---
title: "Text, speech o vision AI: pumili ayon sa task, hindi model"
description: "Pumili sa text chat, image input o audio transcription ayon sa task, gamit ang mga model at limit na dinodokumento ng BroadNet, at kung ano ang wala, gaya ng TTS."
url: https://broadrouter.com/fil/blog/text-speech-vision/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/text-speech-vision/) (na-update noong 2026-11-15).

# Text, speech o vision? Magsimula sa task

Ng BroadNet Inference team · 7 minutong basa · Nailathala 2026-11-15

Magsimula sa input at output mo. Kapag text ang pasok at text ang labas, chat iyan. Kapag litrato o scan ang pasok at text ang labas, chat na may image iyan, sa model na tumatanggap ng image. Kapag recorded na pananalita ang pasok at text ang labas, transcription iyan; mula pananalita papuntang sagot, transcription at saka chat. Walang text-to-speech, image generation o embeddings ang BroadNet.

## Mga pangunahing punto

-   Piliin muna ang uri ng input. Ito ang nagpapasya sa endpoint, na siyang nagpapasya kung aling mga model ang magagamit mo.
-   Sa BroadNet, tatlong chat model ang tumatanggap ng image (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); text lang ang GLM 5.3.
-   Ipinapadala ang pananalita sa /v1/audio/transcriptions bilang WAV o MP3 file na hanggang 26,214,400 byte. Laging ipadala ang wika.
-   Walang text-to-speech, live voice, image generation o embeddings endpoint ang BroadNet. Magplano ng pangalawang provider kung kailangan mo ang mga ito.
-   Gumawa ng hiwalay na evaluation set para sa bawat uri ng input, dagdag ang isa para sa buong chain kapag pumapasok ang pananalita sa chat model.

**Sa page na ito**

1.  Anong uri ng input ang kailangan ng task mo?
2.  Ano ang pagkakaiba ng chat at transcription?
3.  Aling mga model ang tumatanggap ng image?
4.  Paano i-route ang bawat input sa code?
5.  Paano kung text na ang dokumento?
6.  Paano nagkakaiba ang mga gastos?
7.  Ano ang wala, at ano ang dapat gawin sa halip?
8.  Bakit kailangan ng hiwalay na evaluation set para sa bawat input?
9.  Saan pumapasok ang BroadNet Inference

Pangalawang tanong ang “Aling model ang gagamitin natin?”. Ang una ay “ano ang papasok, at ano ang kailangang lumabas?” Magkakaibang uri ng endpoint ang pupuntahan ng litrato ng invoice, voice note mula sa customer at tinype na tanong, at may sariling mga model, limit at paraan ng pagpalya ang bawat endpoint. Piliin muna ang task at liliit sa dalawa o tatlo ang listahan ng model.

Itinutugma ng gabay na ito ang mga karaniwang task sa mga uri ng input, saka sa kung ano ang dinodokumento ng BroadNet Inference para sa bawat isa. Sariling site ng BroadNet ang BroadRouter; galing sa [pricing feed](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-text-speech-vision&utm_content=body) at [API reference](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-text-speech-vision&utm_content=body) ng BroadNet ang mga detalye ng model sa ibaba, na sinuri noong Nobyembre 15, 2026.

## Anong uri ng input ang kailangan ng task mo?

| Ang task mo | Input | Output | Endpoint | Mga model ng BroadNet |
| --- | --- | --- | --- | --- |
| Sumagot, magbuod, mag-classify o magsalin ng text | Text | Text | Chat completions | Alinman sa apat na chat model |
| Tawagin ang sarili mong function o tools | Text | Tool call | Chat completions | GLM 5.3, Qwen3.8 27B (dokumentado) |
| Basahin ang litrato, scan, screenshot o form | Image + text | Text o JSON | Chat completions na may image | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Gawing text ang recording o voice note | Audio file | Text | Audio transcriptions | Transcribe Arabic, Transcribe (14 na wika) |
| Ibuod ang tawag o sagutin ang voice note | Audio file | Text | Transcription, saka chat | Tig-isa |
| Bigkasin nang malakas ang sagot | Text | Audio | Text-to-speech | Wala |
| Makipag-usap nang live gamit ang boses | Audio stream | Audio | Realtime voice | Wala |
| Gumawa ng image | Text | Image | Image generation | Wala |
| Semantic search sa mga dokumento | Text | Vector | Embeddings | Wala |

Ang “vision” sa table na ito ay pag-unawa sa image: binabasa ng model ang image na ipinadala mo. Hindi ito nangangahulugang paggawa ng image. Ipinapaliwanag ng entry sa glossary na [vision language model](https://broadrouter.com/fil/glossary/vision-language-model/) ang pagkakaiba.

## Ano ang pagkakaiba ng chat at transcription?

Magkaibang endpoint ang mga ito, na magkaiba ang hugis ng request, unit ng billing at mga model.

**Chat** (`POST /v1/chat/completions`): tumatanggap ng listahan ng mga message bilang JSON at nagbabalik ng text. Sinisingil kada token, hiwalay ang input at output, at may [context window](https://broadrouter.com/fil/glossary/context-window/) ang bawat model na naglalaman ng prompt at sagot nang magkasama. Sa BroadNet, tatlo sa apat na chat model ang nagre-reason bago sumagot, at binibilang ang reasoning na iyon sa `max_tokens`, kaya mag-iwan ng puwang ([reasoning token at walang lamang sagot](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/)).

**Transcription** (`POST /v1/audio/transcriptions`): tumatanggap ng audio file bilang multipart upload at nagbabalik ng transcript. Sinisingil kada minuto ng audio. Tinutukoy ng docs ng BroadNet ang WAV o MP3 hanggang 26,214,400 byte kada file, at sinasabing laging ipadala ang `language`, dahil kung hindi, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra.

| Model | Mga wika | Presyo |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) | Arabic: Gulf, Egyptian, Levantine, Maghrebi at Modern Standard, ayon sa BroadNet | $0.0042 kada minuto (mga $0.25 kada oras) |
| [BroadNet Transcribe](https://broadrouter.com/fil/models/cohere-transcribe/) | 14, kasama ang English, Spanish, French, Mandarin at Arabic | $0.002 kada minuto (mga $0.12 kada oras) |

Hindi tumatanggap ng audio ang chat model sa BroadNet, at hindi sumasagot ng tanong ang transcription model. Dalawang call ang voice assistant na sumasagot sa text: transcribe, saka chat. Iyan mismo ang chain na binubuo ng [Arabic meeting minutes mula sa mga recording](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/).

## Aling mga model ang tumatanggap ng image?

Ang mga may `image` sa `modalities` ng entry nila sa feed. Noong Nobyembre 15, 2026:

| Model | Mga input | Context | Input / output kada 1M token | Access |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | Text, image | 1,048,576 | $0.175 / $0.52 | Kailangan ng top-up |
| [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) | Text, image | 262,144 | $0.175 / $2.17 | Kailangan ng top-up |
| [Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) | Text, image | 32,768 | $0.10 / $0.22 | $5 na panimulang credit |
| [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/) | Text lang | 1,048,576 | $0.78 / $3.46 | Kailangan ng top-up |

Ipadala ang image bilang `data:` URL sa loob ng content ng message, na may tamang MIME type. Sinasabi ng docs ng BroadNet na iniaalok ang vision “only where the model row explicitly says images or vision” (salin: kung saan lang tahasang sinasabi ng row ng model na images o vision). Hindi inililista ng docs ang mga tinatanggap na format ng image, kaya subukan ang bawat format na balak mong tanggapin. Sa pay-as-you-go na key, sinisingil ang image bilang input token, at mas marami ang ginagamit ng mas malaking image; i-resize bago ipadala at tantiyahin gamit ang [image token calculator](https://broadrouter.com/tools/image-token-calculator/). Nasa [pag-extract ng data mula sa mga dokumento gamit ang vision LLM](https://broadrouter.com/fil/blog/extract-data-from-documents-with-vision-llm/) ang document extraction mula umpisa hanggang dulo.

## Paano i-route ang bawat input sa code?

Pinipili ng function na ito ang endpoint batay sa uri ng file, sinusuri ang mga dokumentadong limit bago magpadala, at binabasa ang listahan ng mga model na tumatanggap ng image mula sa live na feed sa halip na i-hard-code ito. Gumagamit ito ng OpenAI Python SDK, na gumagana sa BroadNet pagkatapos palitan ang base URL ([setup guide](https://broadrouter.com/fil/guides/openai-python-sdk/)).

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

Sinubukan namin ito na nakaturo ang `BROADNET_BASE_URL` sa isang lokal na mock server (walang live na API call) at gamit ang live na pricing feed. Umabot sa tamang mock endpoint ang text, isang WAV file, isang WAV file na may kasunod na task, at isang PNG. Tinanggihan bago pa magkaroon ng anumang request ang pagpapadala ng PNG na may `chat_model="broadnet/glm-5.3"`, at inilista nito ang tatlong ID mula sa feed na tumatanggap ng image. Tinanggihan ang isang `.ogg` file kasama ang ffmpeg command para i-convert ito; tinatalakay ng [pag-transcribe ng mga voice note sa WhatsApp](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/) ang step na iyon. Kailangang hatiin ang mga recording na lampas sa size cap; binubuo ng [audio splitter](https://broadrouter.com/tools/audio-splitter-ffmpeg/) ang mga ffmpeg command.

## Paano kung text na ang dokumento?

Kung gayon, huwag magpadala ng larawan nito. Kadalasang may text layer ang PDF na in-export mula sa accounting system o word processor; i-extract ito gamit ang PDF library at ipadala ang text sa chat model. Mas mura iyon kaysa sa image sa pay-as-you-go na key, iniiwasan ang maling basa, at gumagana rin sa GLM 5.3. Itabi ang vision para sa mga scan, litrato mula sa phone, sulat-kamay, tatak at screenshot, kung saan walang text layer na mae-extract.

Kapaki-pakinabang na patakaran sa document pipeline: subukan muna ang text extraction, tingnan kung totoong text ang ibinalik nito (hindi walang lamang page o gulong mga character), at bumalik lang sa image kapag hindi. Para sa mga Arabic na PDF, basahin muna ang sample ng na-extract na text bago ito pagkatiwalaan: depende sa kung paano ginawa ang PDF, puwedeng magbalik ang extraction ng mga Arabic na letra sa maling pagkakasunod o sa hindi magkakadugtong na presentation form. Tinatalakay ng [Arabic OCR gamit ang vision LLM](https://broadrouter.com/fil/blog/arabic-ocr-vision-llm/) ang mga kaso kung saan mas magandang pinagmulan ang image.

## Paano nagkakaiba ang mga gastos?

Sinisingil ang bawat uri ng input sa sarili nitong unit, kaya ikumpara kada task, hindi kada request:

-   **Text**: sinisingil kada input at output token. Madalas na mas maraming token ang kailangan ng Arabic kaysa English para sa parehong content; sinusukat ito ng [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/).
-   **Image**: sa pay-as-you-go, input token ito sa input price ng model, kaya puwedeng mas mahal ang malaking litrato kaysa sa isang page ng text. Sa DeepSeek session plan, kasama na ang mga image sa flat na presyo.
-   **Audio**: sinisingil kada minuto ng audio, anuman ang sinabi. Sa BroadNet, mga $21.00 ang 10,000 Arabic na voice note na tig-30 segundo gamit ang Arabic model. Kinukuwenta ng [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ang ibang volume.

Pinagsasama ng chain ang mga bahagi nito: ang voice note na sinagot ng chat model ay nagkakahalaga ng mga minuto ng transcription dagdag ang chat token ng transcript at ng sagot. Hinahawakan ng [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) ang bahaging chat.

## Ano ang wala, at ano ang dapat gawin sa halip?

Dalawang inference endpoint ang dinodokumento ng API reference ng BroadNet: chat completions at audio transcriptions. Kaya walang:

-   **Text-to-speech.** Walang `/v1/audio/speech`. Kung kailangang magsalita pabalik ng produkto mo, ipares ang transcription at chat ng BroadNet sa hiwalay na TTS service.
-   **Live voice.** Uploaded na file ang tinatanggap ng transcription, hindi live na audio stream. Para sa phone agent na kailangang sumagot habang nasa gitna ng tawag, kailangan mo ng realtime voice stack sa ibang lugar. Ipinapakita ng [pag-record ng audio sa browser para sa transcription](https://broadrouter.com/fil/blog/record-browser-audio-transcription-api/) ang alternatibong nakabatay sa file.
-   **Image generation.** Nagbabasa ng image ang vision dito; hindi ito gumagawa ng image.
-   **Embeddings.** Walang `/v1/embeddings`. Para sa retrieval, kailangan mo ng embedding model mula sa ibang provider o self-hosted; ikinukumpara ng [embedding cost calculator](https://broadrouter.com/tools/embedding-cost-calculator/) ang mga presyo.

Naglilista nga ang [research catalogue](https://www.broadnet.ai/inference/models) ng BroadNet ng mga text-to-speech, image-generation at embedding model, na may markang benchmarked sa lab nito. Itinatala nito kung ano ang sinubukan ng BroadNet, hindi kung ano ang ibinebenta ng API nito; ipinapaliwanag ng [pagbasa ng model catalogue](https://broadrouter.com/fil/blog/understand-model-status/) ang pagkakaiba.

## Bakit kailangan ng hiwalay na evaluation set para sa bawat input?

Dahil magkakaiba ang paraan ng pagpalya ng bawat uri ng input, at itinatago ng average ng lahat ang mga pagpalya.

-   **Text:** mag-score sa totoong mga message ng user, na may mga check sa code kung kaya. Nasa [pag-evaluate ng LLM bago lumipat](https://broadrouter.com/fil/blog/evaluate-llm-before-switching/) ang paraan.
-   **Image:** gumamit ng totoong litrato sa totoong kalidad: mga kuha ng phone na nakatagilid, kupas na resibo, tatak na nakapatong sa text. I-score nang hiwalay ang bawat field. Mas mataas nang husto ang score ng malinis na PDF render kaysa sa mga litratong ipapadala ng mga user mo.
-   **Speech:** sukatin ang [word error rate](https://broadrouter.com/fil/glossary/word-error-rate/) sa sarili mong mga recording, hinati ayon sa dialect, nagsasalita at kalidad ng linya, at hiwalay na suriin ang mga salitang mahalaga (pangalan, numero, halaga). Tingnan ang [Arabic ASR WER explained](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/).
-   **Chain:** kapag pumapasok ang pananalita sa chat model, i-score ang dalawang step at ang huling resulta. Nagiging kumpiyansang maling sagot ang maling narinig na numero, at end-to-end na test lang ang makakapagpakita kung gaano ito kadalas.

Paghiwalayin ang mga set, lagyan ng bersyon, at patakbuhin ulit ang may kinalaman tuwing papalitan mo ang model o prompt.

## Saan pumapasok ang BroadNet Inference

Sakop ng BroadNet Inference ang unang limang row ng task table gamit ang isang key at isang base URL: text chat, tool calling sa GLM 5.3 at Qwen3.8 27B, pag-unawa sa image sa tatlong model, at Arabic o multilingual na transcription. Tumatakbo sa $5 na panimulang credit ang Gemma 4 VL 26B at ang dalawang transcription model; kailangan ng top-up ang DeepSeek, GLM at Qwen. Hindi itinatago ang inference content; itinatago ang kinakailangang account, billing at security metadata ayon sa [privacy statement](https://www.broadnet.ai/inference-privacy) ng BroadNet. Para sa pagsasalita, image generation, live voice o embeddings, gumamit ng ibang service. Nasa [pricing page](https://broadrouter.com/fil/pricing/) ang presyo ng lahat ng nasa itaas.

Mga libreng tool para rito (Ingles)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Embeddings](https://broadrouter.com/fil/glossary/embeddings/)

Ang embeddings ay mga listahan ng floating-point na numero (vector) na binubuo ng isang model para kumatawan sa isang piraso ng text, larawan o ibang input. Magkakalapit ang vector ng mga input na magkatulad ang kahulugan, kaya magagamit ang layo ng mga vector para i-rank ang search results, i-cluster ang mga dokumento o hanapin ang magkakaugnay na item.

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

[WAV](https://broadrouter.com/fil/glossary/wav/)

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

[Chat Completions API](https://broadrouter.com/fil/glossary/chat-completions-api/)

Ang Chat Completions API ay HTTP endpoint ng OpenAI, POST /v1/chat/completions, na tumatanggap ng pangalan ng model at listahan ng mga message na may role, at ibinabalik ang susunod na message ng model. Ang hugis ng request at response nito ang naging karaniwang format na ginagamit din ng mga OpenAI-compatible na provider at SDK.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

[Prepaid credit](https://broadrouter.com/fil/glossary/prepaid-credit/)

Ang prepaid credit ay perang idinadagdag sa isang API account bago gamitin. Ibinabawas sa balance ang gastos ng bawat request, at kapag naubos ang balance, titigil ang mga metered request hanggang mag-top-up ka. Nililimitahan nito ang gastos sa halagang naibayad mo na.

## Mga tanong

### Aling AI model ang dapat kong gamitin para sa mga image?

Isang tumatanggap ng image input sa API na ginagamit mo. Sa BroadNet Inference, iyan ay ang DeepSeek V4.1 Flash, Qwen3.8 27B o Gemma 4 VL 26B, ayon sa pricing feed nito; text lang ang tinatanggap ng GLM 5.3. Ipadala ang image bilang data URL sa chat message.

### Kaya bang mag-transcribe ng audio ng chat model?

Hindi sa BroadNet Inference. Napupunta ang audio sa transcription endpoint, /v1/audio/transcriptions, na may transcription model. Kung kailangan mo pagkatapos ng buod o sagot, ipadala ang transcript sa chat model bilang ikalawang step.

### May text-to-speech o image generation ba ang BroadNet Inference?

Wala. Chat completions at audio transcription lang ang dinodokumento ng API reference nito. Lumalabas ang mga text-to-speech at image-generation model sa research catalogue ng BroadNet bilang benchmarked, na hindi katulad ng iniaalok.

### Anong mga audio format ang tinatanggap ng BroadNet?

WAV (audio/wav) o MP3 (audio/mpeg), hanggang 26,214,400 byte kada file. I-convert muna gamit ang ffmpeg ang ibang format, gaya ng .ogg na voice note sa WhatsApp, at laging ipadala ang language parameter.

### Paano sinisingil ang isang image?

Sa pay-as-you-go na key, sinisingil ng BroadNet ang image bilang input token sa input price ng model, at mas maraming token ang ginagamit ng mas malaking image. Sa DeepSeek session plan, kasama na ang mga image sa flat na presyo.

## Magbasa pa

-   [Data ng invoice, resibo at form sa JSON gamit ang vision LLM](https://broadrouter.com/fil/blog/extract-data-from-documents-with-vision-llm/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Multilingual speech-to-text API: 14 na wika, iisang endpoint](https://broadrouter.com/fil/blog/multilingual-speech-to-text-api/)
-   [Pinakamurang vision LLM API: gastos kada larawan at kada page](https://broadrouter.com/fil/blog/cheapest-vision-llm-api/)
-   [Arabic meeting minutes mula sa recording: isang API pipeline](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/)
-   [Live, on request, research: paano basahin ang model catalogue](https://broadrouter.com/fil/blog/understand-model-status/)
-   [Paano mag-evaluate ng LLM bago lumipat ng provider](https://broadrouter.com/fil/blog/evaluate-llm-before-switching/)
-   [GPU hardware at paraan ng serving ng BroadNet, ayon sa BroadNet](https://broadrouter.com/fil/blog/broadnet-gpu-fleet-and-serving/)
-   [I-cache ang LLM API response, makatipid: exact-match cache sa Python](https://broadrouter.com/fil/blog/cache-llm-responses-cut-cost/)
-   [Gabay: Basahin ang mga Arabic na invoice at resibo gamit ang vision model](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Gabay: Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [Gabay: Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-text-speech-vision&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference: mga model ID, chat na may image, format at laki para sa transcription, status ng capability (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-text-speech-vision&utm_content=sources)
-   [pricing.json ng BroadNet Inference: modality, wika at presyo kada model (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-text-speech-vision&utm_content=sources)
-   [Model catalogue ng BroadNet Inference: mga live na model, at mga text-to-speech at image model na nakalistang benchmarked (sinuri noong 2026-11-15) (Ingles)](https://www.broadnet.ai/inference/models)
-   [Pahayag ng BroadNet Inference tungkol sa privacy at data retention (sinuri noong 2026-11-15) (Ingles)](https://www.broadnet.ai/inference-privacy)
