---
title: "AI văn bản, giọng nói hay vision: chọn theo tác vụ | BroadRouter"
description: "Chọn chat văn bản, đầu vào ảnh hay chép lời âm thanh theo tác vụ, với các model và giới hạn BroadNet công bố, cùng những gì họ không cung cấp, như TTS."
url: https://broadrouter.com/vi/blog/text-speech-vision/
lang: vi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/text-speech-vision/) (cập nhật ngày 2026-11-15).

# Văn bản, giọng nói hay vision? Hãy bắt đầu từ tác vụ

Đội ngũ BroadNet Inference · 7 phút đọc · Đăng ngày 2026-11-15

Hãy bắt đầu từ đầu vào và đầu ra. Văn bản vào, văn bản ra là chat. Ảnh chụp hoặc bản scan vào, văn bản ra là chat kèm ảnh, trên model nhận ảnh. Giọng nói đã ghi âm vào, văn bản ra là chép lời; từ giọng nói đến câu trả lời là chép lời rồi chat. BroadNet không cung cấp chuyển văn bản thành giọng nói, tạo ảnh hay embedding.

## Ý chính

-   Chọn loại đầu vào trước. Nó quyết định endpoint, và endpoint quyết định những model bạn dùng được.
-   Trên BroadNet, ba model chat nhận ảnh (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); GLM 5.3 chỉ nhận văn bản.
-   Giọng nói được gửi tới /v1/audio/transcriptions dưới dạng file WAV hoặc MP3 tối đa 26.214.400 byte. Luôn gửi ngôn ngữ.
-   BroadNet không có endpoint chuyển văn bản thành giọng nói, giọng nói trực tiếp, tạo ảnh hay embedding. Hãy lên kế hoạch dùng nhà cung cấp thứ hai nếu cần.
-   Xây một bộ đánh giá riêng cho mỗi loại đầu vào, cộng thêm một bộ cho cả chuỗi khi giọng nói được đưa vào model chat.

**Trong trang này**

1.  Tác vụ của bạn cần loại đầu vào nào?
2.  Chat và chép lời khác nhau thế nào?
3.  Những model nào nhận ảnh?
4.  Định tuyến từng loại đầu vào trong code như thế nào?
5.  Nếu tài liệu vốn đã là văn bản thì sao?
6.  Chi phí so sánh thế nào?
7.  Những gì không được cung cấp, và nên làm gì thay thế?
8.  Vì sao cần bộ đánh giá riêng cho mỗi loại đầu vào?
9.  BroadNet Inference phù hợp ở đâu

“Nên dùng model nào?” là câu hỏi thứ hai. Câu hỏi đầu tiên là “cái gì đi vào, và cái gì phải đi ra?” Ảnh chụp một hóa đơn, tin nhắn thoại của khách hàng và một câu hỏi được gõ ra, mỗi thứ đi tới một loại endpoint khác nhau, và mỗi endpoint có model, giới hạn và kiểu lỗi riêng. Hãy chọn tác vụ trước, và danh sách model sẽ thu lại còn hai hoặc ba.

Hướng dẫn này ánh xạ các tác vụ thường gặp sang loại đầu vào, rồi sang những gì BroadNet Inference mô tả cho từng loại. BroadRouter là trang của chính BroadNet; các thông tin về model dưới đây lấy từ [nguồn dữ liệu giá](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-text-speech-vision&utm_content=body) và [tài liệu tham chiếu API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-text-speech-vision&utm_content=body) của BroadNet, kiểm tra ngày 15 tháng 11 năm 2026.

