BroadRouter

多语言语音转文字 API:14 种语言,一个端点

BroadNet Inference 团队 · 阅读约 6 分钟 · 发布于 · 更新于

BroadNet Transcribe 是支持 14 种语言的语音转文字模型,包括英语、西班牙语、法语、德语、中文、日语和阿拉伯语,通过 OpenAI 兼容的 /v1/audio/transcriptions 端点提供。价格为每音频分钟 $0.002(每小时 $0.12)。以阿拉伯语为主的音频,可选专用的 BroadNet Transcribe Arabic,每分钟 $0.0042。

The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."

大多数处理音频的产品都要面对不止一种语言:全球客服热线、来自不同办公室的会议录音、多语言城市里的语音留言收件箱。每种语言接一家语音转文字供应商,维护成本很高。BroadNet Transcribe 把 14 种语言放在同一个 OpenAI 兼容端点后面,按音频分钟计费,旁边还有一个针对阿拉伯语为主的工作负载的专用模型。

BroadNet Transcribe 支持哪些语言?

语言列表来自 BroadNet 公开的 pricing.json,以 ISO 639-1 代码表示:

代码 语言 代码 语言
en 英语 nl 荷兰语
es 西班牙语 pl 波兰语
fr 法语 zh 中文
de 德语 ja 日语
it 意大利语 ko 韩语
pt 葡萄牙语 vi 越南语
el 希腊语 ar 阿拉伯语

BroadNet Transcribe 基于 Cohere Transcribe,由 BroadNet 提供服务。模型 ID 是 broadnet/cohere-transcribe。

想看全貌的话,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、计费粒度以及阿拉伯语支持情况,每一项都对照了服务商自己的价格页(提供 CSV 和 JSON)。

多语言转写要多少钱?

模型 每分钟 每小时 语言
BroadNet Transcribe $0.002 $0.12 14
BroadNet Transcribe Arabic $0.0042 $0.25 阿拉伯语

按音频分钟计费,而不是按请求或 token 计费。两个模型都可以用免费的 $5 初始额度,所以充值前就能用自己的录音测试。所有价格见价格页;可以在语音转文字成本计算器中估算每月时长的费用,或在语音转文字 API 价格对比中比较其他服务商。

如何调用转写端点?

该端点遵循 OpenAI 音频转写的接口格式,因此官方 SDK 改一下 base URL 就能用:

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)

或者用 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

响应是 JSON,转写文本在 text 中。BroadNet 文档中的响应就是文本本身;如果你需要词级时间戳或说话人标签,请先在 API 参考中确认当前是否支持,再据此设计。

为什么每次都要传语言?

BroadNet 的文档写得很明确:每个转写请求都要传 language。不传的话,阿拉伯语可能会被音译成拉丁字母返回,模型可能混淆的其他语言也有同样风险。如果事先不知道语言:

  1. **先用元数据。**来电者所在国家、用户的应用语言或电话号码前缀通常是对的。
  2. 在语音产品中询问用户(“英语请按 1,阿拉伯语请按 2”)。
  3. **试转一小段。**用最可能的语言转写前 30 秒;如果文本看起来不对(文字系统不对、一堆乱码),换下一个候选语言重试。

有哪些限制,支持哪些格式?

  • **格式:**WAV(audio/wav)或 MP3(audio/mpeg)。.ogg、.m4a、.webm 和视频文件要先用 ffmpeg 转换。WhatsApp 语音消息指南里有一行命令。
  • **大小:**每个文件最大 26,214,400 字节(25 MiB),超过会返回 413。这大约相当于 13 分钟 16 kHz 单声道 WAV,或接近一小时 64 kbit/s 的 MP3。更长的音频用 ffmpeg -f segment -segment_time 600 切分。
  • **速率:**按量付费密钥每分钟 30 个请求,同时最多 4 个。遇到 429 要退避重试;参见错误与重试。
  • **隐私:**音频和转写文本仅为处理请求而使用,不会保留。参见零数据保留。

带分片和工作池的生产级批量流水线,见大规模转写阿拉伯语呼叫中心录音;同样的设计适用于这 14 种语言中的任何一种。

什么时候该选阿拉伯语专用模型?

BroadNet 提供两个模型,是因为阿拉伯语的语音识别比大多数语言更难:一个书面标准下有很多方言,经常与英语和法语语码转换,还有大量电话音质的音频。BroadNet Transcribe Arabic 是专用选项,BroadNet 也只为它公布了阿拉伯语准确率:

  • BroadNet 报告称它在 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一。
  • BroadNet 实验室测得的词错误率:FLEURS-ar 为 3.8,MASC-ar 为 21.1,其方言测试集为 23.4(越低越好)。这些数字是什么意思。

BroadNet 没有公布 14 语言模型的阿拉伯语数据,但公开排行榜有:2026 年 11 月 15 日,BroadNet Transcribe 背后的模型 Cohere Transcribe 03-2026 在 39 个模型中排第 8,平均 WER 为 30.67;阿拉伯语模型排 第 4 名(共 39 个),为 24.19。其他语言方面,根据其模型页,BroadNet 报告 BroadNet Transcribe 在 FLEURS 英语上的词错误率为 5.5,FLEURS 西班牙语为 3.2;在英语音频上,单路流约为实时速度的 113 倍(批量为 217 倍)。一个简单的规则:

你的音频 选择
以阿拉伯语为主,任何方言 BroadNet Transcribe Arabic
阿拉伯语文件占少数,准确率不关键 全部用 BroadNet Transcribe,或两个都测
混合内容,每个文件的语言已知 阿拉伯语文件走阿拉伯语模型,其余走 BroadNet Transcribe
其他 13 种语言中的任何一种 BroadNet Transcribe

按语言路由只需改一行代码,因为两个模型共用同一个端点和请求格式:

def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"

阿拉伯语模型每分钟的价格大约是两倍。用量大时,请用几小时真实阿拉伯语音频测试两个模型,按方言比较词错误率;阿拉伯语语音转文字采购指南里有一个一小时的测试方案。如果问题在于嘈杂阿拉伯语音频中的数字、日期和名称,BroadNet 还在模型页上列出了一个可按需申请的阿拉伯语微调模型。

如何测试每种语言的准确率?

供应商给出的单一准确率数字,掩盖了不同语言、口音和录音条件之间的巨大差异。在把工作负载交出去之前,为每种语言做一次小测试:

  1. **每种语言收集 20 到 50 段真实片段,**来自你实际要转写的渠道:电话、会议录音、语音消息或视频。包括最难的口音。
  2. **为其中一部分手工写参考转写,**并约定数字、名称和英语外来词的拼写规则。
  3. **使用正确的 language 代码转写,**并按语言计算词错误率。中文和日文词与词之间没有空格,改用字错误率。
  4. **逐条看错误。**产品名称、金额和地址比语气词重要得多。
  5. **如果你的音频包含阿拉伯语,用两个模型都测一遍,**并按方言比较。

由于每分钟价格很低,$5 初始额度足以在 BroadNet Transcribe 上为几种语言完成这样的测试。

适合哪些工作负载?

工作负载 说明
多语言客服热线 按 IVR 语言选择路由,传入对应的 language 代码
分布式团队的会议纪要 逐个录音转写,再用大模型总结
语音留言收件箱 先把 .ogg 转成 WAV;参见 WhatsApp 指南
媒体和播客存档 把长文件切成 25 MiB 以下;夜间批量处理
语言学习应用 转写学习者的语音,再用大模型给出反馈

无论哪种情况,成本只随音频分钟数增长:在 BroadNet Transcribe 上每小时音频 $0.12,与语言无关。

转写之后做什么?

转写文本很少是最终产品。用同一个 API 密钥常做的后续步骤:

如何从其他转写 API 迁移?

如果你已经在调用 OpenAI 风格的转写端点,包括 OpenAI 公布将于 2027 年 2 月 26 日关闭的 Whisper API(切换前要测试什么),迁移通常只需改三处:base URL、API 密钥和模型 ID,再确保传了 language。检查代码中除 text 之外读取的其他响应字段。其余内容见 OpenAI 兼容 API 迁移检查清单。

常见问题

BroadNet Transcribe 支持哪些语言?

14 种:英语、西班牙语、法语、德语、意大利语、葡萄牙语、希腊语、荷兰语、波兰语、中文、日语、韩语、越南语和阿拉伯语。列表以 ISO 639-1 代码公布在 pricing.json 中。

一个音频文件里有两种语言怎么办?

每个请求只接受一个语言代码。对于中途切换语言的音频,用主要语言转写,再检查另一种语言的转写效果;如果切换段落较长,就按说话人或片段拆分音频。

多语言模型转写阿拉伯语够用吗?

它支持阿拉伯语,每分钟也更便宜。BroadNet 只为 BroadNet Transcribe Arabic 公布了阿拉伯语准确率数据,所以如果阿拉伯语在你的音频中占比较大,请用你的录音测试两个模型,比较词错误率。

可以用 OpenAI SDK 调用吗?

可以。把 SDK 指向 BroadNet 的 base URL,然后用模型 ID、文件和语言调用 audio.transcriptions.create。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity