BroadRouter

API de voz a texto en árabe: cómo elegir una en 2026

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado · Actualizado

Elija una API de voz a texto en árabe probándola con sus propias grabaciones: mida la tasa de error de palabras en sus dialectos y luego compare el precio por hora de audio, los límites de archivo y la retención de datos. BroadNet Transcribe Arabic cuesta $0.25 por hora de audio ($0.0042 por minuto), y el Open Universal Arabic ASR Leaderboard lo situó #4 de 39 el 15 de noviembre de 2026.

Para elegir una API de voz a texto en árabe, transcriba con cada candidata de 30 a 50 de sus propios clips por dialecto, compare la tasa de error de palabras por dialecto y luego valore el precio por hora de audio, los límites de archivo, la necesidad de streaming y la retención de datos. Un modelo que luce muy bien en un benchmark puede fallar con el audio de su centro de llamadas.

El árabe es difícil para el reconocimiento de voz: un único estándar escrito convive con muchos dialectos hablados, los hablantes cambian al inglés a mitad de frase y la mayor parte del audio real son llamadas telefónicas y notas de voz.

¿Por qué lo que más importa es la tasa de error de palabras con su propio audio?

La tasa de error de palabras (WER) es la proporción de palabras en las que el modelo se equivoca: sustituidas, omitidas o inventadas. Menos es mejor. Las cifras públicas son un punto de partida:

Conjunto de prueba Qué es BroadNet Transcribe Arabic ElevenLabs Scribe v2 Whisper large-v3
FLEURS-ar Oraciones leídas, audio limpio 3.8 no publicado no publicado
MASC-ar Habla árabe real y variada 21.1 22.3 31.5
Conjunto de dialectos de BroadNet Habla del Golfo, egipcia y levantina 23.4 25.6 31.8

Son mediciones de laboratorio de BroadNet, publicadas en su catálogo de modelos y en su página de Transcribe Arabic. BroadNet hizo la comparación ella misma, así que tome las columnas de ElevenLabs y Whisper como la prueba de un proveedor sobre sus competidores, no como un resultado independiente. BroadNet también reporta que el modelo está #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard, y en el #1 entre los modelos cuyas licencias permiten servirlos mediante una API. El 15 de noviembre de 2026, las tres entradas por encima eran Jais-ASR, Sygma-ASR-Arabic (que la clasificación describe como decodificación por haz sobre el modelo de Cohere) y Audar-ASR-V1-Turbo; Whisper large-v3 estaba en el #19. No hemos comprobado la licencia de cada entrada.

Puede escuchar el modelo con su propia voz antes de registrarse: el playground en el navegador de BroadNet transcribe hasta 60 segundos de audio en árabe o inglés sin cuenta. Consulte cómo usar el playground.

La distancia entre 3.8 y 23.4 es la lección: el mismo modelo puede ser casi perfecto con habla leída y mucho más débil con conversación en dialecto. Pruebe con la suya.

Tenga cuidado, en general, con las cifras de los proveedores. Muchas cifras de WER en árabe publicadas proceden de la prueba del propio proveedor, con audio que usted no puede ver. Una cifra solo es comparable cuando el conjunto de prueba, la normalización y la herramienta de evaluación son los mismos.

Para el panorama completo, nuestro índice abierto de precios de API de voz a texto recoge precios por lotes y de streaming, incrementos de facturación y compatibilidad con el árabe de más de 20 productos, cada uno verificado en la página de precios del propio proveedor (CSV y JSON).

¿Cómo se comprueba la cobertura de dialectos?

Agrupe sus archivos de prueba por dialecto: del Golfo (jaliyí), egipcio, levantino, iraquí, magrebí, además del árabe estándar moderno. Evalúe cada grupo por separado. Si la mayoría de sus clientes están en Riad, el WER del Golfo importa mucho más que un promedio.

Preste atención a la alternancia de idiomas. El habla de negocios del Golfo intercala nombres de productos y números en inglés. Compruebe cómo salen los números, las fechas y los nombres, porque son las palabras sobre las que actúa su sistema posterior. BroadNet ofrece, bajo pedido, un modelo árabe con fine-tuning para números, fechas y nombres en audio con ruido.

¿Cuánto cuesta la transcripción en árabe por hora de audio?

Compare por hora de audio, porque así se mide su volumen:

Modelo Por minuto Por hora 1,000 horas
BroadNet Transcribe Arabic $0.0042 $0.25 $252.00
BroadNet Transcribe (14 idiomas) $0.002 $0.12 —
Soniox asíncrono (archivo), más de 60 idiomas unos USD 0.0017 (derivado) unos USD 0.10 unos USD 100
Soniox en tiempo real (streaming) unos USD 0.002 (derivado) unos USD 0.12 unos USD 120

Las filas de Soniox proceden de los precios de Soniox, consultados el 14 de noviembre de 2026. Soniox factura por token (unos 30,000 tokens de audio por hora) y presenta las cifras por hora como aproximaciones.

Soniox es más barato por hora que BroadNet. Su tarifa por archivo es menos de la mitad de los $0.25 de BroadNet Transcribe Arabic y está por debajo de los $0.12 de BroadNet Transcribe. Su tarifa en tiempo real iguala a BroadNet Transcribe y sigue siendo inferior a la del modelo árabe, y BroadNet no documenta en absoluto el streaming en tiempo real. Soniox incluye el árabe (ar) entre sus idiomas compatibles y muestra una sola tarifa para todos los idiomas. No publica precios específicos para el árabe, cifras de WER en árabe ni cobertura de dialectos, así que el precio está claro, pero la precisión no. Haga la misma prueba de dialectos con ambos antes de decidir por precio.

Para una bandeja de soporte, 10,000 notas de voz de WhatsApp de 30 segundos cada una cuestan $21.00 con el modelo árabe. El cálculo es 10,000 × 0.5 minutes × $0.0042. Calcule su propio volumen con la calculadora de costos de voz a texto.

Al comparar proveedores, revise la unidad de facturación además de la tarifa: por segundo, por minuto o por bloque iniciado, y si hay un cargo mínimo por archivo. Las notas de voz cortas son donde se nota el redondeo de la facturación. Para las tarifas por minuto de otros proveedores, verificadas en sus páginas de precios, consulte precios de API de voz a texto comparados; si está dejando el endpoint de OpenAI, consulte la lista de comprobación de alternativas a la API de Whisper. La comparación de Transcribe y Transcribe Arabic muestra cuándo basta con el modelo de 14 idiomas, más barato.

¿Qué funciones debería tener una API de voz a texto en árabe?

No todos los productos necesitan todas las funciones. Decida cuáles importan antes de comparar:

Función Por qué importa Qué preguntar
Carga de archivos por lotes Notas de voz, grabaciones, archivos históricos Formatos y tamaño máximo de archivo
Streaming en tiempo real Subtítulos en vivo, agentes de voz Latencia, y si es un producto aparte
Etiquetas de hablante (diarización) Llamadas entre agente y cliente ¿Solo por lotes, o también en vivo?
Marcas de tiempo por palabra Subtítulos, búsqueda, herramientas de revisión ¿A nivel de palabra o de segmento?
Alternancia de idiomas Árabe con términos en inglés ¿Requiere un solo idioma por solicitud?
Retención de datos Las llamadas contienen datos personales ¿Se guarda el audio o el texto, y durante cuánto tiempo?

Lo que BroadNet documenta hoy: transcripción por lotes mediante el endpoint /v1/audio/transcriptions, compatible con OpenAI, entrada WAV o MP3, un campo language y cero retención de datos. Para cualquier otra cosa de esta lista, consulte la referencia de la API antes de contar con ella.

¿Qué límites de archivo y formatos se aplican?

  • Tamaño de archivo. BroadNet acepta WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por archivo. Un archivo mayor devuelve 413; divida las grabaciones más largas.
  • Formatos. Convierta primero las notas de voz .ogg y las grabaciones .m4a; la guía de notas de voz de WhatsApp incluye la línea de ffmpeg.
  • El campo language. Envíe language=ar. Sin él, el árabe puede volver transliterado a letras latinas.
  • Límites de tasa. Una clave de pago por uso permite 30 solicitudes por minuto y 4 a la vez. Para una gran acumulación de archivos, póngalos en cola y reintente los 429 con backoff; consulte errores y reintentos.

¿Se almacena el audio?

Las notas de voz y las llamadas contienen nombres, números de teléfono y datos de salud o bancarios. Pregunte a cada proveedor si conserva el audio y las transcripciones, y durante cuánto tiempo. BroadNet Inference no conserva ninguno de los dos; consulte cero retención de datos y nuestra lista de comprobación de ZDR.

¿Cómo se prueba una API de transcripción en árabe en una tarde?

  1. Reúna de 30 a 50 clips reales por dialecto de su canal de producción. Elimine todo lo que no pueda compartir.
  2. Escriba a mano la transcripción correcta de 10 clips por dialecto, con una convención ortográfica acordada.
  3. Transcriba cada clip con cada API candidata. La guía paso a paso para árabe tiene código curl y Python para BroadNet.
  4. Normalice ambos textos de la misma manera y calcule el WER y el CER por dialecto. El WER en árabe explicado incluye la función de normalización en Python y muestra por qué omitirla puede convertir una transcripción perfecta en un 75% de WER.
  5. Lea usted mismo 20 transcripciones. Un WER bajo puede seguir ocultando números o nombres incorrectos.

Cómo elegir los clips, escribir las referencias y evaluar cada grupo de dialecto se explica en detalle en reconocimiento de voz en dialectos árabes.

Errores comunes

  • Probar solo audio limpio. Use grabaciones reales de teléfono y notas de voz.
  • Un único WER promedio. Un buen promedio puede ocultar un dialecto que usan sus clientes.
  • Omitir el campo language. Una salida transliterada se evalúa como casi todo errores.
  • Ignorar los números. Revise a mano dígitos, fechas e importes; son aquello sobre lo que actúa su sistema.

Dónde encaja BroadNet Inference

BroadNet Transcribe Arabic es adecuado para la transcripción por lotes de notas de voz, llamadas y grabaciones en árabe a un precio por minuto, sin conservar el audio. El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe, suficiente para la prueba anterior sin tarjeta. Si necesita funciones que no documenta, como subtítulos en vivo por streaming, pruebe un proveedor que las ofrezca. Para las tareas de texto en árabe posteriores a la transcripción, consulte cómo elegir un LLM para árabe.

Preguntas frecuentes

¿Qué tasa de error de palabras es buena para el árabe?

Depende del audio. BroadNet reporta para BroadNet Transcribe Arabic un 3.8 en FLEURS-ar (habla leída y limpia), un 21.1 en MASC-ar y un 23.4 en su conjunto de dialectos. El audio conversacional en dialecto siempre es más difícil que el habla leída.

¿Qué API de voz a texto es la mejor para los dialectos árabes?

No hay una única respuesta, porque los resultados varían según el dialecto y la calidad de la grabación. Preseleccione dos o tres API, transcriba con cada una de 30 a 50 de sus propios clips por dialecto y compare la tasa de error de palabras por dialecto, no un promedio general.

¿Cuánto cuesta transcribir 1,000 horas de audio en árabe?

A $0.0042 por minuto de audio, 1,000 horas cuestan $252.00 con BroadNet Transcribe Arabic.

¿La voz a texto en árabe de BroadNet admite streaming en vivo?

BroadNet documenta la transcripción por lotes mediante /v1/audio/transcriptions con archivos WAV o MP3 de hasta 25 MiB. No documenta subtítulos en vivo por streaming. Si los necesita, Soniox, por ejemplo, vende transcripción en tiempo real con el árabe en su lista de idiomas (consultado el 14 de noviembre de 2026).

¿Puede transcribir notas de voz de WhatsApp?

Sí, tras convertir el archivo .ogg a WAV o MP3 con ffmpeg. La guía de WhatsApp de este sitio muestra la conversión en una línea.

¿Se almacena mi audio?

No. BroadNet Inference no conserva el audio ni las transcripciones después de la solicitud; solo guarda registros sin contenido, como tiempos y costo.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity