BroadRouter
ابدأ الآن

نص أم صوت أم رؤية؟ ابدأ من المهمة

بقلم فريق BroadNet Inference · قراءة في 7 دقائق · تاريخ النشر

ابدأ من المدخلات والمخرجات. نص يدخل ونص يخرج: هذه محادثة. صورة أو مستند ممسوح يدخل ونص يخرج: محادثة مع صورة، على نموذج يقبل الصور. كلام مسجَّل يدخل ونص يخرج: تفريغ صوتي؛ ومن الكلام إلى إجابة: تفريغ ثم محادثة. لا تقدّم BroadNet تحويل النص إلى كلام ولا توليد الصور ولا التضمينات.

«أي نموذج نستخدم؟» هو السؤال الثاني. أما الأول فهو «ما الذي يدخل، وما الذي يجب أن يخرج؟». صورة فاتورة، ورسالة صوتية من عميل، وسؤال مكتوب: كل منها يذهب إلى نوع مختلف من نقاط النهاية، ولكل نقطة نهاية نماذجها وحدودها وأنماط فشلها. اختر المهمة أولًا، فتتقلّص قائمة النماذج إلى اثنين أو ثلاثة.

يربط هذا الدليل المهام الشائعة بأنواع المدخلات، ثم بما توثّقه BroadNet Inference لكل منها. BroadRouter هو موقع BroadNet نفسها؛ وحقائق النماذج أدناه مأخوذة من ملف الأسعار والمرجع التقني للواجهة لدى BroadNet، وقد روجعت في 15 نوفمبر 2026.

أي نوع من المدخلات تحتاجه مهمتك؟

مهمتك المدخلات المخرجات نقطة النهاية نماذج BroadNet
الإجابة عن نص أو تلخيصه أو تصنيفه أو ترجمته نص نص Chat completions أي من نماذج المحادثة الأربعة
استدعاء دوالّك أو أدواتك نص استدعاءات أدوات Chat completions GLM 5.3 وQwen3.8 27B (موثَّقان)
قراءة صورة أو مستند ممسوح أو لقطة شاشة أو نموذج ورقي صورة + نص نص أو JSON Chat completions مع صورة DeepSeek V4.1 Flash وQwen3.8 27B وGemma 4 VL 26B
تحويل تسجيل أو رسالة صوتية إلى نص ملف صوتي نص Audio transcriptions Transcribe Arabic وTranscribe (14 لغة)
تلخيص مكالمة أو الرد على رسالة صوتية ملف صوتي نص تفريغ ثم محادثة واحد من كلٍّ منهما
نطق الإجابة بصوت مسموع نص صوت تحويل النص إلى كلام غير متاح
إجراء محادثة صوتية مباشرة تدفق صوتي صوت صوت فوري غير متاح
إنشاء صورة نص صورة توليد الصور غير متاح
بحث دلالي في المستندات نص متجهات التضمينات غير متاح

«الرؤية» في هذا الجدول تعني فهم الصور: يقرأ النموذج صورة ترسلها إليه. ولا تعني توليد الصور. ويشرح مدخل المسرد نموذج الرؤية اللغوي الفرق.

ما الفرق بين المحادثة والتفريغ الصوتي؟

هما نقطتا نهاية مختلفتان، بشكل طلب ووحدة محاسبة ونماذج مختلفة.

المحادثة (POST /v1/chat/completions) تأخذ قائمة رسائل بصيغة JSON وتعيد نصًا. تُحاسَب لكل رمز (توكن)، الإدخال والإخراج كلٌّ على حدة، ولكل نموذج نافذة سياق تتسع للأمر والإجابة معًا. في BroadNet، ثلاثة من نماذج المحادثة الأربعة تستدل منطقيًا قبل الإجابة، وهذا الاستدلال يُحتسب ضمن max_tokens، فاترك له مجالًا (رموز الاستدلال المنطقي والإجابات الفارغة).

التفريغ الصوتي (POST /v1/audio/transcriptions) يأخذ ملفًا صوتيًا كرفع multipart ويعيد النص المفرّغ. يُحاسَب لكل دقيقة صوت. يحدّد توثيق BroadNet صيغة WAV أو MP3 حتى 26,214,400 بايت لكل ملف، ويطلب إرسال language دائمًا، لأن العربية قد تعود بخلاف ذلك مكتوبة بحروف لاتينية.

النموذج اللغات السعر
BroadNet Transcribe Arabic العربية: الخليجية والمصرية والشامية والمغاربية والفصحى، وفق BroadNet $0.0042 للدقيقة (نحو $0.25 للساعة)
BroadNet Transcribe 14 لغة، منها الإنجليزية والإسبانية والفرنسية والماندرين والعربية $0.002 للدقيقة (نحو $0.12 للساعة)

نموذج المحادثة في BroadNet لا يقبل الصوت، ونموذج التفريغ لا يجيب عن الأسئلة. والمساعد الصوتي الذي يرد نصًا هو استدعاءان: تفريغ ثم محادثة. ويبني مقال محاضر الاجتماعات العربية من التسجيلات هذه السلسلة تحديدًا.

أي النماذج تقبل الصور؟

تلك التي يذكر مدخلها في ملف الأسعار image ضمن modalities. في 15 نوفمبر 2026:

النموذج المدخلات السياق الإدخال / الإخراج لكل مليون رمز الوصول
DeepSeek V4.1 Flash نص، صورة 1,048,576 $0.175 / $0.52 يتطلب شحن الرصيد
Qwen3.8 27B نص، صورة 262,144 $0.175 / $2.17 يتطلب شحن الرصيد
Gemma 4 VL 26B نص، صورة 32,768 $0.10 / $0.22 الرصيد الابتدائي $5
GLM 5.3 نص فقط 1,048,576 $0.78 / $3.46 يتطلب شحن الرصيد

أرسل الصورة كرابط data: داخل محتوى الرسالة، بنوع MIME صحيح. يقول توثيق BroadNet إن الرؤية متاحة “only where the model row explicitly says images or vision” (الترجمة: فقط حيث يذكر صف النموذج صراحةً الصور أو الرؤية). ولا يُدرج التوثيق صيغ الصور المقبولة، فاختبر كل صيغة تنوي قبولها. بمفتاح الدفع حسب الاستخدام تُحاسَب الصورة كرموز إدخال، والصورة الأكبر تستهلك أكثر؛ فغيّر حجمها قبل الإرسال وقدّر الرموز بـحاسبة رموز الصور. أما استخراج بيانات المستندات من البداية إلى النهاية ففي مقال استخراج البيانات من المستندات بنموذج LLM للرؤية.

كيف توجّه كل نوع من المدخلات في الشيفرة؟

تختار هذه الدالة نقطة النهاية من نوع الملف، وتتحقق من الحدود الموثَّقة قبل الإرسال، وتقرأ قائمة النماذج القادرة على قراءة الصور من ملف الأسعار الحي بدل كتابتها يدويًا. وتستخدم OpenAI Python SDK، الذي يعمل مع BroadNet بعد تغيير العنوان الأساسي (base URL) (دليل الإعداد).

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}")

اختبرناها مع توجيه BROADNET_BASE_URL إلى خادم محاكاة محلي (دون أي استدعاء حي للواجهة) ومع ملف الأسعار الحي. وصل كلٌّ من النص، وملف WAV، وملف WAV مع مهمة لاحقة، وملف PNG إلى نقطة النهاية الصحيحة في خادم المحاكاة. وإرسال ملف PNG مع chat_model="broadnet/glm-5.3" رُفض قبل أي طلب، مع سرد المعرّفات الثلاثة القادرة على قراءة الصور من ملف الأسعار. ورُفض ملف .ogg مع أمر ffmpeg اللازم لتحويله؛ ويتناول دليل تفريغ رسائل WhatsApp الصوتية هذه الخطوة. والتسجيلات التي تتجاوز الحد الأقصى للحجم تحتاج إلى تقسيم؛ ويبني مقسّم الصوت أوامر ffmpeg اللازمة.

ماذا لو كان المستند نصًا بالفعل؟

عندها لا ترسل صورة منه. ملف PDF المصدَّر من نظام محاسبة أو معالج نصوص يحتوي عادةً على طبقة نصية؛ استخرجها بمكتبة PDF وأرسل النص إلى نموذج محادثة. هذا أرخص من صورة بمفتاح الدفع حسب الاستخدام، ويتجنّب أخطاء القراءة، ويعمل على GLM 5.3 أيضًا. واترك الرؤية للمستندات الممسوحة، وصور الهاتف، وخط اليد، والأختام، ولقطات الشاشة، حيث لا توجد طبقة نصية تُستخرج.

قاعدة مفيدة في خط معالجة المستندات: جرّب استخراج النص أولًا، وتحقّق مما إذا كان قد أعاد نصًا حقيقيًا (لا صفحات فارغة أو حروفًا مشوّهة)، وارجع إلى الصورة فقط إذا لم يفعل. وفي ملفات PDF العربية، اقرأ عيّنة من النص المستخرج قبل الوثوق به: فبحسب طريقة إنتاج الملف، قد يعيد الاستخراج الحروف العربية بترتيب خاطئ أو بأشكال عرض منفصلة غير موصولة. ويتناول مقال التعرّف الضوئي على النص العربي بنموذج LLM للرؤية الحالات التي تكون فيها الصورة المصدر الأفضل.

كيف تُقارَن التكاليف؟

يُحاسَب كل نوع من المدخلات بوحدته الخاصة، لذا قارن لكل مهمة لا لكل طلب:

  • النص يُحاسَب لكل رمز إدخال وإخراج. وكثيرًا ما تحتاج العربية إلى رموز أكثر من الإنجليزية للمحتوى نفسه؛ وتقيس ذلك أداة عدّ الرموز العربية.
  • الصور في الدفع حسب الاستخدام رموز إدخال بسعر الإدخال للنموذج، لذا قد تكلّف صورة كبيرة أكثر من صفحة نص. وفي خطة جلسات DeepSeek تدخل الصور ضمن السعر الثابت.
  • الصوت يُحاسَب لكل دقيقة صوت، أيًّا كان ما يُقال. في BroadNet تبلغ تكلفة 10,000 رسالة صوتية عربية مدة كل منها 30 ثانية نحو $21.00 بالنموذج العربي. وتحسب حاسبة تكلفة تحويل الكلام إلى نص الأحجام الأخرى.

والسلسلة تجمع أجزاءها: الرسالة الصوتية التي يرد عليها نموذج محادثة تكلّف دقائق التفريغ مضافًا إليها رموز المحادثة للنص المفرّغ والإجابة. وتتولّى حاسبة تكلفة LLM API جانب المحادثة.

ما غير المتاح، وماذا تفعل بدلًا منه؟

يوثّق المرجع التقني لواجهة BroadNet نقطتَي نهاية للاستدلال: chat completions والتفريغ الصوتي. لذا لا يوجد:

  • تحويل النص إلى كلام. لا توجد /v1/audio/speech. إذا كان منتجك يجب أن يرد بالكلام، فاجمع التفريغ والمحادثة لدى BroadNet مع خدمة TTS منفصلة.
  • الصوت المباشر. يأخذ التفريغ ملفًا مرفوعًا، لا تدفقًا صوتيًا حيًا. ولوكيل هاتفي يجب أن يرد أثناء المكالمة، تحتاج إلى منظومة صوت فوري في مكان آخر. ويعرض مقال تسجيل الصوت من المتصفح للتفريغ البديل القائم على الملفات.
  • توليد الصور. الرؤية هنا تقرأ الصور؛ ولا تنشئها.
  • التضمينات. لا توجد /v1/embeddings. للاسترجاع تحتاج إلى نموذج تضمين من مزود آخر أو مستضاف ذاتيًا؛ وتقارن حاسبة تكلفة التضمينات الأسعار.

تُدرج القائمة البحثية لدى BroadNet فعلًا نماذج لتحويل النص إلى كلام وتوليد الصور والتضمين، معلَّمة على أنها مقيَّمة في مختبرها. وهذا يسجّل ما اختبرته BroadNet، لا ما تبيعه واجهتها؛ ويشرح مقال قراءة قائمة النماذج الفرق.

لماذا تحتاج إلى مجموعة تقييم منفصلة لكل نوع من المدخلات؟

لأن كل نوع من المدخلات يفشل بطريقة مختلفة، والمتوسط عبرها يخفي حالات الفشل.

  • النص: قيّم على رسائل مستخدمين حقيقية، مع فحوص برمجية حيث أمكن. والطريقة في مقال تقييم نموذج LLM قبل الانتقال إليه.
  • الصور: استخدم صورًا حقيقية بجودة حقيقية: صور هاتف مائلة، وإيصالات باهتة، وأختام فوق النص. قيّم كل حقل على حدة. فملف PDF نظيف يحقق درجات أعلى بكثير من الصور التي سيرسلها مستخدموك.
  • الكلام: قِس معدل خطأ الكلمات على تسجيلاتك أنت، مقسّمًا حسب اللهجة والمتحدث وجودة الخط، وافحص الكلمات المهمة (الأسماء والأرقام والمبالغ) على حدة. راجع شرح WER في التعرّف على الكلام العربي.
  • السلاسل: حين يغذّي الكلامُ نموذجَ محادثة، قيّم الخطوتين والنتيجة النهائية. فالرقم المسموع خطأً يصبح إجابة خاطئة واثقة، ولا يكشف تكرار ذلك إلا اختبار شامل من البداية إلى النهاية.

أبقِ المجموعات منفصلة، وأعطها أرقام إصدارات، وأعد تشغيل المجموعة المعنية كلما غيّرت نموذجًا أو أمرًا.

أين يأتي دور BroadNet Inference؟

تغطي BroadNet Inference الصفوف الخمسة الأولى من جدول المهام بمفتاح واحد وعنوان أساسي واحد: المحادثة النصية، واستدعاء الأدوات على GLM 5.3 وQwen3.8 27B، وفهم الصور على ثلاثة نماذج، والتفريغ الصوتي العربي أو متعدد اللغات. يعمل Gemma 4 VL 26B ونموذجا التفريغ كلاهما على الرصيد الابتدائي $5؛ أما DeepSeek وGLM وQwen فتحتاج إلى شحن الرصيد. لا يُحتفظ بمحتوى الاستدلال؛ ويُحتفظ ببيانات الحساب والفوترة والأمان الوصفية الضرورية كما يبيّن بيان الخصوصية لدى BroadNet. وللنطق، أو توليد الصور، أو الصوت المباشر، أو التضمينات، استخدم خدمة أخرى. وأسعار كل ما سبق في صفحة الأسعار.

أسئلة شائعة

أي نموذج ذكاء اصطناعي أستخدم للصور؟

نموذج يقبل إدخال الصور عبر الواجهة التي تستخدمها. في BroadNet Inference هي DeepSeek V4.1 Flash أو Qwen3.8 27B أو Gemma 4 VL 26B، وفق ملف الأسعار لديها؛ أما GLM 5.3 فيقبل النص فقط. أرسل الصورة كرابط data داخل رسالة المحادثة.

هل يستطيع نموذج المحادثة تفريغ الصوت؟

ليس في BroadNet Inference. يذهب الصوت إلى نقطة نهاية التفريغ /v1/audio/transcriptions مع نموذج تفريغ. وإذا احتجت بعدها إلى ملخّص أو إجابة، فأرسل النص المفرّغ إلى نموذج محادثة كخطوة ثانية.

هل تقدّم BroadNet Inference تحويل النص إلى كلام أو توليد الصور؟

لا. يوثّق المرجع التقني لديها chat completions والتفريغ الصوتي فقط. تظهر نماذج تحويل النص إلى كلام وتوليد الصور في القائمة البحثية لدى BroadNet على أنها مقيَّمة، وهذا ليس كأنها معروضة للاستخدام.

ما صيغ الصوت التي تقبلها BroadNet؟

WAV (audio/wav) أو MP3 (audio/mpeg)، حتى 26,214,400 بايت لكل ملف. حوّل الصيغ الأخرى أولًا بـffmpeg، مثل الرسالة الصوتية بصيغة ogg. من WhatsApp، وأرسل معامل اللغة دائمًا.

كيف تُحاسَب الصورة؟

بمفتاح الدفع حسب الاستخدام، تحاسب BroadNet الصورة كرموز إدخال بسعر الإدخال للنموذج، والصورة الأكبر تستهلك رموزًا أكثر. وفي خطة جلسات DeepSeek تدخل الصور ضمن السعر الثابت.

اقرأها بصيغة Markdownاسأل ChatGPTاسأل Claudeاسأل Perplexity