## Tác vụ của bạn cần loại đầu vào nào?

| Tác vụ của bạn | Đầu vào | Đầu ra | Endpoint | Model BroadNet |
| --- | --- | --- | --- | --- |
| Trả lời, tóm tắt, phân loại hoặc dịch văn bản | Văn bản | Văn bản | Chat completions | Bất kỳ model nào trong bốn model chat |
| Gọi function hoặc tool của bạn | Văn bản | Tool call | Chat completions | GLM 5.3, Qwen3.8 27B (có tài liệu) |
| Đọc ảnh chụp, bản scan, ảnh màn hình hoặc biểu mẫu | Ảnh + văn bản | Văn bản hoặc JSON | Chat completions kèm ảnh | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Chuyển bản ghi âm hoặc tin nhắn thoại thành văn bản | File âm thanh | Văn bản | Audio transcriptions | Transcribe Arabic, Transcribe (14 ngôn ngữ) |
| Tóm tắt cuộc gọi hoặc trả lời tin nhắn thoại | File âm thanh | Văn bản | Chép lời, rồi chat | Mỗi loại một model |
| Đọc to câu trả lời | Văn bản | Âm thanh | Chuyển văn bản thành giọng nói | Không cung cấp |
| Hội thoại giọng nói trực tiếp | Luồng âm thanh | Âm thanh | Giọng nói thời gian thực | Không cung cấp |
| Tạo ảnh | Văn bản | Ảnh | Tạo ảnh | Không cung cấp |
| Tìm kiếm ngữ nghĩa trong tài liệu | Văn bản | Vector | Embedding | Không cung cấp |

“Vision” trong bảng này nghĩa là hiểu ảnh: model đọc ảnh bạn gửi. Nó không có nghĩa là tạo ảnh. Mục [vision language model](https://broadrouter.com/vi/glossary/vision-language-model/) trong bảng thuật ngữ giải thích sự khác biệt.

## Chat và chép lời khác nhau thế nào?

Chúng là các endpoint khác nhau, với dạng request, đơn vị tính phí và model khác nhau.

**Chat** (`POST /v1/chat/completions`) nhận một danh sách message dạng JSON và trả về văn bản. Nó được tính phí theo token, đầu vào và đầu ra riêng, và mỗi model có một [context window](https://broadrouter.com/vi/glossary/context-window/) chứa cả prompt lẫn câu trả lời. Trên BroadNet, ba trong bốn model chat suy luận trước khi trả lời, và phần suy luận đó được tính vào `max_tokens`, nên hãy chừa chỗ ([token suy luận và câu trả lời rỗng](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/)).

**Chép lời** (`POST /v1/audio/transcriptions`) nhận một file âm thanh dưới dạng upload multipart và trả về bản chép lời. Nó được tính phí theo phút âm thanh. Tài liệu của BroadNet quy định WAV hoặc MP3 tối đa 26.214.400 byte mỗi file, và yêu cầu luôn gửi `language`, vì nếu không tiếng Ả Rập có thể bị trả về dưới dạng phiên âm sang chữ Latin.

| Model | Ngôn ngữ | Giá |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) | Tiếng Ả Rập: vùng Vịnh, Ai Cập, Levant, Maghreb và tiếng Ả Rập chuẩn hiện đại, theo BroadNet | $0.0042 mỗi phút (khoảng $0.25 mỗi giờ) |
| [BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-transcribe/) | 14 ngôn ngữ, gồm tiếng Anh, Tây Ban Nha, Pháp, Quan Thoại và Ả Rập | $0.002 mỗi phút (khoảng $0.12 mỗi giờ) |

Model chat trên BroadNet không nhận âm thanh, và model chép lời không trả lời câu hỏi. Một trợ lý giọng nói trả lời bằng văn bản là hai lệnh gọi: chép lời, rồi chat. [Biên bản cuộc họp tiếng Ả Rập từ bản ghi âm](https://broadrouter.com/vi/blog/arabic-meeting-minutes-from-recordings/) xây đúng chuỗi đó.

## Những model nào nhận ảnh?

Là những model có `image` trong `modalities` ở mục của nó trong nguồn dữ liệu. Tại ngày 15 tháng 11 năm 2026:

| Model | Đầu vào | Context | Đầu vào / đầu ra trên 1 triệu token | Truy cập |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) | Văn bản, ảnh | 1.048.576 | $0.175 / $0.52 | Cần nạp tiền |
| [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) | Văn bản, ảnh | 262.144 | $0.175 / $2.17 | Cần nạp tiền |
| [Gemma 4 VL 26B](https://broadrouter.com/vi/models/gemma-4-vl-26b/) | Văn bản, ảnh | 32.768 | $0.10 / $0.22 | $5 tín dụng ban đầu |
| [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) | Chỉ văn bản | 1.048.576 | $0.78 / $3.46 | Cần nạp tiền |

Gửi ảnh dưới dạng URL `data:` bên trong nội dung message, với kiểu MIME chính xác. Tài liệu của BroadNet nói vision được cung cấp “only where the model row explicitly says images or vision” (bản dịch: chỉ khi dòng của model ghi rõ là ảnh hoặc vision). Tài liệu không liệt kê các định dạng ảnh được chấp nhận, nên hãy thử từng định dạng bạn định nhận. Với key trả theo mức dùng, ảnh được tính là token đầu vào, và ảnh lớn hơn dùng nhiều hơn; hãy thu nhỏ trước khi gửi và ước tính bằng [công cụ tính token ảnh](https://broadrouter.com/tools/image-token-calculator/). Trích xuất tài liệu từ đầu đến cuối có trong [trích xuất dữ liệu từ tài liệu bằng LLM vision](https://broadrouter.com/vi/blog/extract-data-from-documents-with-vision-llm/).

## Định tuyến từng loại đầu vào trong code như thế nào?

Hàm này chọn endpoint dựa trên loại file, kiểm tra các giới hạn đã công bố trước khi gửi, và đọc danh sách model nhận ảnh từ nguồn dữ liệu trực tiếp thay vì hard-code. Nó dùng OpenAI Python SDK, vốn chạy với BroadNet sau khi đổi base URL ([hướng dẫn thiết lập](https://broadrouter.com/vi/guides/openai-python-sdk/)).

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

Chúng tôi đã thử nó với `BROADNET_BASE_URL` trỏ tới một server mock cục bộ (không gọi API thật) và nguồn dữ liệu giá trực tiếp. Văn bản, một file WAV, một file WAV kèm tác vụ tiếp theo, và một file PNG đều đến đúng endpoint mock. Gửi PNG với `chat_model="broadnet/glm-5.3"` bị từ chối trước khi có request nào, kèm danh sách ba ID nhận ảnh lấy từ nguồn dữ liệu. Một file `.ogg` bị từ chối kèm lệnh ffmpeg để chuyển đổi; [chép lời tin nhắn thoại WhatsApp](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/) nói về bước đó. Bản ghi vượt giới hạn kích thước cần được tách; [công cụ tách âm thanh](https://broadrouter.com/tools/audio-splitter-ffmpeg/) tạo sẵn các lệnh ffmpeg.

## Nếu tài liệu vốn đã là văn bản thì sao?

Vậy thì đừng gửi ảnh chụp của nó. Một file PDF xuất từ hệ thống kế toán hay trình soạn thảo văn bản thường có lớp văn bản; hãy trích xuất bằng một thư viện PDF và gửi văn bản tới model chat. Cách đó rẻ hơn gửi ảnh với key trả theo mức dùng, tránh đọc sai, và chạy được cả trên GLM 5.3. Hãy để dành vision cho bản scan, ảnh chụp bằng điện thoại, chữ viết tay, con dấu và ảnh màn hình, những nơi không có lớp văn bản để trích xuất.

Một quy tắc hữu ích trong pipeline tài liệu: thử trích xuất văn bản trước, kiểm tra xem nó có trả về văn bản thật không (không phải trang trống hay ký tự lỗi), và chỉ quay sang ảnh khi không được. Với PDF tiếng Ả Rập, hãy đọc thử một đoạn văn bản đã trích xuất trước khi tin vào nó: tùy cách PDF được tạo, việc trích xuất có thể trả về chữ Ả Rập sai thứ tự hoặc ở dạng trình bày (presentation form) không nối với nhau. [OCR tiếng Ả Rập bằng LLM vision](https://broadrouter.com/vi/blog/arabic-ocr-vision-llm/) nói về những trường hợp ảnh là nguồn tốt hơn.

