Karamihan ng mga page na nagra-rank para sa “translate Arabic audio to English” ay mga web tool na mag-upload-at-mag-download. Ayos ang mga iyon para sa iisang file. Kung kailangan mo ng pagsasalin sa loob ng sarili mong produkto (support call, interview, voice note, lecture), kailangan mo ng dalawang API call at ilang check sa paligid nito. Bumubuo ang post na ito ng pipeline na iyon sa iisang OpenAI-compatible key, sinusubukan ito, at ipinapakita kung paano sukatin kung sapat na ang husay nito.
Para sa pagsasalin ng Arabic text na hawak mo na, tingnan ang Arabic–English translation gamit ang LLM. Para gawing minutes ang meeting recording sa halip na buong salin, tingnan ang Arabic meeting minutes mula sa recording.
Iisang call o dalawa?
Dalawa ang paraan para makakuha ng English text mula sa Arabic speech:
| Paraan | Paano gumagana | Angkop para sa |
|---|---|---|
| Speech translation (one step) | Iisang request; English ang ibinabalik ng serbisyo | Live na audio, caption, pinakasimpleng code |
| Transcribe, saka isalin (two steps) | Arabic text ang ibinabalik ng isang speech-to-text call; isinasalin ito ng LLM | Mga file, kapag gusto mo rin ang Arabic, glossary at check |
Nagbabago ang pinakakilalang one-step na endpoint para sa mga file. Sabi ng speech-to-text guide ng OpenAI, ang /v1/audio/translations ay “uses whisper-1 to translate a completed audio recording into English” (salin: gumagamit ng whisper-1 para isalin sa English ang tapos nang audio recording). Ayon sa deprecations page nito, na sinuri noong 2026-11-15, 26 Agosto 2026 ang notice date at 26 Pebrero 2027 ang shutdown date. Ang nakalistang kapalit ay /v1/realtime/translations, na isang realtime API, hindi file upload. Kung tinatawag ng code mo ang lumang endpoint, bubuuin mo ulit ito alinman ang piliin.
Ang Soniox ay isang kasalukuyang one-step na opsyon: ipinapakita ng Arabic to English page nito ang isang WebSocket request na may translation block na naka-set sa source ar at target en. Sa live na audio pinakamakatuwiran ang streaming na produktong ganito.
May tatlong praktikal na bentahe ang two-step na pipeline para sa mga file:
- Nasa iyo ang Arabic transcript. Mase-search mo ito, maipapakita katabi ng English, at maisasalin ulit mamaya gamit ang mas mahusay na model nang hindi na nagbabayad ulit para sa transcription.
- Kontrolado mo ang pagsasalin. Ikaw ang pipili ng model, bibigyan mo ito ng glossary ng mga pangalan at product term, at susuriin mo ang output nito sa code.
- Makikita mo kung saan nanggagaling ang mga error. Ang maling English na pangungusap ay recognition error o translation error. Kapag hawak mo ang transcript, malalaman mo kung alin.
Ang kapalit ay pangalawang request at mas maraming code. Iyon na code ang natitirang bahagi ng post na ito.
Ano ang itsura ng 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
Step 1: paano ihahanda at hahatiin ang audio?
Tumatanggap ang transcription endpoint ng BroadNet ng WAV (audio/wav) o MP3 (audio/mpeg) hanggang 26,214,400 byte kada file. Kailangan pa ring i-convert ang mga phone recording (.m4a), WhatsApp voice note (.ogg) at video, kaya mag-resample at maghati sa iisang ffmpeg step:
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
-f segment -segment_time 600 chunks/part_%03d.wav
32,000 byte kada segundo ang 16 kHz mono 16-bit na audio, kaya mga 19.2 MB ang isang 10-minutong bahagi, mas mababa sa limit. Pinatakbo namin ito sa isang 25-minutong test file: gumawa ito ng dalawang bahaging 19,200,162 at 19,200,194 byte at isang 5-minutong bahaging 9,599,878 byte.
Puwedeng mahati ang isang salita sa mga hiwang nakapirmi ang haba. Para sa totoong speech, maghiwa sa mga katahimikan sa halip; may splitter na batay sa katahimikan ang transcribe long audio files, at isinusulat ng audio splitter tool ang ffmpeg command para sa iyo. Nasa glossary ang background tungkol sa sample rate at kung bakit sapat ang 16 kHz para sa speech.
Step 2 at 3: paano mag-transcribe at magsalin?
Ipinapadala ng script sa ibaba ang bawat bahagi sa Arabic transcription model, saka sa isang chat model na may translation prompt. Tumatakbo ito gamit ang OpenAI Python SDK.
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 saan ang bawat bahagi:
language="ar". Ayon sa docs ng BroadNet, laging ipadala anglanguagesa transcription request. Detalyadong tinatalakay ng gabay sa Arabic speech-to-text ang request.- Sinasabi ng prompt kung saan galing ang text. Walang bantas ang transcript, puwedeng naka-dialect at puwedeng may recognition error. Kapag sinabi ito sa model, hindi nito ituturing na sinadya ang mga kakaibang parirala, at may mahahanap ang mga reviewer dahil sa
[unclear]na marker. - Panatilihin ang mga English na salita. Madalas lumipat sa English ang mga Arabic speaker sa gitna ng pangungusap (“الـ deadline”, “فريق الـ QA”). Code-switching iyon, at dapat hayaan ng model ang mga salitang iyon, hindi isalin nang pabalik-balik.
- Glossary kada bahagi. Ang mga glossary entry lang na lumalabas sa bahagi ang ipinapadala, kaya nananatiling maikli ang mga prompt. Eksakto ang match, kaya kung iba-iba ang spelling sa mga transcript mo (أ laban sa ا, ة laban sa ه), i-normalise muna ang dalawang panig; ipinapakita ng Arabic text normalizer ang mga karaniwang patakaran.
- Naunang bahagi bilang context. Nakakatulong ang huling 500 character ng naunang Arabic na bahagi sa mga panghalip at sa mga pangungusap na naputol sa hangganan ng bahagi. Sinasabi ng prompt na huwag itong isalin, kaya hindi ito lumalabas nang dalawang beses.
max_tokens=4000atreasoning_effort="low". Ayon sa docs ng BroadNet, nagre-reason muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B bago sumagot at kasama ang reasoning samax_tokens. Puwedeng magbalik ng walang laman na sagot ang maliit na limit; tingnan ang reasoning tokens at empty responses. Nagre-raise ng error ang code sa walang laman o naputol na reply sa halip na mag-save ng kalahating salin.- Number check. Sa mga numero pinakamalaki ang pinsala ng maling salin. Ina-map ng check ang Arabic-Indic na digit (٠-٩) at Persian na digit (۰-۹) sa 0-9 at tinitiyak na lumalabas ang bawat numero sa English. Hindi mahuhuli ang mga numerong binigkas bilang salita (“خمسة عشر”), kaya kailangan pa ring basahin ng reviewer ang anumang mahalaga.
Ano ang ipinakita ng test?
Pinatakbo namin ang script laban sa isang local mock server na nag-i-implement ng dalawang endpoint (walang live API call). Ipinadala ang tatlong bahagi mula sa 25-minutong test file na may model=broadnet/cohere-transcribe-arabic at language=ar, at dala ng bawat chat request ang mga glossary line para sa bahaging iyon at ang naunang Arabic na bahagi bilang context. Sinadyang magtanggal ng numero ang pangatlong salin ng mock, at nag-print ang script ng:
--- 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
Inimbento para sa test ang mga Arabic na pangungusap at ang kumpanya. Ipinapakita ng run na gumagana ang code, hindi kung gaano kahusay ang salin ng anumang model; para doon, gamitin ang scoring step sa ibaba.
Paano naaapektuhan ng mga recognition error ang salin?
Direkta silang dumadaan. Kung ٢١٤ ang sinasabi ng transcript samantalang ٢٤٠ ang sinabi ng nagsasalita, tapat na sasabihin ng salin na 214. Kung napagkamalang katunog na standard na salita ang isang dialect na salita, maayos basahin at mali ang magiging salin. Dahil maayos ang English, mahirap mapansin ang mga error na ito, at iyan ang pangunahing panganib ng anumang speech translation system.
Masusukat mo kung gaano karami ng error ang nanggagaling sa bawat step. Mangolekta ng 30 o higit pang clip, at para sa bawat isa, kumuha ng:
- Arabic transcript na gawa ng tao,
- English na salin na gawa ng tao (ang reference).
Saka isalin ang human transcript at ang ASR transcript gamit ang pipeline mo, at i-score ang dalawa laban sa reference. Ang chrF, isang character n-gram score, ay mas kaya ang mga pangalan at anyo ng salita kaysa sa BLEU at ito ang karaniwang default para sa Arabic–English; parehong kinukuwenta ng SacreBLEU:
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}")
Sa dalawang toy na pangungusap na ito (SacreBLEU 2.6.0), nag-print ito ng chrF 94.6 at BLEU 89.2 para sa path ng human transcript, at chrF 87.1 at BLEU 71.7 para sa buong pipeline. Walang napapatunayan ang dalawang toy na pangungusap tungkol sa isang model. Sa sarili mong mga clip, kung malaki ang agwat, dapat mong pahusayin ang recognition: mas magandang audio, dialect test set gaya ng sa Arabic dialect speech recognition, o ibang provider. Kung maliit ang agwat pero mababa ang score sa kabuuan, ang translation step ang kailangang ayusin: mas mahusay na prompt, glossary o ibang model. Para i-score nang hiwalay ang transcription step, gamitin ang word error rate.
Nira-ranggo ng mga awtomatikong score ang mga system; hindi nila inaaprubahan ang salin. Ipabasa sa isang bilingual na reviewer ang isang sample, lalo na ang mga numero, pangalan at negasyon.
Aling mga model ang dapat gamitin?
| Step | BroadNet model | Presyo | Tala |
|---|---|---|---|
| Transcribe | BroadNet Transcribe Arabic | $0.0042 kada minuto ($0.25 kada oras) | Arabic lang; sakop ng $5 na panimulang credit |
| Isalin | Qwen3.8 27B | $0.175 input, $2.17 output kada 1M token | Reasoning model; 262,144-token na context; kailangan ng top-up |
| Isalin | Gemma 4 VL 26B | $0.10 input, $0.22 output kada 1M token | Sakop ng panimulang credit; 32,768-token na context, kadalasan sapat para sa 10-minutong bahagi; suriin ang isang sample sa token counter. Tanggalin ang reasoning_effort, na idinodokumento lang ng BroadNet para sa mga reasoning model nito |
| Isalin | DeepSeek V4.1 Flash | $0.175 input, $0.52 output kada 1M token, o flat na session | Reasoning model; partner-hosted; kailangan ng top-up o plan |
Patakbuhin ang scoring script sa parehong mga clip gamit ang bawat translation model at pumili batay sa mga score at sa mga tala ng reviewer, hindi sa table namin. Tinatalakay ng pagpili ng LLM para sa Arabic ang mas malawak na mga trade-off.
Magkano ang isang oras ng audio?
Dalawa ang bahagi:
- Transcription, kada minuto ng audio: $0.25 kada oras sa BroadNet Transcribe Arabic.
- Pagsasalin, kada token:
prompt_tokens × input price + completion_tokens × output price, hinati sa 1,000,000. Kasama sa prompt ang system prompt, ang mga glossary line, ang context ng naunang bahagi at ang transcript. Kasama sa completion ang English at, sa mga reasoning model, ang mga reasoning token.
Hindi kami naglalathala ng iisang figure kada oras para sa pagsasalin, dahil nakadepende ito sa bilis ng pagsasalita ng mga tao, sa dialect at sa dami ng reasoning ng model. Sukatin ito: magpatakbo ng isang karaniwang oras, pagsamahin ang usage.prompt_tokens at usage.completion_tokens mula sa mga response, at ilagay sa LLM API cost calculator. Bago ka magkaroon ng audio, puwede kang mag-paste ng sample na transcript sa Arabic token counter; kadalasan mas maraming token kada salita ang Arabic kaysa sa English, gaya ng ipinapakita ng tokens per word sa Arabic at English. Kinukuwenta ng speech-to-text cost calculator ang bahaging audio.
Para sa malaking backlog, tinatanggal ng flat na DeepSeek V4.1 Flash session ang token meter sa translation step: $1 kada oras, $15 kada linggo o $60 kada buwan kada session. Isang request lang nang sabay ang kaya ng isang session, kaya kailangan ng mas maraming session ang mga parallel na worker. Kada minuto pa rin sinisingil ang transcription.
Kailan maling pagpili ang pipeline na ito?
- Live na audio. Kailangan ng mga tawag, live caption at voice agent ng streaming na resulta sa loob ng ilang segundo. Mas angkop ang streaming speech-translation API, o isang realtime endpoint, kaysa sa pag-upload ng file.
- Subtitle. Text lang ang transcription response ng BroadNet, walang timestamp. Ipinapakita ng Arabic subtitles mula sa text-only na API kung hanggang saan ka dadalhin ng mga offset ng chunk; para sa word-level na timing, gumamit ng provider na nagbabalik ng timestamp.
- Mga wikang hindi tina-transcribe ng BroadNet. Arabic ang hawak ng Arabic model. Para sa ibang source language, suriin muna ang listahan ng 14 na wika ng multilingual model.
- Legal o medikal na record. Gamitin ang pipeline para sa draft at isang human translator para sa record.
Saan pumapasok ang BroadNet Inference
Ang BroadRouter ay sariling site ng BroadNet. Iniaalok ng BroadNet Inference ang dalawang step ng pipeline na ito sa iisang OpenAI-compatible key: Arabic transcription sa /v1/audio/transcriptions at pagsasalin sa /v1/chat/completions. Wala itong one-step na speech-translation endpoint at walang streaming transcription, kaya gumamit ng ibang provider para sa live na audio. Ayon sa privacy policy nito, hindi itinatago ang inference content, kasama ang audio, transcript at sagot; itinatago ang kinakailangang metadata ng account, billing at security. Magsimula sa Arabic transcription page o sa API reference, at mag-test sa sarili mong mga recording bago umasa sa output.
