---
title: "كتابة محضر اجتماع من تسجيل صوتي عربي عبر API | BroadRouter"
description: "حوّل تسجيلات الاجتماعات العربية إلى محاضر فيها القرارات والمهام: فرّغ الصوت نصيًا، ونظّفه، ولخّصه بـLLM إلى JSON، ثم تحقّق من الأسماء والتواريخ."
url: https://broadrouter.com/ar/blog/arabic-meeting-minutes-from-recordings/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (حُدّث في 2026-11-15).

# محضر اجتماع عربي من التسجيلات: مسار عمل عبر API

بقلم فريق BroadNet Inference · قراءة في 6 دقائق · تاريخ النشر 2026-11-15

لكتابة محضر اجتماع عربي عبر API، حوّل التسجيل إلى نص بنموذج عربي لتحويل الكلام إلى نص، وقسّم النصوص الطويلة إلى أقسام، واطلب من LLM القرارات والمهام والأسئلة المفتوحة بصيغة JSON، ثم ادمج الأقسام. اطلب من النموذج اقتباس النص المفرّغ لكل مهمة، واكتب المحضر بالعربية الفصحى أو بالإنجليزية.

## أبرز النقاط

-   المحضر مهمتان: تحويل الكلام إلى نص، ثم التلخيص. اختر نموذج كل منهما واختبره على حدة.
-   الاجتماعات الطويلة تحتاج إلى تقسيم مرتين: الصوت ليتسع في حد الرفع، والنص المفرّغ ليبقى التلخيص دقيقًا.
-   اطلب JSON مع اقتباس من النص المفرّغ لكل قرار ومهمة، ليتمكن المراجع من التحقق من كل منها.
-   النص المفرّغ البسيط لا يحمل أسماء المتحدثين. لا تدع النموذج يخمّن صاحب المهمة ما لم يُذكر اسم صراحةً.
-   على BroadNet، يكلّف تفريغ ساعة من الصوت العربي $0.25؛ ويكتب المحضرَ Qwen3.8 27B الذي اختبرته BroadNet بالعربية.

**في هذه الصفحة**

1.  كيف يبدو مسار العمل؟
2.  الخطوة 1: كيف تفرّغ اجتماعًا عربيًا طويلًا؟
3.  هل يمكنك الحصول على أسماء المتحدثين؟
4.  الخطوة 2: لماذا تقسّم النص المفرّغ قبل التلخيص؟
5.  الخطوة 3: أي نموذج يكتب المحضر؟
6.  الخطوة 4: أي أمر يعطي محاضر موثوقة؟
7.  الخطوة 5: كيف تدمج الأقسام في محضر واحد؟
8.  كم يكلّف اجتماع واحد؟
9.  ما الأخطاء التي يجب تجنّبها؟
10.  متى يكون مسار API الخيار الخاطئ؟
11.  أين تقع BroadNet Inference من هذا؟

يبدو محضر الاجتماع مهمة واحدة، لكنه مهمتان: تحويل الكلام إلى نص، وتحويل النص إلى قرارات ومهام. ولكل خطوة طريقتها الخاصة في الفشل. كلمة عامية تُفرَّغ خطأً تصبح مهمة خاطئة؛ والنموذج الذي يلخّص جيدًا قد يخترع مع ذلك صاحبًا لمهمة. يبني هذا المقال مسار العمل للاجتماعات العربية، ويُظهر أين تضع نقاط التحقق.

## كيف يبدو مسار العمل؟

```text
recording (.m4a, .mp4, .webm)
  → ffmpeg: 16 kHz mono, split at silences
  → speech to text, language=ar, one request per chunk
  → join the transcript, clean obvious noise
  → split the transcript into sections
  → LLM: summary, decisions, action items, open questions (JSON) per section
  → LLM: merge the sections into one set of minutes
  → human review → send
```

وبقية المقال تشرحه خطوة خطوة.

## الخطوة 1: كيف تفرّغ اجتماعًا عربيًا طويلًا؟

اجتماع مدته ساعة مسجّل على حاسوب محمول يكون عادةً أكبر بكثير من حد الرفع. تقبل BroadNet Inference ملفات WAV أو MP3 حتى 26,214,400 بايت لكل ملف، لذا حوّل الصوت أولًا إلى 16 kHz أحادي القناة، وقسّمه عند فترات الصمت. ويتضمن مقال [تفريغ الملفات الصوتية الطويلة التي تتجاوز 25 MB](https://broadrouter.com/ar/blog/transcribe-long-audio-files-api/) السكربت كاملًا، بما في ذلك الطلبات المتوازية وضم النص بالترتيب.

ثلاثة إعدادات مهمة للاجتماعات العربية:

-   **أرسل `language="ar"` مع كل جزء.** يحذّر توثيق BroadNet من أن العربية قد تعود بخلاف ذلك مكتوبة بحروف لاتينية.
-   **استخدم النموذج العربي** للاجتماعات التي تغلب عليها العربية: `broadnet/cohere-transcribe-arabic`. أما الاجتماعات التي تغلب عليها لغة أخرى من لغاته، فيكلّف `broadnet/cohere-transcribe` $0.002 للدقيقة.
-   **احتفظ بالنص المفرّغ الخام.** تحتاج إليه للمراجعة وللاقتباسات في الخطوة 4.

خلط العربية والإنجليزية أمر عادي في اجتماعات الأعمال الخليجية. اختبر تسجيلًا فيه المزيج المعتاد لديك: فأسماء المنتجات الإنجليزية والأرقام هي المواضع التي تظهر فيها الأخطاء. ويتناول مقال [التعرّف على الكلام باللهجات العربية](https://broadrouter.com/ar/blog/arabic-dialect-speech-recognition/) ما يجب الانتباه إليه.

## هل يمكنك الحصول على أسماء المتحدثين؟

ليس من نص مفرّغ بسيط. رد التفريغ الصوتي لدى BroadNet هو JSON بحقل `text` واحد: لا متحدثين ولا طوابع زمنية. (لتوقيت الترجمة النصية من إزاحات الأجزاء، راجع [ترجمة نصية عربية من API تعيد نصًا فقط](https://broadrouter.com/ar/blog/arabic-subtitles-srt-api/).) أمامك ثلاثة خيارات:

| الحالة | ماذا تفعل |
| --- | --- |
| كل شخص مسجّل على مسار أو قناة منفصلة | فرّغ كل مسار وحده؛ المسار يخبرك بالمتحدث |
| تسجيل مكالمة بقناتين | افصل القناتين بـffmpeg، كما في [مسار مركز الاتصال](https://broadrouter.com/ar/blog/transcribe-call-center-recordings/) |
| مسار واحد مختلط، وتحتاج إلى المتحدثين | استخدم مزوّدًا يعيد [تمييز المتحدثين](https://broadrouter.com/ar/glossary/diarization/)؛ ويقارن [دليل المشتري](https://broadrouter.com/ar/blog/arabic-speech-to-text-api-buyers-guide/) بينهم |

مع مسار واحد مختلط، يستطيع LLM مع ذلك تحديد أصحاب المهام حين يذكر أحدهم اسمًا: «خالد سيرسل عرض السعر قبل الخميس». أما ما يجب ألا يفعله فهو تخمين صاحب المهمة من السياق. والأمر أدناه يمنع ذلك.

## الخطوة 2: لماذا تقسّم النص المفرّغ قبل التلخيص؟

لسببين. الأول هو السياق: ساعة من الكلام قد تكون أطول مما يحتمله نموذج صغير. فنموذج [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) سياقه 32,768 رمزًا (توكن)، وقد يتجاوزه اجتماع عربي طويل. احسب رموز نصّك بـ[عدّاد الرموز العربية](https://broadrouter.com/tools/arabic-token-counter/)؛ فالعربية تحتاج عادةً إلى رموز أكثر لكل كلمة من الإنجليزية، كما يُظهر مقال [عدد الرموز لكل كلمة في العربية مقابل الإنجليزية](https://broadrouter.com/ar/blog/tokens-per-word-arabic-english/).

والثاني هو الدقة. وجدت أبحاث على المدخلات الطويلة أن أداء النماذج “significantly degrades when models must access relevant information in the middle of long contexts” (الترجمة: يتراجع بشكل ملحوظ حين يتعيّن على النماذج الوصول إلى معلومات مهمة في منتصف السياقات الطويلة) ([Liu وآخرون](https://arxiv.org/abs/2307.03172)). والقرار المتخذ في الدقيقة 35 من 70 هو تحديدًا هذه الحالة. تلخيص أقسام من 10 إلى 15 دقيقة لكل منها، ثم دمجها، يُبقي كل جزء قرب بداية الأمر.

قسّم عند نقاط الصمت نفسها التي استخدمتها للصوت، كي لا يبدأ قسم في منتصف جملة.

## الخطوة 3: أي نموذج يكتب المحضر؟

| النموذج | السياق | ملاحظات للمحاضر | الإدخال / الإخراج لكل مليون رمز |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/) | 262,144 | اختبرته BroadNet بالعربية: كتابة سلسة، وفهم للهجتين الخليجية والمصرية؛ والمخرجات المنظَّمة مدرجة | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ar/models/glm-5.3/) | 1,048,576 | المخرجات المنظَّمة مدرجة؛ نص فقط | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ar/models/deepseek-v4.1-flash/) | 1,048,576 | متاح أيضًا بخطة ثابتة بسعر $60 شهريًا لكل جلسة، بطلب واحد في كل مرة | $0.175 / $0.52 |

ابدأ بـQwen3.8 27B، لأنه النموذج الذي اختبرته BroadNet بالعربية. واختبره مقابل نموذج آخر على ثلاثة اجتماعات حقيقية، واجعل متحدثًا أصليًا يقيّمهما. ويتضمن مقال [اختيار LLM للعربية](https://broadrouter.com/ar/blog/choosing-an-llm-for-arabic/) ورقة تقييم.

النماذج الثلاثة كلها تستدل منطقيًا قبل أن تجيب، والاستدلال يُحتسب ضمن `max_tokens`. والمحاضر طويلة، فاسمح ببضعة آلاف من الرموز، وإلا فقد تعود الإجابة الظاهرة فارغة. [لماذا يحدث ذلك](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/).

## الخطوة 4: أي أمر يعطي محاضر موثوقة؟

اطلب JSON، وألزِم النموذج باقتباس النص المفرّغ لكل بند. فالاقتباس هو ما يتيح للمراجع التحقق من المهمة في ثوانٍ بدل إعادة قراءة النص كاملًا.

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
  "summary": 2-4 sentences in Modern Standard Arabic,
  "decisions": [{"text": ..., "quote": ...}],
  "actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
  "open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""

def minutes_for(section):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": section}])
    return json.loads(r.choices[0].message.content)
```

ثم تحقّق بالشيفرة. حلّل JSON، وافحص المفاتيح، وتأكّد من أن كل `quote` موجود فعلًا في القسم. البند الذي لا يوجد اقتباسه في النص المفرّغ من اختراع النموذج: احذفه أو علّمه. وإذا لم يُحلَّل JSON، فأعد المحاولة مرة واحدة مع رسالة الخطأ. يُظهر مقال [وضع JSON مقابل json\_schema](https://broadrouter.com/ar/blog/structured-output-json-schema/) حلقة تحقق؛ ويدرج توثيق BroadNet المخرجات المنظَّمة لـGLM 5.3 وQwen3.8 27B دون أن يسمّي معامل الطلب، فاختبرها قبل أن تعتمد عليها.

ولمحضر بالإنجليزية، غيّر سطر الملخص إلى الإنجليزية وأضِف: “Keep each quote in the original Arabic.” (أبقِ كل اقتباس بالعربية الأصلية.) ويتناول مقال [هندسة الأوامر بالعربية](https://broadrouter.com/ar/blog/arabic-prompt-engineering/) المستوى اللغوي والأرقام والنصوص المختلطة بتفصيل أكبر.

## الخطوة 5: كيف تدمج الأقسام في محضر واحد؟

أرسل نتائج كل الأقسام في طلب نهائي واحد، واطلب من النموذج أن:

1.  يكتب ملخصًا واحدًا للاجتماع كله.
2.  يدمج القرارات والمهام المكررة. فكثيرًا ما تُذكر المهمة نفسها مرتين.
3.  يحتفظ باقتباس كل بند.
4.  يعلّم المهمة بأنها تغيّرت إذا غيّر قسم لاحق صاحبها أو موعدها.

مدخلات الدمج صغيرة: JSON من كل قسم، لا النص المفرّغ. والدمج على أي من النماذج الثلاثة أعلاه يبقى بعيدًا جدًا عن حد سياقه.

## كم يكلّف اجتماع واحد؟

| الخطوة | ما تدفع مقابله | السعر |
| --- | --- | --- |
| التفريغ الصوتي | دقائق الصوت | $0.0042 للدقيقة، و$0.25 للساعة |
| ملخصات الأقسام | رموز النص المفرّغ إدخالًا، وJSON إخراجًا | Qwen3.8 27B: $0.175 للإدخال، و$2.17 للإخراج لكل مليون |
| الدمج | JSON صغير إدخالًا وإخراجًا | الأسعار نفسها |

التفريغ الصوتي هو الجزء الثابت عادةً. أما جزء LLM فيعتمد على طول النص المفرّغ وعلى مقدار استدلال النموذج. اقرأ `prompt_tokens` و`completion_tokens` من أول بضعة اجتماعات حقيقية، ثم اضرب في [حاسبة تكلفة LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/). وتتولى [حاسبة تكلفة تحويل الكلام إلى نص](https://broadrouter.com/tools/speech-to-text-cost-calculator/) جانب الصوت. ويغطي الرصيد الأولي البالغ $5 نماذج التفريغ الصوتي، أي نحو 1,190 دقيقة من الصوت العربي؛ أما Qwen3.8 27B فيحتاج إلى شحن رصيد.

## ما الأخطاء التي يجب تجنّبها؟

-   **تلخيص الاجتماع كله في أمر واحد.** البنود الواقعة في المنتصف تضيع.
-   **ترك النموذج يملأ الفجوات.** الأصحاب والمواعيد التي لم تُذكر قط هي أكثر الأخطاء شيوعًا في المحاضر المكتوبة بالذكاء الاصطناعي. اجعل null القيمة الافتراضية.
-   **الترجمة مبكرًا.** فرّغ واستخرج بالعربية، ثم ترجم المحضر. ترجمة النص المفرّغ أولًا تضيّع الاقتباسات الدقيقة.
-   **تخطي المراجعة.** المحضر سجل رسمي. ويجب أن يقرأه شخص حضر الاجتماع قبل إرساله.
-   **الاحتفاظ بالتسجيلات إلى الأبد.** احذف الصوت بعد اعتماد المحضر، ما لم تكن ملزمًا بالاحتفاظ به.

## متى يكون مسار API الخيار الخاطئ؟

إذا كنت تحتاج إلى ترجمة نصية حية أثناء الاجتماع، أو تسميات المتحدثين من مسار واحد مختلط، أو تطبيق جاهز يستطيع فريقك استخدامه اليوم، فمنتج مخصّص للاجتماعات هو الطريق الأسرع. وكثير منها يبيع ملاحظات اجتماعات بالعربية؛ قارن بينها على تسجيلاتك أنت، لأن ادعاءات الدقة في صفحاتها ادعاءاتها هي. ويكون مسار API منطقيًا حين تريد المحاضر داخل نظامك، بصيغتك، وبقواعد الاحتفاظ الخاصة بك.

## أين تقع BroadNet Inference من هذا؟

تضع BroadNet النصفين على مفتاح واحد متوافق مع OpenAI: BroadNet Transcribe Arabic بسعر $0.0042 للدقيقة، وQwen3.8 27B المختبَر بالعربية لكتابة المحضر. ويقول بيان الخصوصية لديها إنها لا تحتفظ بأي أوامر أو صوت أو إجابات أو نصوص مفرّغة بعد الطلب، وهذا مهم للاجتماعات الداخلية. لكنها لا تعيد تسميات المتحدثين ولا الطوابع الزمنية، وليس لديها تفريغ صوتي حي، فاستخدم مزوّدًا آخر إن احتجت إلى ذلك. ابدأ بـ[دليل تحويل الكلام العربي إلى نص](https://broadrouter.com/ar/guides/arabic-speech-to-text-api/)، ثم أضِف خطوة التلخيص أعلاه.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[تحويل الصوت إلى نص (Speech-to-text)](https://broadrouter.com/ar/glossary/speech-to-text/)

تحويل الكلام إلى نص، ويسمّى أيضًا التعرّف التلقائي على الكلام (ASR)، هو تقنية تحوّل الصوت المنطوق إلى نص مكتوب. تستقبل واجهة تحويل الصوت إلى نص ملفًا صوتيًا أو بثًا وتُرجع نصًا مفرّغًا، يُسعَّر عادةً لكل دقيقة صوت. وتُقاس الدقة بمعدل الخطأ في الكلمات، وتتفاوت بحسب اللكنة واللهجة وجودة التسجيل.

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[تمييز المتحدثين (Speaker diarization)](https://broadrouter.com/ar/glossary/diarization/)

تمييز المتحدثين (speaker diarization) هو مهمة تقسيم التسجيل الصوتي إلى مقاطع حسب المتحدث، للإجابة عن سؤال "من تكلّم ومتى". ويَسِم كل مقطع كلام بمعرّف متحدث مجهول مثل SPEAKER\_00، ويُدمج عادةً مع النص المفرّغ ليُظهر من قال كل سطر.

[التزامن (Concurrency)](https://broadrouter.com/ar/glossary/concurrency/)

التزامن (concurrency) هو عدد الطلبات التي تكون لدى العميل قيد التنفيذ في الوقت نفسه. وكثيرًا ما تضع واجهات LLM API سقفًا له لكل مفتاح أو خطة، بمعزل عن عدد الطلبات في الدقيقة، لأن كل طلب مفتوح يشغل قدرة من وحدة GPU حتى تكتمل استجابته.

[الطوابع الزمنية في التفريغ الصوتي (Timestamps)](https://broadrouter.com/ar/glossary/timestamps-asr/)

الطوابع الزمنية في تحويل الصوت إلى نص هي أوقات بداية ونهاية، بالثواني، تُرفق بأجزاء من النص المفرّغ. تغطي طوابع المقاطع عبارة أو جملة؛ وتغطي طوابع الكلمات كل كلمة. وهي لازمة للترجمة المصاحبة للفيديو، وللبحث داخل التسجيلات، ولمطابقة النص مع المتحدثين.

[مخطط JSON (JSON Schema)](https://broadrouter.com/ar/glossary/json-schema/)

JSON Schema (مخطط JSON) مفردات مكتوبة بصيغة JSON لوصف بنية بيانات JSON والتحقق منها: الأنواع والحقول الإلزامية والقيم المسموحة والتداخل. والإصدار الحالي هو 2020-12. وتستخدمه واجهات LLM API لتعريف معاملات الأدوات والبنية الدقيقة التي يجب أن تتبعها المخرجات المنظَّمة.

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

WAV (Waveform Audio File Format، أو WAVE) حاوية صوتية مبنية على صيغة RIFF من Microsoft وIBM. تحمل عادةً عينات PCM خطية غير مضغوطة، فيكون حجمها متوقَّعًا: معدل العينات مضروبًا في عدد بايتات العينة مضروبًا في عدد القنوات، لكل ثانية.

## أسئلة شائعة

### كيف أحصل على محضر اجتماع من تسجيل عربي؟

حوّل الصوت إلى نص عبر API عربية لتحويل الكلام إلى نص، مع إرسال language=ar. ثم أرسل النص المفرّغ إلى LLM بأمر يطلب ملخصًا قصيرًا، والقرارات، والمهام مع أصحابها ومواعيدها، والأسئلة المفتوحة بصيغة JSON. وراجع النتيجة قبل أن ترسلها.

### هل يمكن أن يكون المحضر بالإنجليزية والاجتماع بالعربية؟

نعم. فرّغ الصوت بالعربية، ثم اطلب من LLM كتابة المحضر بالإنجليزية مع إبقاء الأسماء والأرقام والاقتباسات كما قيلت تمامًا. واحتفظ بالاقتباسات العربية ليتمكن مراجع ثنائي اللغة من التحقق من الترجمة.

### كيف أتعامل مع اللهجة في محضر الاجتماع؟

دع النص المفرّغ يحتفظ باللهجة، لأنها ما قيل فعلًا. واطلب من LLM كتابة المحضر بالعربية الفصحى، وإبقاء كلمات اللهجة بين علامتَي اقتباس حين يكون المعنى مهمًا، كالالتزام أو الرفض.

### هل تستطيع API أن تحدد من قال ماذا؟

فقط إذا أعادت تسميات المتحدثين. التفريغ الصوتي لدى BroadNet يعيد نصًا بسيطًا. فإذا سُجّل كل مشارك على مسار أو قناة منفصلة، ففرّغ كل مسار وحده لتعرف المتحدث؛ وإلا فاستخدم مزوّدًا يدعم تمييز المتحدثين.

### أي نموذج يلخّص اجتماعًا طويلًا؟

اختر نموذجًا بسياق يكفي لأطول نص مفرّغ لديك، ويتقن العربية. على BroadNet، Qwen3.8 27B هو النموذج المختبَر بالعربية بسياق 262,144 رمزًا؛ ويقبل GLM 5.3 وDeepSeek V4.1 Flash حتى 1,048,576 رمزًا. اختبر نموذجين على ثلاثة اجتماعات حقيقية.

### هل إرسال الاجتماعات الداخلية إلى API آمن؟

راجع شروط الاحتفاظ لدى المزوّد أولًا. تذكر BroadNet أنها لا تحتفظ بأي أوامر أو صوت أو إجابات أو نصوص مفرّغة بعد الطلب. ومع ذلك احذف كل ما لا يحتاجه المحضر، مثل أرقام الهواتف الشخصية التي قيلت بصوت عالٍ.

## تابع القراءة

-   [تحويل صوت طويل يتجاوز 25 MB إلى نص: التقسيم والإرسال والدمج](https://broadrouter.com/ar/blog/transcribe-long-audio-files-api/)
-   [API تحويل الصوت العربي إلى نص: كيف تختار الأنسب في 2026؟](https://broadrouter.com/ar/blog/arabic-speech-to-text-api-buyers-guide/)
-   [كيف تفرّغ تسجيلات مراكز الاتصال نصيًا: خط معالجة جاهز للعربية](https://broadrouter.com/ar/blog/transcribe-call-center-recordings/)
-   [وضع JSON أم json\_schema: مخرجات منظَّمة يمكن الاعتماد عليها](https://broadrouter.com/ar/blog/structured-output-json-schema/)
-   [اختيار LLM API للغة العربية: ما الذي تختبره؟](https://broadrouter.com/ar/blog/choosing-an-llm-for-arabic/)
-   [هندسة الأوامر بالعربية: المستوى اللغوي والاتجاه والأرقام والنص المختلط](https://broadrouter.com/ar/blog/arabic-prompt-engineering/)
-   [تلخيص النصوص العربية بنماذج LLM: الأوامر والطول والتقييم](https://broadrouter.com/ar/blog/arabic-text-summarization-llm/)
-   [ترجمة نصية عربية (SRT) من API لتحويل الصوت إلى نص: ما تحتاجه](https://broadrouter.com/ar/blog/arabic-subtitles-srt-api/)
-   [تشكيل النص العربي بنموذج LLM: الأمر والتحقق ومعدل DER](https://broadrouter.com/ar/blog/arabic-diacritization-llm/)
-   [التدقيق الإملائي والنحوي للنص العربي بنموذج LLM: دليل عملي](https://broadrouter.com/ar/blog/arabic-grammar-spelling-correction-llm/)
-   [دليل: API لتحويل الصوت العربي إلى نص خطوة بخطوة](https://broadrouter.com/ar/guides/arabic-speech-to-text-api/)
-   [دليل: لماذا يعيد نموذج الاستدلال إجابة فارغة؟](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**المصادر**

-   [المرجع التقني لواجهة BroadNet Inference: حقول التفريغ الصوتي والرد النصي فقط، والنماذج التي تدعم المخرجات المنظَّمة، والاستدلال المنطقي وmax\_tokens (تاريخ المراجعة 2026-11-15) (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [صفحة أسعار BroadNet Inference: الأسعار بالدقيقة وملاحظة "Tested in Arabic" لنموذج Qwen3.8 27B (تاريخ المراجعة 2026-11-15)](https://inference.broadnet.ai/ar/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [بيان خصوصية BroadNet Inference: لا يُحتفظ بالأوامر أو الصوت أو النصوص المفرّغة (تاريخ المراجعة 2026-11-15)](https://www.broadnet.ai/ar/inference-privacy)
-   [Liu وآخرون، Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172؛ تاريخ المراجعة 2026-11-15)](https://arxiv.org/abs/2307.03172)
-   [دليل تحويل الكلام إلى نص من OpenAI: تجنّب تقسيم الصوت في منتصف الجملة (تاريخ المراجعة 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