## Chi phí so sánh thế nào?

Mỗi loại đầu vào được tính phí theo đơn vị riêng, nên hãy so sánh theo tác vụ, không theo request:

-   **Văn bản** được tính theo token đầu vào và đầu ra. Tiếng Ả Rập thường cần nhiều token hơn tiếng Anh cho cùng nội dung; [công cụ đếm token tiếng Ả Rập](https://broadrouter.com/tools/arabic-token-counter/) đo được điều này.
-   **Ảnh** khi trả theo mức dùng là token đầu vào theo giá đầu vào của model, nên một ảnh lớn có thể tốn hơn một trang văn bản. Trên gói phiên DeepSeek, ảnh nằm trong giá cố định.
-   **Âm thanh** được tính theo phút âm thanh, bất kể nói gì. Trên BroadNet, 10.000 tin nhắn thoại tiếng Ả Rập, mỗi tin 30 giây, tốn khoảng $21.00 với model tiếng Ả Rập. [Công cụ tính chi phí chuyển giọng nói thành văn bản](https://broadrouter.com/tools/speech-to-text-cost-calculator/) tính cho các khối lượng khác.

Một chuỗi cộng dồn các phần của nó: một tin nhắn thoại được model chat trả lời tốn số phút chép lời cộng với token chat của bản chép lời và câu trả lời. [Công cụ tính chi phí API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) xử lý phần chat.

## Những gì không được cung cấp, và nên làm gì thay thế?

Tài liệu tham chiếu API của BroadNet mô tả hai endpoint inference: chat completions và audio transcriptions. Vì vậy không có:

-   **Chuyển văn bản thành giọng nói.** Không có `/v1/audio/speech`. Nếu sản phẩm của bạn phải nói lại, hãy kết hợp chép lời và chat của BroadNet với một dịch vụ TTS riêng.
-   **Giọng nói trực tiếp.** Chép lời nhận một file được tải lên, không phải luồng âm thanh trực tiếp. Với agent điện thoại phải phản hồi ngay giữa cuộc gọi, bạn cần một hệ thống giọng nói thời gian thực ở nơi khác. [Ghi âm trên trình duyệt để chép lời](https://broadrouter.com/vi/blog/record-browser-audio-transcription-api/) cho thấy phương án dựa trên file.
-   **Tạo ảnh.** Vision ở đây đọc ảnh; nó không tạo ảnh.
-   **Embedding.** Không có `/v1/embeddings`. Để truy xuất (retrieval), bạn cần model embedding từ nhà cung cấp khác hoặc tự host; [công cụ tính chi phí embedding](https://broadrouter.com/tools/embedding-cost-calculator/) so sánh giá.

[Catalogue nghiên cứu](https://www.broadnet.ai/inference/models) của BroadNet có liệt kê các model chuyển văn bản thành giọng nói, tạo ảnh và embedding, được đánh dấu là đã benchmark trong phòng thí nghiệm của họ. Điều đó ghi lại những gì BroadNet đã thử, không phải những gì API của họ bán; [đọc catalogue model](https://broadrouter.com/vi/blog/understand-model-status/) giải thích sự khác biệt.

## Vì sao cần bộ đánh giá riêng cho mỗi loại đầu vào?

Vì mỗi loại đầu vào thất bại theo cách khác nhau, và một con số trung bình chung sẽ che giấu các thất bại.

-   **Văn bản:** chấm điểm trên message thật của người dùng, kèm kiểm tra bằng code khi có thể. Phương pháp có trong [đánh giá LLM trước khi chuyển đổi](https://broadrouter.com/vi/blog/evaluate-llm-before-switching/).
-   **Ảnh:** dùng ảnh thật với chất lượng thật: ảnh điện thoại chụp nghiêng, biên lai mờ, con dấu đè lên chữ. Chấm điểm riêng từng trường. Một bản render PDF sạch sẽ cho điểm cao hơn nhiều so với ảnh mà người dùng của bạn sẽ gửi.
-   **Giọng nói:** đo [tỷ lệ lỗi từ (WER)](https://broadrouter.com/vi/glossary/word-error-rate/) trên bản ghi của chính bạn, chia theo phương ngữ, người nói và chất lượng đường truyền, và kiểm tra riêng những từ quan trọng (tên, con số, số tiền). Xem [giải thích WER cho ASR tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/).
-   **Chuỗi:** khi giọng nói được đưa vào model chat, hãy chấm điểm cả hai bước và kết quả cuối. Một con số nghe nhầm sẽ thành một câu trả lời sai đầy tự tin, và chỉ bài kiểm tra đầu cuối mới cho thấy điều đó xảy ra thường xuyên đến đâu.

