Để chọn một API chuyển giọng nói thành văn bản cho tiếng Ả Rập, hãy chép lời 30 đến 50 đoạn của bạn cho mỗi phương ngữ bằng từng ứng viên, so tỷ lệ lỗi từ theo phương ngữ, rồi cân nhắc giá mỗi giờ âm thanh, giới hạn file, nhu cầu streaming và chính sách lưu giữ dữ liệu. Một model trông rất tốt trên benchmark vẫn có thể thất bại với âm thanh tổng đài của bạn.
Tiếng Ả Rập khó với nhận dạng giọng nói: một chuẩn viết nằm trên nhiều phương ngữ nói, người nói chuyển sang tiếng Anh giữa câu, và phần lớn âm thanh thực tế là cuộc gọi điện thoại và tin nhắn thoại.
Vì sao tỷ lệ lỗi từ trên âm thanh của bạn quan trọng nhất?
Tỷ lệ lỗi từ (WER) là tỷ lệ từ mà model làm sai: thay thế, bỏ sót hoặc bịa thêm. Càng thấp càng tốt. Số liệu công khai chỉ là điểm khởi đầu:
| Tập test | Nội dung | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | Câu đọc sạch | 3,8 | chưa công bố | chưa công bố |
| MASC-ar | Giọng nói tiếng Ả Rập thực tế đa dạng | 21,1 | 22,3 | 31,5 |
| Tập phương ngữ của BroadNet | Giọng vùng Vịnh, Ai Cập và Levant | 23,4 | 25,6 | 31,8 |
Đây là số đo phòng lab của BroadNet, công bố trên danh mục model và trang Transcribe Arabic. BroadNet tự chạy so sánh này, nên hãy coi các cột ElevenLabs và Whisper là bài test của một nhà cung cấp với đối thủ, không phải kết quả độc lập. BroadNet cũng báo cáo model đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard, và đứng số 1 trong các model có giấy phép cho phép phục vụ qua API. Vào ngày 15/11/2026, ba mục xếp trên nó là Jais-ASR, Sygma-ASR-Arabic (bảng mô tả là beam decoding trên model của Cohere) và Audar-ASR-V1-Turbo; Whisper large-v3 đứng thứ 19. Chúng tôi chưa kiểm tra giấy phép của từng mục.
Bạn có thể nghe model với giọng của chính mình trước khi đăng ký: playground trên trình duyệt của BroadNet chép lời tối đa 60 giây âm thanh tiếng Ả Rập hoặc tiếng Anh mà không cần tài khoản. Xem cách dùng playground.
Khoảng cách giữa 3,8 và 23,4 chính là bài học: cùng một model có thể gần hoàn hảo với giọng đọc và yếu hơn nhiều với hội thoại phương ngữ. Hãy test trên âm thanh của bạn.
Nói chung hãy cẩn thận với số liệu của nhà cung cấp. Nhiều con số WER tiếng Ả Rập đã công bố đến từ bài test riêng của nhà cung cấp, trên âm thanh bạn không xem được. Một con số chỉ so sánh được khi tập test, cách chuẩn hóa và công cụ chấm giống nhau.
Để có bức tranh đầy đủ, chỉ số giá API chuyển giọng nói thành văn bản công khai của chúng tôi liệt kê giá theo lô và streaming, đơn vị tính tiền và hỗ trợ tiếng Ả Rập cho hơn 20 sản phẩm, mỗi mục đều được đối chiếu với trang giá của chính nhà cung cấp (CSV và JSON).
Kiểm tra độ phủ phương ngữ thế nào?
Hãy nhóm file test theo phương ngữ: vùng Vịnh (Khaleeji), Ai Cập, Levant, Iraq, Maghreb, cộng với tiếng Ả Rập chuẩn hiện đại. Chấm điểm từng nhóm riêng. Nếu phần lớn khách hàng của bạn ở Riyadh, WER vùng Vịnh quan trọng hơn nhiều so với con số trung bình.
Hãy để ý chuyển mã ngôn ngữ (code-switching). Giao tiếp kinh doanh vùng Vịnh trộn tên sản phẩm và con số tiếng Anh. Hãy kiểm tra cách số, ngày tháng và tên được chép ra, vì đó là những từ mà hệ thống phía sau của bạn dựa vào để xử lý. BroadNet cung cấp model tiếng Ả Rập đã fine-tune cho số, ngày tháng và tên trong âm thanh nhiễu, theo yêu cầu.
Chép lời tiếng Ả Rập tốn bao nhiêu mỗi giờ âm thanh?
Hãy so theo giờ âm thanh, vì đó là cách khối lượng của bạn được đo:
| Model | Mỗi phút | Mỗi giờ | 1.000 giờ |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe (14 ngôn ngữ) | $0.002 | $0.12 | — |
| Soniox bất đồng bộ (file), hơn 60 ngôn ngữ | khoảng USD 0,0017 (quy đổi) | khoảng USD 0,10 | khoảng USD 100 |
| Soniox thời gian thực (streaming) | khoảng USD 0,002 (quy đổi) | khoảng USD 0,12 | khoảng USD 120 |
Các dòng Soniox lấy từ trang giá Soniox, kiểm tra ngày 14/11/2026. Soniox tính tiền theo token (khoảng 30.000 token âm thanh mỗi giờ) và ghi các con số theo giờ là ước tính.
Soniox rẻ hơn BroadNet tính theo giờ. Giá file của Soniox chưa bằng một nửa mức $0.25 của BroadNet Transcribe Arabic và thấp hơn mức $0.12 của BroadNet Transcribe. Giá thời gian thực của Soniox bằng BroadNet Transcribe và vẫn rẻ hơn model tiếng Ả Rập, trong khi BroadNet hoàn toàn không có tài liệu về streaming thời gian thực. Soniox liệt kê tiếng Ả Rập (ar) trong các ngôn ngữ được hỗ trợ và hiển thị một mức giá cho mọi ngôn ngữ. Soniox không công bố giá riêng cho tiếng Ả Rập, số liệu WER tiếng Ả Rập hay độ phủ phương ngữ, nên giá thì rõ còn độ chính xác thì không. Hãy chạy cùng một bài test phương ngữ trên cả hai trước khi chọn theo giá.
Với hộp thư hỗ trợ khách hàng, 10.000 tin nhắn thoại WhatsApp dài 30 giây tốn $21.00 với model tiếng Ả Rập. Phép tính là 10,000 × 0.5 minutes × $0.0042. Hãy tính khối lượng của bạn bằng công cụ tính chi phí chuyển giọng nói thành văn bản.
Khi so nhà cung cấp, hãy kiểm tra cả đơn vị tính tiền chứ không chỉ mức giá: theo giây, theo phút hay theo mỗi khối bắt đầu, và có phí tối thiểu mỗi file không. Tin nhắn thoại ngắn là nơi việc làm tròn khi tính tiền lộ ra. Về giá theo phút của các nhà cung cấp khác, đã đối chiếu với trang giá của họ, xem so sánh giá API chuyển giọng nói thành văn bản; nếu bạn đang rời endpoint của OpenAI, xem checklist thay thế Whisper API. So sánh Transcribe và Transcribe Arabic cho biết khi nào model 14 ngôn ngữ rẻ hơn là đủ.
API chuyển giọng nói tiếng Ả Rập nên có những tính năng nào?
Không phải sản phẩm nào cũng cần mọi tính năng. Hãy quyết định tính năng nào quan trọng trước khi so sánh:
| Tính năng | Vì sao quan trọng | Cần hỏi gì |
|---|---|---|
| Tải file theo lô | Tin nhắn thoại, bản ghi, kho lưu trữ | Định dạng và kích thước file tối đa |
| Streaming thời gian thực | Phụ đề trực tiếp, voice agent | Độ trễ, và có phải sản phẩm riêng không |
| Nhãn người nói (phân tách người nói) | Cuộc gọi giữa nhân viên và khách hàng | Chỉ theo lô, hay cả trực tiếp? |
| Timestamp theo từ | Phụ đề, tìm kiếm, công cụ rà soát | Theo từ hay theo đoạn? |
| Chuyển mã ngôn ngữ | Tiếng Ả Rập có thuật ngữ tiếng Anh | Có cần một ngôn ngữ cho mỗi request không? |
| Lưu giữ dữ liệu | Cuộc gọi chứa dữ liệu cá nhân | Âm thanh hay văn bản có bị giữ lại không, và bao lâu? |
Những gì BroadNet có tài liệu hiện nay: chép lời theo lô qua endpoint tương thích OpenAI /v1/audio/transcriptions, input WAV hoặc MP3, trường language, và không lưu giữ dữ liệu. Với bất kỳ mục nào khác trong danh sách này, hãy kiểm tra tài liệu tham chiếu API trước khi dựa vào.
