BroadRouter

Arabisches Audio per API ins Englische übersetzen: getestete Pipeline

Vom Team von BroadNet Inference · 8 Min. Lesezeit · Veröffentlicht · Aktualisiert

Arbeiten Sie in zwei Schritten. Transkribieren Sie das arabische Audio mit einer Speech-to-Text-API und language=ar, dann übersetzen Sie das Transkript mit einem LLM, das Namen und Zahlen beibehalten soll. Teilen Sie lange Dateien vorher auf, prüfen Sie Zahlen im Code und bewerten Sie eine kleine Stichprobe mit chrF, um zu sehen, wie viel Qualität der Transkriptionsschritt kostet.

Die meisten Seiten, die zu „arabisches Audio ins Englische übersetzen“ ranken, sind Web-Tools zum Hoch- und Herunterladen. Für eine einzelne Datei reichen sie. Brauchen Sie die Übersetzung in Ihrem eigenen Produkt (Support-Anrufe, Interviews, Sprachnachrichten, Vorlesungen), brauchen Sie zwei API-Aufrufe und ein paar Prüfungen darum herum. Dieser Beitrag baut diese Pipeline mit einem OpenAI-kompatiblen Schlüssel, testet sie und zeigt, wie Sie messen, ob sie gut genug ist.

Zum Übersetzen arabischer Texte, die Sie schon haben, siehe Arabisch–Englisch-Übersetzung mit LLMs. Wenn Sie aus einer Besprechungsaufnahme ein Protokoll statt einer vollständigen Übersetzung machen wollen, siehe arabische Besprechungsprotokolle aus Aufnahmen.

Ein Aufruf oder zwei?

Es gibt zwei Wege, aus arabischer Sprache englischen Text zu bekommen:

Ansatz Funktionsweise Geeignet für
Sprachübersetzung (ein Schritt) Eine Anfrage; der Dienst liefert Englisch Live-Audio, Untertitel, den einfachsten Code
Transkribieren, dann übersetzen (zwei Schritte) Ein Speech-to-Text-Aufruf liefert arabischen Text; ein LLM übersetzt ihn Dateien, wenn Sie auch das Arabische wollen, Glossare und Prüfungen

Der bekannteste einstufige Endpoint für Dateien ändert sich gerade. Der Speech-to-Text-Leitfaden von OpenAI sagt, /v1/audio/translations „uses whisper-1 to translate a completed audio recording into English“ (Übersetzung: „verwendet whisper-1, um eine abgeschlossene Audioaufnahme ins Englische zu übersetzen“). Seine Deprecations-Seite, geprüft am 15.11.2026, nennt als Ankündigungsdatum den 26. August 2026 und als Abschaltdatum den 26. Februar 2027. Der aufgeführte Ersatz ist /v1/realtime/translations, eine Realtime-API, kein Datei-Upload. Ruft Ihr Code den alten Endpoint auf, bauen Sie ihn so oder so neu.

Soniox ist eine aktuelle einstufige Option: Seine Seite für Arabisch zu Englisch zeigt eine WebSocket-Anfrage mit einem Übersetzungsblock, der auf Quelle ar und Ziel en gesetzt ist. Bei Live-Audio ist ein Streaming-Produkt wie dieses am sinnvollsten.

Die zweistufige Pipeline hat für Dateien drei praktische Vorteile:

  1. Sie behalten das arabische Transkript. Sie können es durchsuchen, neben dem Englischen anzeigen und später mit einem besseren Modell neu übersetzen, ohne die Transkription erneut zu bezahlen.
  2. Sie steuern die Übersetzung. Sie wählen das Modell, geben ihm ein Glossar mit Namen und Produktbegriffen und prüfen seine Ausgabe im Code.
  3. Sie sehen, woher Fehler kommen. Ein falscher englischer Satz ist entweder ein Erkennungs- oder ein Übersetzungsfehler. Mit dem Transkript in der Hand erkennen Sie, welcher.

Der Preis ist eine zweite Anfrage und mehr Code. Der Rest dieses Beitrags ist dieser Code.

Wie sieht die Pipeline aus?

recording (.m4a, .mp4, .ogg, .wav)
  → ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
  → transcribe each part (language=ar)        → Arabic text
  → translate each part, with glossary and the end of the previous part as context
  → check numbers and empty or cut-off replies → English text

Schritt 1: Wie bereitet man das Audio vor und teilt es auf?

Der Transkriptions-Endpoint von BroadNet nimmt WAV (audio/wav) oder MP3 (audio/mpeg) bis 26.214.400 Bytes pro Datei an. Telefonaufnahmen (.m4a), WhatsApp-Sprachnachrichten (.ogg) und Video müssen ohnehin umgewandelt werden; resamplen und teilen Sie also im selben ffmpeg-Schritt:

ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav

16-kHz-Mono-Audio mit 16 Bit sind 32.000 Bytes pro Sekunde; ein Teil von 10 Minuten hat also etwa 19,2 MB und liegt unter dem Limit. Wir haben das auf eine Testdatei von 25 Minuten angewendet: Es entstanden zwei Teile mit 19.200.162 und 19.200.194 Bytes und ein Teil von 5 Minuten mit 9.599.878 Bytes.

Schnitte mit fester Länge können ein Wort zerteilen. Bei echter Sprache schneiden Sie besser an Pausen; lange Audiodateien transkribieren enthält einen pausenbasierten Splitter, und das Audio-Splitter-Tool schreibt Ihnen den ffmpeg-Befehl. Hintergrund zur Abtastrate und warum 16 kHz für Sprache genügen, steht im Glossar.

Schritte 2 und 3: Wie transkribiert und übersetzt man?

Das Skript unten sendet jeden Teil an das arabische Transkriptionsmodell und dann an ein Chat-Modell mit einem Übersetzungs-Prompt. Es läuft mit dem OpenAI Python SDK.

import os, re, glob
from openai import OpenAI

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

GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"}  # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""

def glossary_block(text: str) -> str:
    hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
    return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""

def transcribe(path: str) -> str:
    with open(path, "rb") as audio:
        return client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic", file=audio, language="ar").text

def translate(arabic: str, previous: str = "") -> str:
    context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
    choice = r.choices[0]
    if choice.finish_reason == "length" or not choice.message.content:
        raise RuntimeError("cut off: raise max_tokens or send a shorter part")
    return choice.message.content.strip()

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
    nums = re.findall(r"\d+", arabic.translate(DIGITS))
    return [x for x in nums if x not in re.findall(r"\d+", english)]

previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
    arabic = transcribe(chunk)
    english = translate(arabic, previous)
    print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
    if gaps := missing_numbers(arabic, english):
        print(f"CHECK: numbers {gaps} missing from the translation")
    previous = arabic[-500:]

Wozu jeder Teil dient:

  • language="ar". Laut den Docs von BroadNet sollten Sie bei einer Transkriptionsanfrage immer language mitsenden. Der Leitfaden für Speech-to-Text auf Arabisch behandelt die Anfrage im Detail.
  • Der Prompt sagt, woher der Text stammt. Ein Transkript hat keine Satzzeichen, kann im Dialekt sein und Erkennungsfehler enthalten. Weiß das Modell das, behandelt es seltsame Formulierungen nicht als beabsichtigt, und die Markierung [unclear] gibt Prüfern etwas, wonach sie suchen können.
  • Englische Wörter beibehalten. Arabischsprachige wechseln oft mitten im Satz ins Englische („الـ deadline“, „فريق الـ QA“). Das ist Code-Switching, und das Modell sollte diese Wörter in Ruhe lassen, statt sie hin und her zu übersetzen.
  • Glossar pro Teil. Es werden nur die Glossareinträge gesendet, die im jeweiligen Teil vorkommen; das hält die Prompts kurz. Der Abgleich ist exakt; schwankt die Schreibung in Ihren Transkripten (أ gegenüber ا, ة gegenüber ه), normalisieren Sie zuerst beide Seiten. Der arabische Text-Normalisierer zeigt die üblichen Regeln.
  • Vorheriger Teil als Kontext. Die letzten 500 Zeichen des vorherigen arabischen Teils helfen bei Pronomen und bei Sätzen, die an einer Teilgrenze abgeschnitten wurden. Der Prompt sagt, dass dieser Kontext nicht übersetzt werden soll, damit er nicht doppelt erscheint.
  • max_tokens=4000 und reasoning_effort="low". Laut den Docs von BroadNet denken DeepSeek V4.1 Flash, GLM 5.3 und Qwen3.8 27B vor der Antwort nach, und das Reasoning zählt zu max_tokens. Ein kleines Limit kann eine leere Antwort liefern; siehe Reasoning-Tokens und leere Antworten. Der Code löst bei einer leeren oder abgeschnittenen Antwort einen Fehler aus, statt eine halbe Übersetzung zu speichern.
  • Zahlenprüfung. Bei Zahlen richtet eine falsche Übersetzung den größten Schaden an. Die Prüfung bildet arabisch-indische Ziffern (٠-٩) und persische Ziffern (۰-۹) auf 0-9 ab und bestätigt, dass jede Zahl im Englischen vorkommt. Als Wörter gesprochene Zahlen („خمسة عشر“) werden nicht erfasst; alles Wichtige liest also weiterhin ein Prüfer.

