BroadRouter

Speech-to-text (STT)

Na-update

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.

Tinatawag ding: STT, ASR, transcription, voice to text, speech to text, automatic speech recognition, transcription API, audio transcription

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.

Mga tanong

Paano sinusukat ang accuracy ng speech-to-text?

Gamit ang word error rate (WER), ang bahagi ng mga salitang mali sa transcript kumpara sa tamang reference. Mas mababa, mas maganda. Sukatin ito sa sarili mong mga recording, dahil malaki ang pag-iiba ng accuracy ayon sa accent, dialect at kalidad ng audio.

Paano ko ita-transcribe ang mga file na lampas sa size limit?

Hatiin ang audio sa mas maiikling bahagi, mas mabuti kung sa mga paghinto, at i-transcribe ang bawat isa. Nakakabawas din ng laki ang pag-compress sa MP3.

Bakit minsan bumabalik sa letrang Latin ang Arabic?

Kapag walang language hint, may mga model na nagta-transliterate. Sa BroadNet Inference, ipadala ang language=ar para sa Arabic.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity