---
title: "Cómo transcribir audio en árabe con una API: curl y Python"
description: "Transcriba audio en árabe con BroadNet Transcribe Arabic en un endpoint compatible con OpenAI: formatos, el campo language, ejemplos en Python y curl, y precio."
url: https://broadrouter.com/es/guides/arabic-speech-to-text-api/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/guides/arabic-speech-to-text-api/) (actualizado el 2026-11-16).

# API de voz a texto en árabe, paso a paso

Actualizado 2026-11-16

Envíe un archivo WAV o MP3 a https://inference.broadnet.ai/v1/audio/transcriptions con el modelo broadnet/cohere-transcribe-arabic y language=ar. La respuesta es JSON con la transcripción en text. Convierta antes a WAV otros formatos, como los .ogg de WhatsApp. El precio es por minuto de audio, y BroadNet afirma que no conserva audio ni transcripciones.

BroadNet Transcribe Arabic cuesta $0.0042 por minuto de audio. 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](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard), y el #1 entre los modelos cuyas licencias permiten ofrecerlos mediante una API. Para otros idiomas, BroadNet Transcribe cubre 14 idiomas a $0.002 por minuto. Consulte la [página del modelo BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) y la [página del modelo BroadNet Transcribe](https://broadrouter.com/es/models/cohere-transcribe/).

Otros proveedores pueden costar menos. El 2026-11-14, la [página de precios de Soniox](https://soniox.com/pricing) indicaba unos USD 0.10 por hora para transcripción de archivos (asíncrona) y USD 0.12 por hora en tiempo real, y su lista de idiomas incluye el árabe. Eso es menos que los $0.25 por hora de BroadNet Transcribe Arabic, así que pruebe ambos con su propio audio.

## Con curl

```bash
curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav
```

La respuesta es la transcripción en JSON:

```json
{"text": "مرحباً، لقد وصلت إلى البريد الصوتي، اترك رسالتك من فضلك"}
```

## Con Python

```python
from openai import OpenAI
import os

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

with open("voice-note.wav", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe-arabic",
        file=audio,
        language="ar",
    )
print(result.text)
```

## Envíe siempre el idioma

Sin `language`, el árabe puede volver **transliterado a letras latinas**. Envíe `language=ar` para árabe y `language=en` para inglés.

## ¿Qué dialectos árabes maneja?

BroadNet describe BroadNet Transcribe Arabic como un modelo que cubre el árabe, incluidos los dialectos, y publica tres tasas de error por palabra. Son mediciones de laboratorio de la propia BroadNet, tomadas de su [catálogo de modelos](https://www.broadnet.ai/inference/models):

| Conjunto de prueba | Qué es | Tasa de error por palabra |
| --- | --- | --- |
| FLEURS-ar | Oraciones leídas, limpias | 3.8 |
| MASC-ar | Habla árabe real y variada | 21.1 |
| Conjunto de dialectos de BroadNet | Habla en dialecto | 23.4 |

BroadNet no publica un desglose por dialecto, así que nadie fuera de BroadNet puede decir cómo se compara el audio del Golfo con el egipcio o el magrebí. Otros proveedores describen su cobertura de otra forma. Deepgram presenta Nova-3 Arabic con códigos regionales, desde `ar-AE`, `ar-SA` y `ar-EG` hasta `ar-MA` y `ar-IQ`. Speechmatics vende un paquete “Global Arabic” que menciona árabe estándar moderno y habla del Golfo, egipcia y levantina, además de un paquete `ar_en` para árabe mezclado con inglés. Soniox incluye el árabe (`ar`) sin detalle de dialectos.

Un código listado no es una precisión medida. Antes de elegir, evalúe a cada candidato con sus propios clips agrupados por dialecto:

-   **Golfo (Khaleeji):** habla saudí, emiratí, kuwaití y catarí, a menudo con nombres de productos en inglés.
-   **Egipcio:** el dialecto más entendido en los medios.
-   **Levantino:** habla siria, libanesa, jordana y palestina.
-   **Iraquí y magrebí:** el habla marroquí, argelina y tunecina suele ser el caso más difícil.
-   **[Árabe estándar moderno](https://broadrouter.com/es/glossary/msa/):** noticias y habla formal, la base fácil.

La [guía de reconocimiento de voz en dialectos árabes](https://broadrouter.com/es/blog/arabic-dialect-speech-recognition/) explica por qué los dialectos obtienen peores resultados, y el [artículo sobre la tasa de error por palabra](https://broadrouter.com/es/blog/arabic-asr-wer-explained/) muestra cómo medirlos.

## ¿Cuánto cuestan las APIs de voz a texto en árabe?

Todos los proveedores de abajo incluyen el árabe. Del más barato al más caro; los precios son para archivos pregrabados salvo que se indique lo contrario, y se consultaron el 2026-11-14:

| Proveedor y modelo | Por minuto | Por hora | Cobertura de árabe declarada |
| --- | --- | --- | --- |
| Soniox, asíncrono (archivo) | unos USD 0.0017 | unos USD 0.10 | Árabe (`ar`) |
| Soniox, tiempo real | unos USD 0.002 | unos USD 0.12 | Árabe (`ar`) |
| [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-transcribe/) (14 idiomas) | $0.002 | $0.12 | Árabe entre 14 idiomas |
| [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | Árabe, incluidos dialectos (BroadNet) |
| Deepgram, Nova-3 monolingüe | USD 0.0043 | USD 0.258 | `ar` más códigos regionales |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | Global Arabic, `ar_en` |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | Global Arabic, `ar_en` |

Fuentes: [precios de Soniox](https://soniox.com/pricing) (se factura por token; las cifras por hora son aproximaciones de Soniox), [precios de Deepgram](https://deepgram.com/pricing) y [precios de Speechmatics](https://www.speechmatics.com/pricing). Soniox es más barato que los dos modelos de BroadNet, y BroadNet no documenta streaming en tiempo real. Los argumentos de BroadNet son el modelo específico para árabe, su puesto reportado en la clasificación y la retención cero de datos. Para más proveedores, consulte nuestro [índice abierto de precios de APIs de voz a texto](https://broadrouter.com/data/speech-to-text-api-prices/), que lista precios por lotes y de streaming y el soporte de árabe de más de 20 productos, con fuente y fecha para cada uno (CSV y JSON). Para los costos adicionales, consulte [comparación de precios de APIs de voz a texto](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/); para calcular su propio volumen, use la [calculadora de costos de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Límites

-   WAV o MP3, hasta 26,214,400 bytes (25 MiB) por archivo. Un archivo más grande devuelve 413; divídalo primero.
-   Las claves de pago por uso permiten 30 solicitudes por minuto y 4 simultáneas.
-   Ambos modelos de transcripción funcionan con el crédito inicial gratuito de $5, así que puede probar sus propias grabaciones antes de pagar.

## Solución de problemas

-   **Letras latinas en lugar de escritura árabe.** Agregue `language=ar`.
-   **400 o 422.** Revise los nombres de los campos (`model`, `language`, `file`) y que el archivo sea realmente WAV o MP3. Un `.ogg` renombrado falla; conviértalo con ffmpeg.
-   **413.** El archivo supera los 26,214,400 bytes. Conviértalo a WAV o MP3 mono de 16 kHz, o divídalo en partes más cortas.
-   **401 en una cuenta de pago.** Revise la clave y la asignación de pago por uso. Consulte [códigos de error de BroadNet y reintentos](https://broadrouter.com/es/guides/errors-and-retries/).
-   **Precisión baja en dialectos o llamadas con ruido.** El conjunto de prueba de dialectos de BroadNet obtiene peores resultados que el habla leída y limpia (vea las preguntas frecuentes). Pruebe con una muestra de su audio real y mida la [tasa de error por palabra](https://broadrouter.com/es/glossary/word-error-rate/).

Las notas de voz de WhatsApp llegan como `.ogg`. [Convierta y transcriba notas de voz de WhatsApp en un solo paso](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/). Si necesita números, fechas y nombres en audio con ruido, BroadNet ofrece un modelo árabe con fine-tuning [bajo solicitud](https://broadrouter.com/es/models/#on-request).

## Términos de esta guía

[Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/)

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

[Árabe estándar moderno (MSA, fusha)](https://broadrouter.com/es/glossary/msa/)

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[Streaming (respuestas en tiempo real)](https://broadrouter.com/es/glossary/streaming/)

El streaming es una forma de devolver la respuesta de un modelo de lenguaje en pequeños fragmentos mientras aún se genera, en lugar de una sola respuesta al final. Las APIs compatibles con OpenAI hacen streaming mediante server-sent events cuando la solicitud define stream como true.

[Árabe dialectal (dialectal Arabic)](https://broadrouter.com/es/glossary/dialectal-arabic/)

El árabe dialectal es el árabe hablado a diario en una región o ciudad, como el árabe egipcio, del Golfo, levantino o magrebí. Los dialectos difieren del árabe estándar moderno en sonidos, palabras y gramática, no tienen ortografía estándar y se escriben cada vez más en internet, lo que los hace más difíciles para los modelos de lenguaje.

[WAV (archivo de audio)](https://broadrouter.com/es/glossary/wav/)

WAV (Waveform Audio File Format, o WAVE) es un contenedor de audio basado en el formato RIFF de Microsoft e IBM. Suele llevar muestras PCM lineales sin comprimir, así que su tamaño es predecible: frecuencia de muestreo por bytes por muestra por canales, por segundo.

[Concurrencia (concurrency)](https://broadrouter.com/es/glossary/concurrency/)

La concurrencia es el número de solicitudes que un cliente tiene en curso al mismo tiempo. Las APIs de LLM suelen limitarla por clave o por plan, aparte de las solicitudes por minuto, porque cada solicitud abierta ocupa capacidad de GPU hasta que su respuesta termina.

[Fine-tuning (ajuste fino)](https://broadrouter.com/es/glossary/fine-tuning/)

El fine-tuning (ajuste fino) es el proceso de seguir entrenando un modelo de lenguaje preentrenado con un conjunto de datos más pequeño y específico de una tarea, como conversaciones de ejemplo, para que sus pesos cambien y realice esa tarea o estilo con más fiabilidad sin necesitar instrucciones o ejemplos largos en cada prompt.

## Preguntas frecuentes

### ¿Entiende los dialectos árabes?

BroadNet informa una tasa de error por palabra de 23.4 en su propio conjunto de prueba de dialectos, frente a 3.8 en FLEURS-ar y 21.1 en MASC-ar. Cuanto más baja, mejor. BroadNet no publica un resultado por dialecto, así que pruebe por separado grabaciones del Golfo, egipcias, levantinas y magrebíes antes de depender de él.

### ¿Cuál es la API de voz a texto en árabe más barata?

De los proveedores consultados el 2026-11-14, Soniox publica la tarifa más baja, unos USD 0.10 por hora para transcripción de archivos. BroadNet Transcribe Arabic cuesta $0.25 por hora. Deepgram Nova-3 y Speechmatics cuestan más. El precio por hora importa menos que la tasa de error por palabra en su propio audio con dialecto.

### ¿Qué formatos de audio se aceptan?

WAV (audio/wav) y MP3 (audio/mpeg). Convierta antes otros formatos, como .ogg o .m4a, con ffmpeg.

### ¿Por qué mi transcripción en árabe sale en letras latinas?

La solicitud no incluía el campo language. Sin él, el habla en árabe puede transliterarse a letras latinas. Envíe language=ar en cada solicitud en árabe.

### ¿Puedo probar gratis la transcripción en árabe?

Sí. Los dos modelos de transcripción de BroadNet funcionan con el crédito inicial gratuito que reciben las cuentas nuevas, así que puede probar sus propias grabaciones antes de recargar.

### ¿Debo usar BroadNet Transcribe Arabic o BroadNet Transcribe para árabe?

Ambos aceptan language=ar. BroadNet Transcribe Arabic es el modelo árabe y el que BroadNet reporta en la clasificación de árabe. BroadNet Transcribe cuesta menos por minuto y cubre 14 idiomas, así que pruebe ambos con su audio.

## Guías relacionadas

-   [Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/)
-   [Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/)
-   [Códigos de error de BroadNet Inference y cuándo reintentar](https://broadrouter.com/es/guides/errors-and-retries/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-guides-arabic-speech-to-text-api&utm_content=page-cta) ·

**Fuentes**

-   [Precios de voz a texto de Soniox (consultado el 2026-11-14)](https://soniox.com/pricing)
-   [Referencia de la API de BroadNet Inference, transcripción (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-guides-arabic-speech-to-text-api&utm_content=sources#requests)
-   [Precios de BroadNet Inference](https://inference.broadnet.ai/es/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-guides-arabic-speech-to-text-api&utm_content=sources)
-   [Catálogo de modelos de BroadNet, voz a texto (mediciones de laboratorio)](https://www.broadnet.ai/es/inference/models)
-   [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Documentación de Soniox, idiomas compatibles (incluye árabe; consultado el 2026-11-14)](https://docs.soniox.com/stt/concepts/supported-languages)
-   [Precios de Deepgram, Nova-3 para audio pregrabado (consultado el 2026-11-14)](https://deepgram.com/pricing)
-   [Modelos e idiomas de Deepgram, códigos de árabe de Nova-3 (consultado el 2026-11-14)](https://developers.deepgram.com/docs/models-languages-overview)
-   [Precios de Speechmatics, procesamiento por lotes con pago por uso (consultado el 2026-11-14)](https://www.speechmatics.com/pricing)
-   [Idiomas de Speechmatics, Global Arabic y árabe-inglés (consultado el 2026-11-14)](https://docs.speechmatics.com/speech-to-text/languages)