Was hat der Test gezeigt?

Wir haben das Skript gegen einen lokalen Mock-Server laufen lassen, der beide Endpoints implementiert (kein Aufruf der echten API). Die drei Teile aus der Testdatei von 25 Minuten wurden mit model=broadnet/cohere-transcribe-arabic und language=ar gesendet, und jede Chat-Anfrage enthielt die Glossarzeilen für diesen Teil und den vorherigen arabischen Teil als Kontext. Die dritte Übersetzung des Mocks ließ absichtlich eine Zahl weg, und das Skript gab aus:

--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation

Die arabischen Sätze und die Firma sind für den Test erfunden. Der Lauf zeigt, dass der Code funktioniert, nicht wie gut die Übersetzung irgendeines Modells ist; dafür nutzen Sie den Bewertungsschritt unten.

Wie wirken sich Erkennungsfehler auf die Übersetzung aus?

Sie gehen direkt durch. Steht im Transkript ٢١٤, wo der Sprecher ٢٤٠ sagte, sagt die Übersetzung getreu 214. Wird ein Dialektwort als ähnlich klingendes Standardwort missverstanden, ist die Übersetzung flüssig und falsch. Flüssiges Englisch macht diese Fehler schwer erkennbar; das ist das Hauptrisiko jedes Systems für Sprachübersetzung.

Sie können messen, wie viel des Fehlers aus welchem Schritt stammt. Sammeln Sie 30 oder mehr Clips und beschaffen Sie für jeden:

  1. ein menschliches arabisches Transkript,
  2. eine menschliche englische Übersetzung (die Referenz).

Übersetzen Sie dann sowohl das menschliche Transkript als auch das ASR-Transkript mit Ihrer Pipeline und bewerten Sie beide gegen die Referenz. chrF, ein Wert auf Basis von Zeichen-N-Grammen, kommt mit Namen und Wortformen besser zurecht als BLEU und ist für Arabisch–Englisch der übliche Standard; SacreBLEU berechnet beide:

from sacrebleu.metrics import BLEU, CHRF

# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
        "The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
             "The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
            "The deadline is 15 December, and Mazen is following up with the key team."]

chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
    print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f}   BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")

Bei diesen zwei Spielzeug-Sätzen (SacreBLEU 2.6.0) gab es chrF 94,6 und BLEU 89,2 für den Weg über das menschliche Transkript aus, und chrF 87,1 und BLEU 71,7 für die vollständige Pipeline. Zwei Spielzeug-Sätze beweisen nichts über ein Modell. Bei Ihren eigenen Clips bedeutet ein großer Abstand, dass Sie die Erkennung verbessern sollten: besseres Audio, ein Dialekt-Testset wie unter Spracherkennung für arabische Dialekte oder ein anderer Anbieter. Ein kleiner Abstand bei insgesamt niedrigen Werten bedeutet, dass der Übersetzungsschritt Arbeit braucht: ein besserer Prompt, ein Glossar oder ein anderes Modell. Um den Transkriptionsschritt allein zu bewerten, verwenden Sie die Wortfehlerrate.

Automatische Werte bringen Systeme in eine Rangfolge; sie geben keine Übersetzung frei. Lassen Sie eine zweisprachige Person eine Stichprobe lesen, besonders Zahlen, Namen und Verneinungen.

Welche Modelle sollten Sie verwenden?

Schritt BroadNet-Modell Preis Hinweise
Transkribieren BroadNet Transcribe Arabic $0.0042 pro Minute ($0.25 pro Stunde) Nur Arabisch; mit dem Startguthaben von $5 nutzbar
Übersetzen Qwen3.8 27B $0.175 Input, $2.17 Output pro 1 Mio. Tokens Reasoning-Modell; Kontext von 262.144 Tokens; braucht eine Aufladung
Übersetzen Gemma 4 VL 26B $0.10 Input, $0.22 Output pro 1 Mio. Tokens Mit dem Startguthaben nutzbar; Kontext von 32.768 Tokens, meist genug für einen Teil von 10 Minuten; prüfen Sie eine Stichprobe im Token-Zähler. Entfernen Sie reasoning_effort, das BroadNet nur für seine Reasoning-Modelle dokumentiert
Übersetzen DeepSeek V4.1 Flash $0.175 Input, $0.52 Output pro 1 Mio. Tokens oder eine Flatrate-Session Reasoning-Modell; bei einem Partner gehostet; braucht eine Aufladung oder einen Plan

Lassen Sie das Bewertungsskript mit jedem Übersetzungsmodell über dieselben Clips laufen und entscheiden Sie nach den Werten und den Notizen des Prüfers, nicht nach unserer Tabelle. Ein LLM für Arabisch wählen behandelt die größeren Abwägungen.

Was kostet eine Stunde Audio?

Es gibt zwei Teile:

  • Transkription wird pro Audiominute abgerechnet: $0.25 pro Stunde bei BroadNet Transcribe Arabic.
  • Übersetzung wird pro Token abgerechnet: prompt_tokens × input price + completion_tokens × output price, geteilt durch 1.000.000. Der Prompt umfasst den System-Prompt, die Glossarzeilen, den Kontext aus dem vorherigen Teil und das Transkript. Die Completion umfasst das Englische und bei Reasoning-Modellen die Reasoning-Tokens.

Wir veröffentlichen keine einzelne Zahl für die Übersetzung pro Stunde, weil sie davon abhängt, wie schnell Menschen sprechen, vom Dialekt und davon, wie viel das Modell nachdenkt. Messen Sie es: Lassen Sie eine typische Stunde laufen, summieren Sie usage.prompt_tokens und usage.completion_tokens aus den Antworten und tragen Sie sie in den LLM-API-Kostenrechner ein. Bevor Sie Audio haben, können Sie ein Beispieltranskript in den arabischen Token-Zähler einfügen; Arabisch braucht meist mehr Tokens pro Wort als Englisch, wie Tokens pro Wort auf Arabisch und Englisch zeigt. Der Speech-to-Text-Kostenrechner berechnet die Audioseite.

Bei einem großen Rückstand nimmt eine Flatrate-Session für DeepSeek V4.1 Flash den Token-Zähler aus dem Übersetzungsschritt: $1 pro Stunde, $15 pro Woche oder $60 pro Monat und Session. Eine Session verarbeitet jeweils eine Anfrage; parallele Worker brauchen also mehr Sessions. Die Transkription wird weiterhin pro Minute abgerechnet.

Wann ist diese Pipeline die falsche Wahl?

