 idiomas basta.
Quais recursos uma API de fala para texto em árabe deve ter?
Nem todo produto precisa de todos os recursos. Decida quais importam antes de comparar:
| Recurso | Por que importa | O que perguntar |
|---|---|---|
| Envio de arquivos em lote | Mensagens de voz, gravações, acervos | Formatos e tamanho máximo de arquivo |
| Streaming em tempo real | Legendas ao vivo, agentes de voz | Latência, e se é um produto separado |
| Identificação de falantes (diarização) | Ligações entre atendente e cliente | Só em lote ou também ao vivo? |
| Timestamps por palavra | Legendas, busca, ferramentas de revisão | No nível de palavra ou de segmento? |
| Code-switching | Árabe com termos em inglês | Exige um único idioma por requisição? |
| Retenção de dados | Ligações carregam dados pessoais | O áudio ou o texto são guardados, e por quanto tempo? |
O que a BroadNet documenta hoje: transcrição em lote pelo endpoint compatível com a OpenAI /v1/audio/transcriptions, entrada WAV ou MP3, um campo language e retenção zero de dados. Para qualquer outro item desta lista, confira a referência da API antes de contar com ele.
Quais limites e formatos de arquivo valem?
- Tamanho do arquivo. A BroadNet aceita WAV ou MP3 de até 26.214.400 bytes (25 MiB) por arquivo. Um arquivo maior retorna 413; divida gravações mais longas.
- Formatos. Converta antes as mensagens de voz .ogg e as gravações .m4a; o guia de áudios do WhatsApp traz a linha do ffmpeg.
- O campo language. Envie
language=ar. Sem ele, o árabe pode voltar transliterado em letras latinas. - Limites de taxa. Uma chave de pagamento por uso permite 30 requisições por minuto e 4 simultâneas. Para um grande acúmulo, ponha os arquivos numa fila e repita os 429 com backoff; veja erros e novas tentativas.
O áudio fica armazenado?
Mensagens de voz e ligações carregam nomes, telefones e dados de saúde ou bancários. Pergunte a cada provedor se o áudio e as transcrições são retidos, e por quanto tempo. A BroadNet Inference não retém nenhum dos dois; veja retenção zero de dados e o nosso checklist de ZDR.
Como testar uma API de transcrição de árabe em uma tarde?
- Junte de 30 a 50 clipes reais por dialeto do seu canal de produção. Tire tudo o que você não pode compartilhar.
- Escreva à mão a transcrição correta de 10 clipes por dialeto, com uma convenção de grafia combinada.
- Transcreva cada clipe com cada API candidata. O guia passo a passo para árabe tem código curl e Python para a BroadNet.
- Normalize os dois textos do mesmo jeito e calcule WER e CER por dialeto. WER em árabe explicado traz a função Python de normalização e mostra por que pular essa etapa pode transformar uma transcrição perfeita em 75% de WER.
- Leia você mesmo 20 transcrições. Um WER baixo ainda pode esconder números ou nomes errados.
Como escolher os clipes, escrever as referências e avaliar cada grupo de dialeto está explicado em detalhe em reconhecimento de fala em dialetos árabes.
Erros comuns
- Testar só áudio limpo. Use gravações reais de telefone e de mensagens de voz.
- Um único WER médio. Uma boa média pode esconder um dialeto que seus clientes usam.
- Esquecer o campo language. Uma saída transliterada conta quase tudo como erro.
- Ignorar os números. Confira à mão dígitos, datas e valores; é sobre eles que o seu sistema age.
Onde a BroadNet Inference entra
O BroadNet Transcribe Arabic serve para a transcrição em lote de mensagens de voz, ligações e gravações em árabe, com preço por minuto e sem retenção de áudio. O crédito inicial de $5 cobre cerca de 1,190 minutos de áudio em árabe, o suficiente para o teste acima sem cartão. Se você precisa de recursos que ele não documenta, como legendas ao vivo por streaming, teste um provedor que os ofereça. Para tarefas com o texto em árabe depois da transcrição, veja como escolher um LLM para árabe.