Giới hạn file và định dạng là gì?
- Kích thước file. BroadNet nhận WAV hoặc MP3 tối đa 26.214.400 byte (25 MiB) mỗi file. File lớn hơn trả về 413; hãy chia nhỏ bản ghi dài.
- Định dạng. Hãy chuyển đổi tin nhắn thoại .ogg và bản ghi .m4a trước; hướng dẫn tin nhắn thoại WhatsApp có lệnh ffmpeg.
- Trường language. Hãy gửi
language=ar. Nếu thiếu, tiếng Ả Rập có thể bị trả về dưới dạng phiên âm chữ Latin. - Giới hạn tốc độ. Key trả theo mức dùng cho phép 30 request mỗi phút và 4 request đồng thời. Với lượng tồn lớn, hãy xếp file vào hàng đợi và thử lại lỗi 429 với backoff; xem lỗi và thử lại.
Âm thanh có bị lưu lại không?
Tin nhắn thoại và cuộc gọi chứa tên, số điện thoại và thông tin sức khỏe hay ngân hàng. Hãy hỏi mọi nhà cung cấp xem âm thanh và bản chép lời có bị lưu giữ không, và trong bao lâu. BroadNet Inference không lưu giữ cả hai; xem không lưu giữ dữ liệu và checklist ZDR của chúng tôi.
Làm sao test một API chép lời tiếng Ả Rập trong một buổi chiều?
- Thu 30 đến 50 đoạn thật cho mỗi phương ngữ từ kênh production của bạn. Bỏ mọi thứ bạn không được phép chia sẻ.
- Tự viết bản chép lời đúng cho 10 đoạn mỗi phương ngữ, theo một quy ước chính tả đã thống nhất.
- Chép lời mọi đoạn bằng từng API ứng viên. Hướng dẫn tiếng Ả Rập từng bước có code curl và Python cho BroadNet.
- Chuẩn hóa cả hai văn bản theo cùng một cách và tính WER và CER theo phương ngữ. Giải thích WER tiếng Ả Rập có hàm chuẩn hóa bằng Python và cho thấy vì sao bỏ qua bước này có thể biến một bản chép lời hoàn hảo thành WER 75%.
- Tự đọc 20 bản chép lời. WER thấp vẫn có thể che giấu số hoặc tên sai.
Cách chọn đoạn, viết bản tham chiếu và chấm từng nhóm phương ngữ được trình bày chi tiết trong nhận dạng giọng nói phương ngữ Ả Rập.
Những sai lầm thường gặp
- Chỉ test âm thanh sạch. Hãy dùng bản ghi điện thoại và tin nhắn thoại thật.
- Chỉ một con số WER trung bình. Một mức trung bình tốt có thể che một phương ngữ mà khách hàng của bạn dùng.
- Bỏ qua trường language. Output bị phiên âm sẽ bị chấm gần như toàn lỗi.
- Bỏ qua con số. Hãy kiểm tra chữ số, ngày tháng và số tiền bằng tay; đó là những gì hệ thống của bạn dựa vào.
BroadNet Inference phù hợp ở đâu
BroadNet Transcribe Arabic phù hợp để chép lời theo lô tin nhắn thoại, cuộc gọi và bản ghi tiếng Ả Rập với giá theo phút, không lưu giữ âm thanh. Tín dụng ban đầu $5 đủ cho khoảng 1,190 phút âm thanh tiếng Ả Rập, đủ cho bài test ở trên mà không cần thẻ. Nếu bạn cần tính năng không có trong tài liệu, như phụ đề streaming trực tiếp, hãy test một nhà cung cấp có tính năng đó. Với các tác vụ văn bản tiếng Ả Rập sau khi chép lời, xem chọn LLM cho tiếng Ả Rập.