  • Live-Audio. Anrufe, Live-Untertitel und Voice Agents brauchen Streaming-Ergebnisse innerhalb von Sekunden. Eine Streaming-API für Sprachübersetzung oder ein Realtime-Endpoint passt besser als Datei-Uploads.
  • Untertitel. Die Transkriptionsantwort von BroadNet ist reiner Text ohne Zeitstempel. Arabische Untertitel mit einer reinen Text-API zeigt, wie weit Sie mit den Offsets der Teile kommen; für Timing auf Wortebene nutzen Sie einen Anbieter, der Zeitstempel liefert.
  • Sprachen, die BroadNet nicht transkribiert. Das arabische Modell verarbeitet Arabisch. Für andere Ausgangssprachen prüfen Sie zuerst die Liste der 14 Sprachen des mehrsprachigen Modells.
  • Juristische oder medizinische Dokumentation. Nutzen Sie die Pipeline für einen Entwurf und eine menschliche Übersetzung für das Dokument.

Wo BroadNet Inference einzuordnen ist

BroadRouter ist die eigene Website von BroadNet. BroadNet Inference bietet beide Schritte dieser Pipeline mit einem OpenAI-kompatiblen Schlüssel: arabische Transkription über /v1/audio/transcriptions und Übersetzung über /v1/chat/completions. Es hat keinen einstufigen Endpoint für Sprachübersetzung und keine Streaming-Transkription; für Live-Audio nutzen Sie also einen anderen Anbieter. Laut seiner Datenschutzerklärung werden Inferenzinhalte, einschließlich Audio, Transkripten und Antworten, nicht gespeichert; notwendige Konto-, Abrechnungs- und Sicherheitsmetadaten werden gespeichert. Beginnen Sie mit der Seite zur arabischen Transkription oder der API-Referenz und testen Sie mit Ihren eigenen Aufnahmen, bevor Sie sich auf die Ausgabe verlassen.

Häufige Fragen

Kann ich arabisches Audio mit einem einzigen API-Aufruf ins Englische übersetzen?

Ja, mit einer API für Sprachübersetzung wie Soniox, die ihrer Speech-to-Text-Anfrage eine Übersetzungseinstellung hinzufügt. Der Endpoint /v1/audio/translations von OpenAI macht dasselbe für Dateien, ist aber veraltet; die Abschaltung ist für den 26. Februar 2027 angekündigt. Eine zweistufige Pipeline braucht zwei Aufrufe und liefert Ihnen zusätzlich das arabische Transkript.

Was ist besser, direkte Sprachübersetzung oder erst transkribieren, dann übersetzen?

Testen Sie beides mit Ihrem eigenen Audio. Beim Transkribieren-dann-Übersetzen wählen Sie das Übersetzungsmodell, ergänzen ein Glossar, prüfen Zahlen und behalten den arabischen Text. Eine einstufige API ist einfacher und für Live-Audio meist besser. Bewerten Sie 30 oder mehr Clips mit chrF gegen menschliche Übersetzungen, bevor Sie sich entscheiden.

Kommt die Pipeline mit ägyptischem, Golf- oder levantinischem Arabisch zurecht?

Das entscheidet größtenteils der Transkriptionsschritt; testen Sie also Aufnahmen in den Dialekten, die Sie bedienen. Sagen Sie dem Übersetzungsmodell dann, dass das Transkript im Dialekt sein und englische Wörter enthalten kann. Dialektwörter, die ein Sprachmodell selten gesehen hat, sind die Hauptquelle von Fehlern.

Wie übersetze ich eine arabische Audiodatei, die größer als 25 MB ist?

Wandeln Sie sie in 16-kHz-Mono-WAV um und teilen Sie sie mit ffmpeg in Teile von höchstens 10 Minuten; jeder Teil hat etwa 19,2 MB. Transkribieren Sie jeden Teil und übersetzen Sie die Teile dann der Reihe nach, wobei Sie das Ende des vorherigen Teils als Kontext mitgeben.

Bekomme ich auf diesem Weg englische Untertitel mit Zeitstempeln?

Nicht direkt von BroadNet: Seine Transkriptionsantwort ist reiner Text ohne Zeitstempel. Sie können Untertitel über die Offsets der Teile timen, wie in unserem Beitrag über arabische Untertitel, oder einen Anbieter nutzen, der Zeitstempel pro Wort oder Segment liefert.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen