Phần lớn sản phẩm xử lý âm thanh phải làm việc với nhiều hơn một ngôn ngữ: một tổng đài hỗ trợ toàn cầu, bản ghi họp từ các văn phòng khác nhau, một hộp thư ghi âm ở thành phố đa ngôn ngữ. Dùng một nhà cung cấp chuyển giọng nói thành văn bản cho mỗi ngôn ngữ là một chi phí bảo trì. BroadNet Transcribe đặt 14 ngôn ngữ sau một endpoint tương thích OpenAI, tính giá theo phút âm thanh, kèm một model tiếng Ả Rập chuyên biệt cho khối lượng công việc nặng về tiếng Ả Rập.
BroadNet Transcribe hỗ trợ những ngôn ngữ nào?
Danh sách ngôn ngữ lấy từ pricing.json mà BroadNet công bố, dưới dạng mã ISO 639-1:
| Mã | Ngôn ngữ | Mã | Ngôn ngữ |
|---|---|---|---|
| en | Tiếng Anh | nl | Tiếng Hà Lan |
| es | Tiếng Tây Ban Nha | pl | Tiếng Ba Lan |
| fr | Tiếng Pháp | zh | Tiếng Trung |
| de | Tiếng Đức | ja | Tiếng Nhật |
| it | Tiếng Ý | ko | Tiếng Hàn |
| pt | Tiếng Bồ Đào Nha | vi | Tiếng Việt |
| el | Tiếng Hy Lạp | ar | Tiếng Ả Rập |
BroadNet Transcribe dựa trên Cohere Transcribe và do BroadNet phục vụ. Model ID là broadnet/cohere-transcribe.
Để có bức tranh đầy đủ, chỉ mục giá API chuyển giọng nói thành văn bản mở của chúng tôi liệt kê giá batch và streaming, bước tính phí và hỗ trợ tiếng Ả Rập của hơn 20 sản phẩm, mỗi mục được đối chiếu với trang giá của chính nhà cung cấp (CSV và JSON).
Chép lời đa ngôn ngữ tốn bao nhiêu?
| Model | Mỗi phút | Mỗi giờ | Ngôn ngữ |
|---|---|---|---|
| BroadNet Transcribe | $0.002 | $0.12 | 14 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | Tiếng Ả Rập |
Tính phí theo phút âm thanh, không theo request hay theo token. Cả hai model đều dùng được với tín dụng ban đầu miễn phí $5, nên bạn có thể thử bản ghi của mình trước khi nạp tiền. Xem toàn bộ giá trên trang giá, tính chi phí theo số giờ mỗi tháng bằng máy tính chi phí chuyển giọng nói thành văn bản, hoặc so sánh với nhà cung cấp khác trong so sánh giá API chuyển giọng nói thành văn bản.
Gọi endpoint chép lời như thế nào?
Endpoint theo đúng dạng chép lời âm thanh của OpenAI, nên các SDK chính thức hoạt động chỉ với việc đổi base URL:
import os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
with open("meeting-fr.mp3", "rb") as audio:
result = client.audio.transcriptions.create(
model="broadnet/cohere-transcribe",
file=audio,
language="fr",
)
print(result.text)
Hoặc với curl:
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe \
-F language=es \
-F file=@llamada.wav
Phản hồi là JSON với bản chép lời trong text. Phản hồi được BroadNet ghi trong tài liệu là chính văn bản; nếu bạn cần timestamp theo từ hoặc nhãn người nói, hãy kiểm tra tài liệu API xem hiện hỗ trợ gì trước khi thiết kế dựa vào chúng.
Vì sao luôn phải gửi ngôn ngữ?
Tài liệu của BroadNet nói rõ: gửi language trong mọi request chép lời. Nếu không, tiếng Ả Rập có thể trả về dưới dạng phiên âm sang chữ Latin, và rủi ro tương tự áp dụng cho bất kỳ ngôn ngữ nào model có thể nhầm. Nếu bạn không biết trước ngôn ngữ:
- Dùng siêu dữ liệu trước. Quốc gia của người gọi, ngôn ngữ ứng dụng của người dùng hoặc mã vùng số điện thoại thường đúng.
- Hỏi người dùng trong sản phẩm giọng nói (“bấm 1 cho tiếng Anh, 2 cho tiếng Ả Rập”).
- Thử một mẫu ngắn. Chép lời 30 giây đầu với phỏng đoán tốt nhất; nếu văn bản trông sai (sai hệ chữ, vô nghĩa), thử lại với ứng viên tiếp theo.
Giới hạn và định dạng là gì?
- Định dạng: WAV (
audio/wav) hoặc MP3 (audio/mpeg). Chuyển các tệp .ogg, .m4a, .webm và video bằng ffmpeg trước. Hướng dẫn tin nhắn thoại WhatsApp có sẵn lệnh một dòng. - Kích thước: tối đa 26.214.400 byte (25 MiB) mỗi tệp; tệp lớn hơn trả về 413. Tức là khoảng 13 phút WAV mono 16 kHz hoặc khoảng 54 phút MP3 64 kbit/s. Tách âm thanh dài hơn bằng
ffmpeg -f segment -segment_time 600. - Tốc độ: một key trả theo mức dùng cho phép 30 request mỗi phút và 4 request cùng lúc. Thử lại lỗi 429 với backoff; xem lỗi và thử lại.
- Quyền riêng tư: âm thanh và bản chép lời chỉ được xử lý cho request và không bị lưu giữ. Xem không lưu giữ dữ liệu.
Với pipeline batch production có chia đoạn và worker pool, xem chép lời tổng đài tiếng Ả Rập quy mô lớn; cùng thiết kế đó dùng được cho cả 14 ngôn ngữ.
Khi nào nên chọn model riêng cho tiếng Ả Rập?
BroadNet có hai model vì tiếng Ả Rập khó nhận dạng giọng nói hơn phần lớn ngôn ngữ: nhiều phương ngữ dưới một chuẩn viết, thường xuyên chuyển mã với tiếng Anh và tiếng Pháp, và rất nhiều âm thanh chất lượng điện thoại. BroadNet Transcribe Arabic là lựa chọn chuyên biệt, và BroadNet chỉ công bố độ chính xác tiếng Ả Rập cho model này:
- BroadNet cho biết 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 #1 trong số các model có giấy phép cho phép phục vụ qua API.
- Tỷ lệ lỗi từ đo trong lab của BroadNet: 3,8 trên FLEURS-ar, 21,1 trên MASC-ar và 23,4 trên bộ phương ngữ riêng (càng thấp càng tốt). Ý nghĩa của các con số đó.
BroadNet không công bố số liệu tiếng Ả Rập cho model 14 ngôn ngữ, nhưng bảng xếp hạng công khai thì có: ngày 15 tháng 11 năm 2026, bảng ghi Cohere Transcribe 03-2026, model đứng sau BroadNet Transcribe, ở vị trí #8 trên 39 với WER trung bình 30,67, so với 24,19 của model tiếng Ả Rập ở vị trí thứ 4/39. Với các ngôn ngữ khác, theo trang model, BroadNet cho biết BroadNet Transcribe có tỷ lệ lỗi từ 5,5 trên FLEURS tiếng Anh và 3,2 trên FLEURS tiếng Tây Ban Nha, và nhanh khoảng 113 lần thời gian thực trên một luồng (217 lần khi chạy batch) với âm thanh tiếng Anh. Một quy tắc đơn giản:
| Âm thanh của bạn | Chọn |
|---|---|
| Chủ yếu tiếng Ả Rập, phương ngữ nào cũng vậy | BroadNet Transcribe Arabic |
| Tiếng Ả Rập chiếm thiểu số tệp, độ chính xác không quá quan trọng | BroadNet Transcribe cho tất cả, hoặc thử cả hai |
| Danh mục hỗn hợp, biết ngôn ngữ của từng tệp | Định tuyến tệp tiếng Ả Rập sang model tiếng Ả Rập, phần còn lại sang BroadNet Transcribe |
| Bất kỳ ngôn ngữ nào trong 13 ngôn ngữ còn lại | BroadNet Transcribe |
Định tuyến theo ngôn ngữ chỉ là thay đổi một dòng, vì hai model dùng chung endpoint và dạng request:
def stt_model(lang: str) -> str:
return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"
Model tiếng Ả Rập đắt gấp khoảng hai lần mỗi phút. Ở khối lượng lớn, hãy thử cả hai trên vài giờ âm thanh tiếng Ả Rập thật và so sánh tỷ lệ lỗi từ theo phương ngữ; hướng dẫn chọn API chuyển giọng nói tiếng Ả Rập có kế hoạch thử nghiệm một giờ. Nếu vấn đề là số, ngày và tên trong âm thanh tiếng Ả Rập nhiều nhiễu, BroadNet còn có một model tiếng Ả Rập đã fine-tune theo yêu cầu trên trang model.
Kiểm tra độ chính xác từng ngôn ngữ như thế nào?
Một con số độ chính xác duy nhất từ nhà cung cấp che giấu khác biệt lớn giữa các ngôn ngữ, giọng và điều kiện ghi âm. Trước khi giao một khối lượng công việc, hãy chạy một bài thử nhỏ cho mỗi ngôn ngữ:
- Thu 20 đến 50 đoạn thật cho mỗi ngôn ngữ, từ đúng kênh bạn sẽ chép lời: cuộc gọi, bản ghi họp, tin nhắn thoại hoặc video. Bao gồm cả những giọng khó nhất.
- Viết bản chép lời tham chiếu bằng tay cho một phần, với quy tắc chính tả thống nhất cho số, tên và từ mượn tiếng Anh.
- Chép lời với đúng mã
languagevà tính tỷ lệ lỗi từ cho từng ngôn ngữ. Với tiếng Trung và tiếng Nhật, vốn viết không có khoảng trắng giữa các từ, hãy dùng tỷ lệ lỗi ký tự. - Đọc các lỗi. Tên sản phẩm, số tiền và địa chỉ quan trọng hơn từ đệm.
- Lặp lại cho tiếng Ả Rập với cả hai model nếu tiếng Ả Rập có trong danh mục, và so sánh theo phương ngữ.
Tín dụng ban đầu $5 đủ cho một bài thử như vậy với nhiều ngôn ngữ trên BroadNet Transcribe, vì giá mỗi phút thấp.
Phù hợp với khối lượng công việc nào?
| Khối lượng công việc | Ghi chú |
|---|---|
| Tổng đài hỗ trợ đa ngôn ngữ | Định tuyến theo lựa chọn ngôn ngữ trên IVR; gửi mã language tương ứng |
| Biên bản họp cho nhóm phân tán | Chép lời từng bản ghi, rồi tóm tắt bằng LLM |
| Hộp thư tin nhắn thoại | Chuyển .ogg sang WAV trước; xem hướng dẫn WhatsApp |
| Kho lưu trữ media và podcast | Tách tệp dài dưới 25 MiB; chạy batch qua đêm |
| Ứng dụng học ngôn ngữ | Chép lời giọng người học, rồi phản hồi bằng LLM |
Trong mọi trường hợp, chi phí chỉ tăng theo số phút âm thanh: $0.12 mỗi giờ âm thanh trên BroadNet Transcribe, ngôn ngữ nào cũng vậy.
Sau khi chép lời thì làm gì?
Bản chép lời hiếm khi là sản phẩm cuối. Các bước tiếp theo phổ biến trên cùng API key:
- Tóm tắt và việc cần làm cho cuộc họp với DeepSeek V4.1 Flash, có context 1.048.576 token đủ chứa bản chép lời rất dài.
- Dịch bản chép lời sang một ngôn ngữ làm việc chung; xem dịch Ả Rập–Anh bằng LLM.
- Chấm điểm QA cuộc gọi hỗ trợ với đầu ra JSON có cấu trúc.
Chuyển từ API chép lời khác sang như thế nào?
Nếu bạn đang gọi một endpoint chép lời kiểu OpenAI, kể cả Whisper API mà OpenAI thông báo sẽ ngừng vào ngày 26 tháng 2 năm 2027 (cần thử gì trước khi đổi), việc chuyển thường chỉ gồm ba thay đổi: base URL, API key và model ID, cộng với bảo đảm bạn gửi language. Kiểm tra các trường phản hồi mà code của bạn đọc ngoài text. Checklist chuyển sang API tương thích OpenAI bao quát phần còn lại.

