BroadRouter

Traducir audio en árabe a texto en inglés por API: pipeline probado

Por el equipo de BroadNet Inference · 8 min de lectura · Publicado · Actualizado

Hágalo en dos pasos. Transcriba el audio en árabe con una API de voz a texto, con el idioma en ar, y luego traduzca la transcripción con un LLM al que se le indique conservar nombres y cifras. Divida antes los archivos largos, revise las cifras en código y evalúe una pequeña muestra con chrF para ver cuánta calidad le cuesta el paso de transcripción.

La mayoría de las páginas que aparecen al buscar «traducir audio en árabe al inglés» son herramientas web de subir y descargar. Sirven para un archivo. Si necesita la traducción dentro de su propio producto (llamadas de soporte, entrevistas, notas de voz, clases), necesita dos llamadas a la API y algunas verificaciones alrededor. Este artículo construye ese pipeline con una sola clave compatible con OpenAI, lo prueba y muestra cómo medir si es lo bastante bueno.

Para traducir texto en árabe que ya tiene, vea traducción árabe–inglés con LLM. Para convertir la grabación de una reunión en un acta en lugar de una traducción completa, vea actas de reuniones en árabe a partir de grabaciones.

¿Una llamada o dos?

Hay dos formas de obtener texto en inglés a partir de voz en árabe:

Enfoque Cómo funciona Adecuado para
Traducción de voz (un paso) Una solicitud; el servicio devuelve inglés Audio en vivo, subtítulos, el código más sencillo
Transcribir y luego traducir (dos pasos) Una llamada de voz a texto devuelve texto en árabe; un LLM lo traduce Archivos, cuando también quiere el árabe, glosarios y verificaciones

El endpoint de un paso más conocido para archivos está cambiando. La guía de voz a texto de OpenAI dice que /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (Traducción: «usa whisper-1 para traducir al inglés una grabación de audio completa»). Su página de funciones obsoletas, consultada el 2026-11-15, da como fecha de aviso el 26 de agosto de 2026 y como fecha de retirada el 26 de febrero de 2027. El sustituto indicado es /v1/realtime/translations, que es una API en tiempo real, no una carga de archivos. Si su código llama al endpoint antiguo, tendrá que reconstruirlo de todos modos.

Soniox es una opción actual de un solo paso: su página de árabe a inglés muestra una solicitud WebSocket con un bloque de traducción configurado con origen ar y destino en. El audio en vivo es donde más sentido tiene un producto de streaming como este.

El pipeline de dos pasos tiene tres ventajas prácticas con archivos:

  1. Conserva la transcripción en árabe. Puede buscar en ella, mostrarla junto al inglés y volver a traducirla más adelante con un modelo mejor sin pagar de nuevo la transcripción.
  2. Controla la traducción. Elige el modelo, le da un glosario de nombres y términos de producto y revisa su salida en código.
  3. Puede ver de dónde vienen los errores. Una frase en inglés incorrecta es un error de reconocimiento o un error de traducción. Con la transcripción en la mano, puede distinguirlos.

El precio es una segunda solicitud y más código. El resto del artículo es ese código.

¿Cómo es el pipeline?

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

Paso 1: ¿cómo se prepara y divide el audio?

El endpoint de transcripción de BroadNet acepta WAV (audio/wav) o MP3 (audio/mpeg) de hasta 26,214,400 bytes por archivo. Las grabaciones de teléfono (.m4a), las notas de voz de WhatsApp (.ogg) y el video hay que convertirlos de todos modos, así que remuestree y divida en el mismo paso de ffmpeg:

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

El audio mono de 16 kHz y 16 bits ocupa 32,000 bytes por segundo, así que una parte de 10 minutos pesa unos 19.2 MB, por debajo del límite. Lo ejecutamos con un archivo de prueba de 25 minutos: produjo dos partes de 19,200,162 y 19,200,194 bytes y una parte de 5 minutos de 9,599,878 bytes.

Los cortes de duración fija pueden partir una palabra. Con habla real, corte en los silencios; transcribir archivos de audio largos incluye un divisor basado en silencios, y la herramienta para dividir audio le escribe el comando de ffmpeg. En el glosario encontrará información sobre la frecuencia de muestreo y por qué 16 kHz bastan para la voz.

Pasos 2 y 3: ¿cómo se transcribe y se traduce?

El script siguiente envía cada parte al modelo de transcripción en árabe y luego a un modelo de chat con un prompt de traducción. Funciona con el SDK de OpenAI para Python.

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:]

Para qué sirve cada pieza:

  • language="ar". La documentación de BroadNet indica enviar siempre language en una solicitud de transcripción. La guía de voz a texto en árabe trata la solicitud en detalle.
  • El prompt dice de dónde viene el texto. Una transcripción no tiene puntuación, puede estar en dialecto y puede contener errores de reconocimiento. Decírselo al modelo evita que trate las frases raras como intencionadas, y la marca [unclear] da a los revisores algo que buscar.
  • Conservar las palabras en inglés. Los hablantes de árabe cambian a menudo al inglés a mitad de frase («الـ deadline», «فريق الـ QA»). Es alternancia de código, y el modelo debe dejar esas palabras como están, sin traducirlas de un idioma a otro.
  • Glosario por parte. Solo se envían las entradas del glosario que aparecen en la parte, lo que mantiene los prompts cortos. La coincidencia es exacta, así que si la ortografía varía en sus transcripciones (أ frente a ا, ة frente a ه), normalice antes ambos lados; el normalizador de texto árabe muestra las reglas habituales.
  • La parte anterior como contexto. Los últimos 500 caracteres de la parte anterior en árabe ayudan con los pronombres y con las frases cortadas en el límite entre partes. El prompt dice que no se traduzca, así que no aparece dos veces.
  • max_tokens=4000 y reasoning_effort="low". La documentación de BroadNet indica que DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan antes de responder y que el razonamiento cuenta para max_tokens. Un límite pequeño puede devolver una respuesta vacía; vea tokens de razonamiento y respuestas vacías. El código lanza un error ante una respuesta vacía o cortada en lugar de guardar media traducción.
  • Revisión de cifras. Las cifras son donde una traducción errónea hace más daño. La revisión convierte los dígitos arábigo-índicos (٠-٩) y persas (۰-۹) a 0-9 y confirma que cada número aparece en el inglés. Los números dichos con palabras («خمسة عشر») no se detectan, así que un revisor sigue leyendo todo lo importante.

¿Qué mostró la prueba?

Ejecutamos el script contra un servidor simulado local que implementa ambos endpoints (sin llamadas reales a la API). Las tres partes del archivo de prueba de 25 minutos se enviaron con model=broadnet/cohere-transcribe-arabic y language=ar, y cada solicitud de chat llevaba las líneas del glosario de esa parte y la parte anterior en árabe como contexto. La tercera traducción del simulador omitía una cifra a propósito, y el script imprimió:

--- 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

Las frases en árabe y la empresa son inventadas para la prueba. La ejecución demuestra que el código funciona, no lo buena que es la traducción de ningún modelo; para eso, use el paso de evaluación de más abajo.

¿Cómo afectan los errores de reconocimiento a la traducción?

Pasan tal cual. Si la transcripción dice ٢١٤ donde el hablante dijo ٢٤٠, la traducción dirá fielmente 214. Si una palabra dialectal se oye mal como una palabra estándar de sonido parecido, la traducción será fluida y errónea. Un inglés fluido hace que estos errores sean difíciles de detectar, y ese es el principal riesgo de cualquier sistema de traducción de voz.

Puede medir cuánto error aporta cada paso. Reúna 30 clips o más y obtenga para cada uno:

  1. una transcripción humana en árabe,
  2. una traducción humana al inglés (la referencia).

Después traduzca con su pipeline tanto la transcripción humana como la transcripción automática, y evalúe ambas frente a la referencia. chrF, una métrica de n-gramas de caracteres, maneja mejor que BLEU los nombres y las formas de las palabras y es la opción habitual para árabe–inglés; SacreBLEU calcula ambas:

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}")

Con estas dos frases de juguete (SacreBLEU 2.6.0), imprimió chrF 94.6 y BLEU 89.2 para la ruta con transcripción humana, y chrF 87.1 y BLEU 71.7 para el pipeline completo. Dos frases de juguete no demuestran nada sobre un modelo. Con sus propios clips, una diferencia grande indica que debe mejorar el reconocimiento: mejor audio, un conjunto de prueba dialectal como en reconocimiento de voz en dialectos árabes u otro proveedor. Una diferencia pequeña con puntuaciones bajas en general indica que el paso de traducción necesita trabajo: un mejor prompt, un glosario o un modelo distinto. Para evaluar solo el paso de transcripción, use la tasa de error de palabras.

Las métricas automáticas ordenan sistemas; no dan por buena una traducción. Pida a un revisor bilingüe que lea una muestra, sobre todo cifras, nombres y negaciones.

¿Qué modelos conviene usar?

Paso Modelo de BroadNet Precio Notas
Transcribir BroadNet Transcribe Arabic $0.0042 por minuto ($0.25 por hora) Solo árabe; disponible con el crédito inicial de $5
Traducir Qwen3.8 27B $0.175 de entrada, $2.17 de salida por 1M de tokens Modelo de razonamiento; contexto de 262,144 tokens; requiere recarga
Traducir Gemma 4 VL 26B $0.10 de entrada, $0.22 de salida por 1M de tokens Con el crédito inicial; contexto de 32,768 tokens, normalmente suficiente para una parte de 10 minutos; compruebe una muestra en el contador de tokens. Quite reasoning_effort, que BroadNet documenta solo para sus modelos de razonamiento
Traducir DeepSeek V4.1 Flash $0.175 de entrada, $0.52 de salida por 1M de tokens, o una sesión de tarifa plana Modelo de razonamiento; alojado por un socio; requiere recarga o un plan

Ejecute el script de evaluación sobre los mismos clips con cada modelo de traducción y elija según las puntuaciones y las notas del revisor, no según nuestra tabla. Elegir un LLM para árabe trata las ventajas y desventajas más amplias.

¿Cuánto cuesta una hora de audio?

Hay dos partes:

  • La transcripción se cobra por minuto de audio: $0.25 por hora con BroadNet Transcribe Arabic.
  • La traducción se cobra por token: prompt_tokens × input price + completion_tokens × output price, dividido entre 1,000,000. El prompt incluye el system prompt, las líneas del glosario, el contexto de la parte anterior y la transcripción. La respuesta incluye el inglés y, en los modelos de razonamiento, los tokens de razonamiento.

No publicamos una cifra única por hora para la traducción, porque depende de lo rápido que habla la gente, del dialecto y de cuánto razona el modelo. Mídala: procese una hora típica, sume usage.prompt_tokens y usage.completion_tokens de las respuestas e introdúzcalos en la calculadora de costos de API de LLM. Antes de tener audio, puede pegar una transcripción de muestra en el contador de tokens en árabe; el árabe suele requerir más tokens por palabra que el inglés, como muestra tokens por palabra en árabe e inglés. La calculadora de costos de voz a texto calcula la parte del audio.

Para un gran volumen acumulado, una sesión de DeepSeek V4.1 Flash con tarifa plana elimina el contador de tokens del paso de traducción: $1 por hora, $15 por semana o $60 por mes por sesión. Una sesión ejecuta una solicitud a la vez, así que los workers en paralelo necesitan más sesiones. La transcripción se sigue cobrando por minuto.

¿Cuándo no conviene este pipeline?

  • Audio en vivo. Las llamadas, los subtítulos en directo y los agentes de voz necesitan resultados en streaming en segundos. Una API de traducción de voz en streaming, o un endpoint en tiempo real, encaja mejor que la carga de archivos.
  • Subtítulos. La respuesta de transcripción de BroadNet es solo texto, sin marcas de tiempo. Subtítulos en árabe desde una API solo de texto muestra hasta dónde llegan los desfases de los fragmentos; para una temporización por palabra, use un proveedor que devuelva marcas de tiempo.
  • Idiomas que BroadNet no transcribe. El modelo árabe maneja árabe. Para otros idiomas de origen, revise primero la lista de 14 idiomas del modelo multilingüe.
  • Registros legales o médicos. Use el pipeline para un borrador y un traductor humano para el registro oficial.

Dónde encaja BroadNet Inference

BroadRouter es el sitio web de BroadNet. BroadNet Inference ofrece los dos pasos de este pipeline con una sola clave compatible con OpenAI: transcripción en árabe en /v1/audio/transcriptions y traducción en /v1/chat/completions. No tiene un endpoint de traducción de voz de un solo paso ni transcripción en streaming, así que para audio en vivo use otro proveedor. Su política de privacidad indica que no se conserva el contenido de inferencia, incluidos audio, transcripciones y respuestas; sí se conservan los metadatos necesarios de cuenta, facturación y seguridad. Empiece por la página de transcripción en árabe o la referencia de la API, y pruebe con sus propias grabaciones antes de confiar en el resultado.

Preguntas frecuentes

¿Puedo traducir audio en árabe al inglés con una sola llamada a una API?

Sí, con una API de traducción de voz como Soniox, que añade una opción de traducción a su solicitud de voz a texto. El endpoint /v1/audio/translations de OpenAI hace lo mismo con archivos, pero está obsoleto y su retirada figura para el 26 de febrero de 2027. Un pipeline de dos pasos requiere dos llamadas y además le da la transcripción en árabe.

¿Qué es mejor, la traducción de voz directa o transcribir y luego traducir?

Pruebe ambas con su propio audio. Transcribir y luego traducir le permite elegir el modelo de traducción, añadir un glosario, revisar cifras y conservar el texto en árabe. Una API de un solo paso es más sencilla y suele ser mejor para audio en vivo. Evalúe 30 clips o más con chrF frente a traducciones humanas antes de decidir.

¿El pipeline maneja árabe egipcio, del Golfo o levantino?

El paso de transcripción decide la mayor parte, así que pruebe grabaciones en los dialectos que atiende. Después indique al modelo de traducción que la transcripción puede estar en dialecto y mezclar palabras en inglés. Las palabras dialectales que un modelo de voz rara vez ha visto son la principal fuente de errores.

¿Cómo traduzco un archivo de audio en árabe de más de 25 MB?

Conviértalo a WAV mono de 16 kHz y divídalo con ffmpeg en partes de 10 minutos o menos; cada parte ocupa unos 19.2 MB. Transcriba cada parte y luego traduzca las partes en orden, pasando el final de la parte anterior como contexto.

¿Puedo obtener subtítulos en inglés con marcas de tiempo de esta forma?

No directamente con BroadNet: su respuesta de transcripción es solo texto, sin marcas de tiempo. Puede temporizar los subtítulos a partir de los desfases de cada fragmento, como en nuestro artículo sobre subtítulos en árabe, o usar un proveedor que devuelva marcas de tiempo por palabra o por segmento.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity