语音消息、通话和会议里的信息,在变成文字之前,软件无法检索。语音转文字填补的就是这个缺口。
原理
Hugging Face 把自动语音识别定义为 “the task of transcribing a given audio to text”(译文:把给定音频转写为文字的任务)。现代 ASR 模型先把音频转换成特征,再生成最可能的词序列。
通过 OpenAI 兼容 API,你以 multipart 表单数据的形式把文件上传到 /v1/audio/transcriptions:
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe-arabic \
-F language=ar \
-F file=@voice-note.wav
响应是 JSON,转写文本在 text 字段中。服务商会限制文件大小和格式;OpenAI 自己的端点接受最大 25 MB 的文件(据其语音转文字指南,2026-11-15 查阅)。
为什么重要
- 准确率决定价值。 人名或数字出错的转写结果,可能比没有转写还糟。准确率用词错误率衡量,遇到口音、方言、多人同时说话和电话音频时会下降。
- 按音频小时计价。 STT 按音频分钟计费,所以用量很好预估:音频小时数乘以每小时单价。
- 隐私。 语音里有姓名、电话号码以及健康或银行信息。请确认音频和转写文本是否会被保留;参见零数据保留。
- 处理流水线。 转写文本通常会接着交给 LLM,用于摘要、分流或信息抽取。
在 BroadNet Inference 上
| 模型 | 语言 | 每分钟价格 | 每小时 |
|---|---|---|---|
| BroadNet Transcribe Arabic | 阿拉伯语,含方言 | $0.0042 | $0.25 |
| BroadNet Transcribe | 14 种语言 | $0.002 | $0.12 |
两个模型都接受 WAV 或 MP3,每个文件最大 26,214,400 字节(25 MiB);更大的文件会返回 413。阿拉伯语请发送 language=ar,否则结果可能被音译成拉丁字母。BroadNet 报告其阿拉伯语模型在 Open Universal Arabic ASR Leaderboard 上排名 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)。音频和转写文本不会被保留。
其他服务商可能更便宜。2026-11-14,Soniox 的价格页面列出的文件(异步)转写约为每小时 USD 0.10,实时转写约为每小时 USD 0.12,其支持语言列表中包括阿拉伯语。这低于 BroadNet Transcribe Arabic 的每小时 $0.25,所以请用你自己的音频把两者都测一测。我们公开的语音转文字 API 价格索引收录了 20 多个产品,每个价格都注明来源和日期。
两个模型都可以使用 $5 的免费初始额度,大约够转写 1,190 分钟阿拉伯语音频。先从阿拉伯语语音转文字指南开始,用语音消息指南转换 WhatsApp 的 .ogg 文件,再用选购指南比较各家服务商。