选择阿拉伯语语音转文字 API 时,每种方言用每个候选 API 转写 30 到 50 段你自己的音频,按方言比较词错误率,然后再权衡每音频小时价格、文件限制、流式需求和数据保留。在基准测试上表现亮眼的模型,仍可能在你的呼叫中心音频上失灵。
阿拉伯语对语音识别来说很难:一种书面标准之下是众多口语方言,说话人会在句子中途切换到英语,而大部分真实音频是电话和语音消息。
为什么你自己音频上的词错误率最重要?
词错误率(WER)是模型出错的词所占的比例:替换、遗漏或凭空添加。越低越好。公开数字只是起点:
| 测试集 | 内容 | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | 清晰的朗读句子 | 3.8 | 未公布 | 未公布 |
| MASC-ar | 混合的真实场景阿拉伯语语音 | 21.1 | 22.3 | 31.5 |
| BroadNet 方言测试集 | 海湾、埃及和黎凡特口语 | 23.4 | 25.6 | 31.8 |
这些是 BroadNet 的实验室测量结果,发布在它的模型目录和 Transcribe Arabic 页面上。对比是 BroadNet 自己做的,所以请把 ElevenLabs 和 Whisper 两列视为一家厂商对竞争对手的测试,而不是独立结果。BroadNet 还报告,该模型在 Open Universal Arabic ASR Leaderboard 上位列 第 2 名(共 37 个)(这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名),并且在许可证允许通过 API 提供服务的模型中排名第 1。2026 年 11 月 15 日,排在它前面的三项是 Jais-ASR、Sygma-ASR-Arabic(排行榜称其为在 Cohere 模型上使用束搜索解码)和 Audar-ASR-V1-Turbo;Whisper large-v3 排第 19。我们没有逐一核查这些条目的许可证。
注册之前,你就可以用自己的声音试听模型:BroadNet 的浏览器体验页无需账号,可以转写最长 60 秒的阿拉伯语或英语音频。参见如何使用体验页。
3.8 与 23.4 之间的差距就是教训:**同一个模型,在朗读语音上可能近乎完美,在方言对话上却弱得多。**请用你的音频测试。
对厂商数字普遍要谨慎。许多已发表的阿拉伯语 WER 数字来自厂商自己的测试,用的是你看不到的音频。只有当测试集、规范化方式和评分工具都相同时,数字才可比。
想看全貌,我们公开的语音转文字 API 价格索引列出了 20 多款产品的批量和流式价格、计费粒度及阿拉伯语支持情况,每一项都对照服务商自己的价格页面核查过(提供 CSV 和 JSON)。
如何检查方言覆盖?
按方言给测试文件分组:海湾(Khaleeji)、埃及、黎凡特、伊拉克、马格里布,再加上现代标准阿拉伯语。每组单独评分。如果你的大多数客户在利雅得,海湾方言的 WER 远比平均值重要。
注意**语码转换**。海湾地区的商务口语里会夹杂英文产品名和数字。检查数字、日期和人名的转写结果,因为下游系统正是根据这些词采取行动的。BroadNet 可按需提供一个针对嘈杂音频中数字、日期和人名的微调阿拉伯语模型。
阿拉伯语转写每音频小时多少钱?
按每小时音频比较,因为你的用量就是这样衡量的:
| 模型 | 每分钟 | 每小时 | 1,000 小时 |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe(14 种语言) | $0.002 | $0.12 | — |
| Soniox 异步(文件),60 多种语言 | 约 USD 0.0017(推算) | 约 USD 0.10 | 约 USD 100 |
| Soniox 实时(流式) | 约 USD 0.002(推算) | 约 USD 0.12 | 约 USD 120 |
Soniox 的数据来自 Soniox 价格页面,2026 年 11 月 14 日查阅。Soniox 按 token 计费(每小时约 30,000 个音频 token),每小时价格是它给出的近似值。
**按小时算,Soniox 比 BroadNet 便宜。**它的文件转写费率不到 BroadNet Transcribe Arabic $0.25 的一半,也低于 BroadNet Transcribe 的 $0.12。它的实时费率与 BroadNet Transcribe 持平,仍低于阿拉伯语模型,而 BroadNet 的文档根本没有写明实时流式。Soniox 在其支持的语言中列出了阿拉伯语(ar),所有语言统一费率。它没有公布阿拉伯语专门的价格、阿拉伯语 WER 数字或方言覆盖情况,所以价格清楚,准确率却不清楚。按价格做决定之前,请对两者跑同样的方言测试。
以客服收件箱为例,10,000 条每条 30 秒的 WhatsApp 语音消息,用阿拉伯语模型转写费用为 $21.00。算式是 10,000 × 0.5 minutes × $0.0042。用语音转文字成本计算器算算你自己的用量。
比较服务商时,除了费率还要看计费单位:按秒、按分钟还是按起始计费块,以及每个文件是否有最低收费。计费取整的影响在短语音消息上最明显。其他服务商对照价格页面核查过的每分钟费率,见语音转文字 API 价格对比;如果你要从 OpenAI 的端点迁移,见 Whisper API 替代方案检查清单。Transcribe 与 Transcribe Arabic 对比说明了什么时候更便宜的 14 语言模型就够用。
阿拉伯语语音转文字 API 应具备哪些功能?
并不是每个产品都需要所有功能。比较之前先确定哪些对你重要:
| 功能 | 为什么重要 | 要问什么 |
|---|---|---|
| 批量文件上传 | 语音消息、录音、档案 | 支持的格式和最大文件大小 |
| 实时流式 | 实时字幕、语音智能体 | 延迟,以及是否是单独的产品 |
| 说话人标注(说话人分离) | 客服与客户的通话 | 只支持批量,还是实时也支持? |
| 词级时间戳 | 字幕、搜索、审核工具 | 词级还是片段级? |
| 语码转换 | 夹杂英文术语的阿拉伯语 | 是否要求每个请求只有一种语言? |
| 数据保留 | 通话包含个人数据 | 音频或文本是否保留,保留多久? |
BroadNet 目前文档中写明的有:通过 OpenAI 兼容的 /v1/audio/transcriptions 端点进行批量转写、WAV 或 MP3 输入、language 字段,以及零数据保留。清单上的其他功能,依赖之前请先查看 API 参考。
有哪些文件限制和格式要求?
- **文件大小。**BroadNet 接受每个最大 26,214,400 字节(25 MiB)的 WAV 或 MP3 文件。更大的文件会返回 413;较长的录音请先切分。
- 格式。.ogg 语音消息和 .m4a 录音要先转换;WhatsApp 语音消息指南给出了 ffmpeg 命令。
- **language 字段。**发送
language=ar。不加的话,阿拉伯语可能以拉丁字母转写的形式返回。 - **速率限制。**按量付费密钥每分钟允许 30 个请求,同时最多 4 个。积压文件很多时,把文件排队,遇到 429 时退避重试;参见错误与重试。
音频会被保存吗?
语音消息和通话里有姓名、电话号码以及健康或银行信息。问清每个服务商是否保留音频和转写文本、保留多久。BroadNet Inference 两者都不保留;参见零数据保留和我们的零数据保留检查清单。
如何在一个下午内测试一个阿拉伯语转写 API?
- 从你的生产渠道中,每种方言收集 30 到 50 段真实音频。去掉任何你不能分享的内容。
- 每种方言人工写出 10 段音频的正确转写,统一使用一套约定好的拼写规范。
- 用每个候选 API 转写所有音频。阿拉伯语分步指南提供了调用 BroadNet 的 curl 和 Python 代码。
- 用相同的方式规范化两份文本,按方言计算 WER 和 CER。阿拉伯语 WER 详解给出了 Python 规范化函数,并说明了为什么跳过这一步会让一份完美的转写变成 75% 的 WER。
- 亲自读 20 份转写结果。WER 低也可能掩盖数字或人名的错误。
如何挑选音频、编写参考文本以及为每个方言组评分,详见阿拉伯语方言语音识别。
常见错误
- **只测试清晰音频。**请使用真实的电话和语音消息录音。
- **只看一个平均 WER。**平均值不错,也可能掩盖了你客户使用的某种方言。
- **省略 language 字段。**拉丁字母转写的输出在评分时几乎全是错误。
- **忽略数字。**人工检查数字、日期和金额;你的系统正是根据它们采取行动的。
BroadNet Inference 的定位
BroadNet Transcribe Arabic 适合按分钟计价、批量转写阿拉伯语语音消息、通话和录音,且不保留音频。$5 的初始额度大约够转写 1,190 分钟的阿拉伯语音频,无需绑卡就能完成上面的测试。如果你需要它文档中没有写明的功能,比如实时流式字幕,请测试提供这些功能的服务商。转写之后的阿拉伯语文本任务,参见如何为阿拉伯语选择大模型。
