BroadRouter

API de voz a texto multilingüe: 14 idiomas, un solo endpoint

Por el equipo de BroadNet Inference · 6 min de lectura · Publicado · Actualizado

BroadNet Transcribe es un modelo de voz a texto para 14 idiomas, entre ellos inglés, español, francés, alemán, chino, japonés y árabe, servido en un endpoint /v1/audio/transcriptions compatible con OpenAI. Cuesta $0.002 por minuto de audio ($0.12 por hora). Para audio principalmente en árabe, BroadNet Transcribe Arabic es la opción especializada, a $0.0042 por minuto.

The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."

La mayoría de los productos que manejan audio trabajan con más de un idioma: una línea de soporte global, grabaciones de reuniones de distintas oficinas, una bandeja de notas de voz en una ciudad multilingüe. Mantener un proveedor de voz a texto por idioma es un costo de mantenimiento. BroadNet Transcribe reúne 14 idiomas detrás de un solo endpoint compatible con OpenAI, con precio por minuto de audio, y junto a él un modelo especializado en árabe para cargas con mucho audio en ese idioma.

¿Qué idiomas cubre BroadNet Transcribe?

La lista de idiomas proviene del pricing.json que publica BroadNet, como códigos ISO 639-1:

Código Idioma Código Idioma
en Inglés nl Neerlandés
es Español pl Polaco
fr Francés zh Chino
de Alemán ja Japonés
it Italiano ko Coreano
pt Portugués vi Vietnamita
el Griego ar Árabe

BroadNet Transcribe se basa en Cohere Transcribe y lo sirve BroadNet. El ID del modelo es broadnet/cohere-transcribe.

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

¿Cuánto cuesta la transcripción multilingüe?

Modelo Por minuto Por hora Idiomas
BroadNet Transcribe $0.002 $0.12 14
BroadNet Transcribe Arabic $0.0042 $0.25 Árabe

La facturación es por minuto de audio, no por solicitud ni por token. Ambos modelos funcionan con el crédito inicial gratuito de $5, así que puede probar sus propias grabaciones antes de recargar. Vea todos los precios en la página de precios, calcule sus horas mensuales en la calculadora de costo de voz a texto o compare otros proveedores en precios de API de voz a texto comparados.

¿Cómo se llama al endpoint de transcripción?

El endpoint sigue el formato de transcripción de audio de OpenAI, así que los SDK oficiales funcionan cambiando la base URL:

import os
from openai import OpenAI

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

with open("meeting-fr.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe",
        file=audio,
        language="fr",
    )
print(result.text)

O con curl:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe \
  -F language=es \
  -F file=@llamada.wav

La respuesta es JSON con la transcripción en text. La respuesta documentada de BroadNet es el texto en sí; si necesita marcas de tiempo por palabra o etiquetas de hablante, revise en la referencia de la API qué se admite actualmente antes de diseñar en torno a ello.

¿Por qué debe enviar siempre el idioma?

La documentación de BroadNet es explícita: envíe language en cada solicitud de transcripción. Sin él, el árabe puede volver transliterado en letras latinas, y el mismo riesgo existe para cualquier idioma que el modelo pueda confundir. Si no conoce el idioma de antemano:

  1. Use primero los metadatos. El país de quien llama, el idioma de la app del usuario o el prefijo del número de teléfono suelen acertar.
  2. Pregunte al usuario en productos de voz (“pulse 1 para inglés, 2 para árabe”).
  3. Pruebe una muestra corta. Transcriba los primeros 30 segundos con su mejor suposición; si el texto parece incorrecto (escritura equivocada, texto sin sentido), reintente con el siguiente candidato.

¿Cuáles son los límites y formatos?

  • Formatos: WAV (audio/wav) o MP3 (audio/mpeg). Convierta primero con ffmpeg los archivos .ogg, .m4a, .webm y de video. La guía de notas de voz de WhatsApp tiene el comando en una línea.
  • Tamaño: hasta 26,214,400 bytes (25 MiB) por archivo; los archivos más grandes devuelven 413. Eso equivale a unos 13 minutos de WAV mono a 16 kHz o unos 54 minutos de MP3 a 64 kbit/s. Divida el audio más largo con ffmpeg -f segment -segment_time 600.
  • Tasa: una clave de pago por uso permite 30 solicitudes por minuto y 4 simultáneas. Reintente los 429 con espera exponencial; vea errores y reintentos.
  • Privacidad: el audio y las transcripciones se procesan para la solicitud y no se conservan. Vea retención cero de datos.

Para un flujo de producción por lotes con fragmentación y un grupo de procesos, vea transcripción de centros de llamadas en árabe a escala; el mismo diseño sirve para cualquiera de los 14 idiomas.

¿Cuándo conviene elegir el modelo específico para árabe?

BroadNet ofrece dos modelos porque el árabe es más difícil que la mayoría de los idiomas para el reconocimiento de voz: muchos dialectos bajo un único estándar escrito, alternancia frecuente con el inglés y el francés, y mucho audio con calidad telefónica. BroadNet Transcribe Arabic es la opción especializada, y BroadNet publica cifras de precisión en árabe solo para él:

  • BroadNet informa que ocupa el puesto #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 el n.º 1 entre los modelos cuya licencia permite servirlos por API.
  • Tasas de error de palabras en el laboratorio de BroadNet: 3.8 en FLEURS-ar, 21.1 en MASC-ar y 23.4 en su conjunto de dialectos (cuanto más bajo, mejor). Qué significan esas cifras.

BroadNet no publica cifras en árabe para el modelo de 14 idiomas, pero el ranking público sí: el 15 de noviembre de 2026 situaba a Cohere Transcribe 03-2026, el modelo detrás de BroadNet Transcribe, en el puesto 8 de 39 con un WER medio de 30.67, frente a 24.19 del modelo árabe, situado #4 de 39. Para otros idiomas, BroadNet informa para BroadNet Transcribe una tasa de error de palabras de 5.5 en FLEURS inglés y de 3.2 en FLEURS español, y unas 113 veces el tiempo real en un solo flujo (217 veces por lotes) con audio en inglés, según su página del modelo. Una regla sencilla:

Su audio Elija
Mayormente en árabe, cualquier dialecto BroadNet Transcribe Arabic
El árabe es una minoría de archivos y la precisión no es crítica BroadNet Transcribe para todo, o pruebe ambos
Cartera mixta con idioma conocido por archivo Envíe los archivos en árabe al modelo árabe y el resto a BroadNet Transcribe
Cualquiera de los otros 13 idiomas BroadNet Transcribe

Enrutar por idioma es un cambio de una línea, porque ambos modelos comparten el endpoint y el formato de solicitud:

def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"

El modelo árabe cuesta aproximadamente el doble por minuto. Con volumen, pruebe ambos con unas horas de su audio real en árabe y compare la tasa de error de palabras por dialecto; la guía de compra de API de voz a texto en árabe incluye un plan de prueba de una hora. Si el problema son los números, fechas y nombres en audio árabe con ruido, BroadNet también ofrece a pedido un modelo árabe ajustado en la página de modelos.

¿Cómo se prueba la precisión en cada idioma?

Una única cifra de precisión del proveedor oculta grandes diferencias entre idiomas, acentos y condiciones de grabación. Antes de comprometer una carga de trabajo, haga una pequeña prueba por idioma:

  1. Reúna de 20 a 50 clips reales por idioma, del canal que realmente va a transcribir: llamadas, grabaciones de reuniones, notas de voz o video. Incluya sus acentos más difíciles.
  2. Escriba transcripciones de referencia a mano para una parte, con reglas ortográficas acordadas para números, nombres y préstamos del inglés.
  3. Transcriba con el código language correcto y calcule la tasa de error de palabras por idioma. Para chino y japonés, que se escriben sin espacios entre palabras, use en su lugar la tasa de error de caracteres.
  4. Lea los errores. Los nombres de productos, los importes y las direcciones importan más que las muletillas.
  5. Repita con ambos modelos para el árabe si el árabe forma parte de su mezcla, y compare por dialecto.

El crédito inicial de $5 cubre una prueba así para varios idiomas en BroadNet Transcribe, porque el precio por minuto es bajo.

¿Para qué cargas de trabajo sirve?

Carga de trabajo Notas
Líneas de soporte multilingües Enrute según el idioma elegido en el IVR; envíe el código language correspondiente
Actas de reuniones para equipos distribuidos Transcriba cada grabación y luego resuma con un LLM
Bandejas de notas de voz Convierta primero .ogg a WAV; vea la guía de WhatsApp
Archivos de medios y pódcasts Divida los archivos largos por debajo de 25 MiB; procese por lotes durante la noche
Apps de aprendizaje de idiomas Transcriba el habla del estudiante y luego dé retroalimentación con un LLM

En todos los casos, el costo crece solo con los minutos de audio: $0.12 por hora de audio en BroadNet Transcribe, sea cual sea el idioma.

¿Qué ocurre después de la transcripción?

La transcripción rara vez es el producto final. Pasos habituales con la misma clave de API:

  • Resúmenes y tareas pendientes de reuniones con DeepSeek V4.1 Flash, cuyo contexto de 1,048,576 tokens admite transcripciones muy largas.
  • Traducción de las transcripciones a un idioma de trabajo; vea traducción árabe–inglés con LLM.
  • Puntuación de calidad de llamadas de soporte con salida JSON estructurada.

¿Cómo se migra desde otra API de transcripción?

Si ya llama a un endpoint de transcripción al estilo de OpenAI, incluida la API de Whisper, que OpenAI indica que se cerrará el 26 de febrero de 2027 (qué probar antes de cambiar), la migración suele consistir en tres cambios: base URL, clave de API e ID del modelo, además de asegurarse de enviar language. Revise los campos de respuesta que su código lee además de text. La lista de verificación de migración compatible con OpenAI cubre el resto.

Preguntas frecuentes

¿Qué idiomas admite BroadNet Transcribe?

Catorce: inglés, español, francés, alemán, italiano, portugués, griego, neerlandés, polaco, chino, japonés, coreano, vietnamita y árabe. La lista está publicada en pricing.json como códigos ISO 639-1.

¿Un mismo archivo puede contener dos idiomas?

Cada solicitud admite un código de idioma. Para audio que cambia de idioma, transcriba con el idioma principal y revise cómo sale el otro, o divida el audio por hablante o por segmento si los cambios son largos.

¿El modelo multilingüe es suficiente para el árabe?

Acepta árabe y cuesta menos por minuto. BroadNet publica cifras de precisión en árabe solo para BroadNet Transcribe Arabic, así que, si el árabe es una parte importante de su audio, pruebe ambos con sus grabaciones y compare la tasa de error de palabras.

¿Funciona con el SDK de OpenAI?

Sí. Apunte el SDK a la base URL de BroadNet y llame a audio.transcriptions.create con el ID del modelo, el archivo y el idioma.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity