May impormasyon sa mga voice note, tawag at meeting na hindi mahahanap ng software hangga’t hindi ito text. Pinupunan ng speech-to-text ang puwang na iyon.
Paano ito gumagana
Inilalarawan ng Hugging Face ang automatic speech recognition bilang “the task of transcribing a given audio to text.” (Salin ng BroadRouter: “ang gawain ng pag-transcribe ng isang audio sa text.”) Ginagawang features ng isang modernong ASR model ang audio, saka nito binubuo ang pinakamalamang na pagkakasunod ng mga salita.
Sa isang OpenAI-compatible API, ina-upload mo ang file bilang multipart form data sa /v1/audio/transcriptions:
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
JSON ang response, at nasa text ang transcript. Nagtatakda ang mga provider ng limit sa laki at format ng file; tumatanggap ang sariling endpoint ng OpenAI ng mga file na hanggang 25 MB (ayon sa speech to text guide nito, sinuri noong 2026-11-15).
Bakit ito mahalaga
- Accuracy ang nagpapasya sa halaga. Puwedeng mas masama pa kaysa sa wala ang transcript na mali ang mga pangalan o numero. Sinusukat ang accuracy gamit ang word error rate, at bumababa ito sa mga accent, dialect, sabay-sabay na nagsasalita at audio mula sa telepono.
- Presyo kada oras ng audio. Kada minuto ng audio sinisingil ang STT, kaya madaling i-forecast ang volume: oras ng audio na i-multiply sa rate kada oras.
- Privacy. May dalang mga pangalan, numero ng telepono at detalye ng kalusugan o bangko ang boses. Itanong kung itinatago ang audio at mga transcript; tingnan ang zero data retention.
- Mga pipeline. Madalas ipinapasa sa LLM ang transcript pagkatapos, para sa buod, routing o extraction.
Sa BroadNet Inference
| Model | Mga wika | Presyo kada minuto | Kada oras |
|---|---|---|---|
| BroadNet Transcribe Arabic | Arabic, kasama ang mga dialect | $0.0042 | $0.25 |
| BroadNet Transcribe | 14 na wika | $0.002 | $0.12 |
Parehong tumatanggap ng WAV o MP3 na hanggang 26,214,400 bytes (25 MiB) kada file; 413 ang ibinabalik ng mas malaking file. Ipadala ang language=ar para sa Arabic, kung hindi ay puwede itong bumalik na naka-transliterate sa letrang Latin. Ayon sa BroadNet, nasa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ang Arabic na model sa Open Universal Arabic ASR Leaderboard. Hindi itinatago ang audio at mga transcript.
May mga provider na mas mura. Noong 2026-11-14, nakalista sa pricing page ng Soniox ang mga USD 0.10 kada oras para sa file (async) transcription at USD 0.12 kada oras para sa real-time, at kasama ang Arabic sa listahan nito ng mga wika. Mas mababa iyon sa $0.25 kada oras ng BroadNet Transcribe Arabic, kaya subukan ang dalawa sa sarili mong audio. Naglilista ang bukas naming speech-to-text API price index ng mahigit 20 produkto, may source at petsa ang bawat presyo.
Gumagana ang dalawang model sa libreng $5 na panimulang credit, na sapat para sa mga 1,190 minuto ng Arabic audio. Magsimula sa gabay sa Arabic speech-to-text, i-convert ang mga .ogg file ng WhatsApp gamit ang gabay sa voice note, at ikumpara ang mga provider gamit ang buyer’s guide.