Hãy giữ các bộ tách biệt, đánh phiên bản cho chúng, và chạy lại bộ liên quan mỗi khi bạn đổi model hoặc prompt.

## BroadNet Inference phù hợp ở đâu

BroadNet Inference đáp ứng năm dòng đầu của bảng tác vụ với một key và một base URL: chat văn bản, tool calling trên GLM 5.3 và Qwen3.8 27B, hiểu ảnh trên ba model, và chép lời tiếng Ả Rập hoặc đa ngôn ngữ. Gemma 4 VL 26B và cả hai model chép lời chạy được bằng $5 tín dụng ban đầu; DeepSeek, GLM và Qwen cần nạp tiền. Nội dung inference không được lưu giữ; các metadata cần thiết về tài khoản, thanh toán và bảo mật được lưu giữ như mô tả trong [tuyên bố quyền riêng tư](https://www.broadnet.ai/inference-privacy) của BroadNet. Để phát giọng nói, tạo ảnh, giọng nói trực tiếp hay embedding, hãy dùng dịch vụ khác. Giá của mọi thứ ở trên có tại [trang giá](https://broadrouter.com/vi/pricing/).

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

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

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

[Chat Completions API](https://broadrouter.com/vi/glossary/chat-completions-api/)

Chat Completions API là endpoint HTTP của OpenAI, POST /v1/chat/completions, nhận tên model và danh sách message có gắn vai trò rồi trả về message tiếp theo của model. Cấu trúc request và response của nó đã trở thành định dạng chung mà các nhà cung cấp và SDK tương thích OpenAI dùng lại.

[Chuyển văn bản thành giọng nói (text-to-speech, TTS)](https://broadrouter.com/vi/glossary/text-to-speech/)

Text-to-speech (TTS), hay tổng hợp giọng nói, chuyển văn bản viết thành âm thanh lời nói. Một API TTS nhận văn bản, một giọng đọc và định dạng output như MP3 hoặc WAV, rồi trả về giọng nói được sinh ra. Nó là chiều ngược lại của speech-to-text, vốn chuyển âm thanh thành văn bản.

[Token đầu vào và đầu ra (input and output tokens)](https://broadrouter.com/vi/glossary/input-and-output-tokens/)

Token đầu vào là token mà model ngôn ngữ đọc trong một request, gồm system prompt, lịch sử hội thoại, định nghĩa tool và hình ảnh. Token đầu ra là token nó sinh ra để trả lời, kể cả phần suy luận. API LLM thường tính giá riêng cho hai loại, và đầu ra thường đắt hơn.

[Trả theo mức dùng (pay-as-you-go)](https://broadrouter.com/vi/glossary/pay-as-you-go/)

Trả theo mức dùng (pay-as-you-go) là mô hình giá mà bạn chỉ trả cho những gì đã dùng, đo theo đơn vị như token, request hoặc phút âm thanh, không có gói đăng ký hay cam kết tối thiểu. Hầu hết API LLM tính phí theo cách này, trừ vào số dư trả trước hoặc qua hóa đơn định kỳ.

[WAV](https://broadrouter.com/vi/glossary/wav/)

WAV (Waveform Audio File Format, hay WAVE) là một container audio xây trên định dạng RIFF của Microsoft và IBM. Nó thường chứa các mẫu PCM tuyến tính không nén, nên dung lượng dễ dự đoán: mỗi giây bằng tần số lấy mẫu nhân số byte mỗi mẫu nhân số kênh.

## Câu hỏi thường gặp

### Nên dùng model AI nào để xử lý ảnh?

Một model nhận đầu vào ảnh trên API bạn dùng. Theo nguồn dữ liệu giá của BroadNet Inference, đó là DeepSeek V4.1 Flash, Qwen3.8 27B hoặc Gemma 4 VL 26B; GLM 5.3 chỉ nhận văn bản. Gửi ảnh dưới dạng data URL trong message chat.

### Model chat có chép lời âm thanh được không?

Trên BroadNet Inference thì không. Âm thanh được gửi tới endpoint chép lời, /v1/audio/transcriptions, với một model chép lời. Nếu sau đó bạn cần tóm tắt hoặc câu trả lời, hãy gửi bản chép lời tới một model chat ở bước thứ hai.

### BroadNet Inference có chuyển văn bản thành giọng nói hay tạo ảnh không?

Không. Tài liệu tham chiếu API của họ chỉ mô tả chat completions và chép lời âm thanh. Các model chuyển văn bản thành giọng nói và tạo ảnh xuất hiện trong catalogue nghiên cứu của BroadNet với trạng thái đã benchmark, điều này không giống với việc được cung cấp.

### BroadNet nhận những định dạng âm thanh nào?

WAV (audio/wav) hoặc MP3 (audio/mpeg), tối đa 26.214.400 byte mỗi file. Hãy chuyển các định dạng khác, như tin nhắn thoại .ogg của WhatsApp, bằng ffmpeg trước, và luôn gửi tham số language.

### Ảnh được tính phí như thế nào?

Với key trả theo mức dùng, BroadNet tính một ảnh là token đầu vào theo giá đầu vào của model, và ảnh lớn hơn dùng nhiều token hơn. Trên gói phiên DeepSeek, ảnh nằm trong giá cố định.

## Đọc tiếp

-   [Trích xuất hóa đơn, biên lai, biểu mẫu sang JSON bằng LLM vision](https://broadrouter.com/vi/blog/extract-data-from-documents-with-vision-llm/)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/)
-   [API chuyển giọng nói thành văn bản: 14 ngôn ngữ, một endpoint](https://broadrouter.com/vi/blog/multilingual-speech-to-text-api/)
-   [API LLM vision rẻ nhất: chi phí mỗi ảnh và mỗi trang, tính cụ thể](https://broadrouter.com/vi/blog/cheapest-vision-llm-api/)
-   [Biên bản họp tiếng Ả Rập từ bản ghi âm: một pipeline API](https://broadrouter.com/vi/blog/arabic-meeting-minutes-from-recordings/)
-   [Live, theo yêu cầu, nghiên cứu: đọc danh mục model cho đúng](https://broadrouter.com/vi/blog/understand-model-status/)
-   [Cách đánh giá LLM trước khi đổi nhà cung cấp](https://broadrouter.com/vi/blog/evaluate-llm-before-switching/)
-   [Phần cứng GPU và cách phục vụ model của BroadNet, theo lời BroadNet](https://broadrouter.com/vi/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache phản hồi API LLM để giảm chi phí: cache khớp chính xác (Python)](https://broadrouter.com/vi/blog/cache-llm-responses-cut-cost/)
-   [Hướng dẫn: Đọc hóa đơn và biên lai tiếng Ả Rập bằng model thị giác](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/)
-   [Hướng dẫn: API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/)
-   [Hướng dẫn: Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/)
-   [Hướng dẫn: Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-text-speech-vision&utm_content=page-cta) ·

**Nguồn**

-   [Tài liệu tham chiếu API BroadNet Inference: model ID, chat kèm ảnh, định dạng và kích thước chép lời, trạng thái tính năng (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-text-speech-vision&utm_content=sources)
-   [BroadNet Inference pricing.json: modality, ngôn ngữ và giá theo model (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-text-speech-vision&utm_content=sources)
-   [Catalogue model của BroadNet Inference: model đang chạy, và các model chuyển văn bản thành giọng nói và tạo ảnh được ghi là đã benchmark (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://www.broadnet.ai/inference/models)
-   [Tuyên bố quyền riêng tư và lưu giữ dữ liệu của BroadNet Inference (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://www.broadnet.ai/inference-privacy)
