Pour choisir une API speech-to-text pour l’arabe, transcrivez 30 à 50 de vos propres extraits par dialecte avec chaque candidat, comparez le taux d’erreur sur les mots par dialecte, puis pesez le prix par heure d’audio, les limites de fichiers, les besoins de streaming et la conservation des données. Un modèle brillant sur un benchmark peut quand même échouer sur l’audio de votre centre d’appels.
L’arabe est difficile pour la reconnaissance vocale : une seule norme écrite coiffe de nombreux dialectes parlés, les locuteurs passent à l’anglais en milieu de phrase, et l’essentiel de l’audio réel se compose d’appels téléphoniques et de messages vocaux.
Pourquoi le taux d’erreur sur votre propre audio compte-t-il le plus ?
Le taux d’erreur sur les mots (WER) est la part des mots que le modèle se trompe : substitués, omis ou inventés. Plus bas, c’est mieux. Les chiffres publics sont un point de départ :
| Jeu de test | Ce que c’est | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | Phrases lues, audio propre | 3.8 | non publié | non publié |
| MASC-ar | Parole arabe réelle et variée | 21.1 | 22.3 | 31.5 |
| Jeu dialectal BroadNet | Parlers du Golfe, égyptien et levantin | 23.4 | 25.6 | 31.8 |
Ce sont des mesures de laboratoire de BroadNet, publiées dans son catalogue de modèles et sur sa page Transcribe Arabic. BroadNet a mené la comparaison lui-même : considérez les colonnes ElevenLabs et Whisper comme le test d’un fournisseur sur ses concurrents, pas comme un résultat indépendant. BroadNet indique aussi pour ce modèle, sur l’Open Universal Arabic ASR Leaderboard : #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026), et n° 1 parmi les modèles dont la licence autorise la mise à disposition via une API. Le 15 novembre 2026, les trois entrées au-dessus étaient Jais-ASR, Sygma-ASR-Arabic (que le classement décrit comme du beam decoding sur le modèle Cohere) et Audar-ASR-V1-Turbo ; Whisper large-v3 était 19e. Nous n’avons pas vérifié la licence de chaque entrée.
Vous pouvez écouter le modèle sur votre propre voix avant de vous inscrire : le playground dans le navigateur de BroadNet transcrit jusqu’à 60 secondes d’audio arabe ou anglais sans compte. Voir comment utiliser le playground.
L’écart entre 3,8 et 23,4 est la leçon : le même modèle peut être quasi parfait sur de la parole lue et nettement plus faible sur des conversations en dialecte. Testez sur les vôtres.
Méfiez-vous des chiffres des fournisseurs en général. Beaucoup de WER arabes publiés proviennent du propre test du fournisseur, sur un audio que vous ne voyez pas. Un chiffre n’est comparable que si le jeu de test, la normalisation et l’outil d’évaluation sont les mêmes.
Pour une vue d’ensemble, notre index ouvert des prix des API speech-to-text recense les prix par lots et en streaming, les paliers de facturation et la prise en charge de l’arabe pour plus de 20 produits, chacun vérifié sur la page de tarifs du fournisseur (CSV et JSON).
Comment vérifier la couverture des dialectes ?
Regroupez vos fichiers de test par dialecte : Golfe (khaliji), égyptien, levantin, irakien, maghrébin, plus l’arabe standard moderne. Évaluez chaque groupe séparément. Si la plupart de vos clients sont à Riyad, le WER sur l’arabe du Golfe compte bien plus qu’une moyenne.
Attention au code-switching. Le parler professionnel du Golfe mêle noms de produits et nombres en anglais. Vérifiez comment sortent les nombres, les dates et les noms, car ce sont les mots sur lesquels agit votre système en aval. BroadNet propose sur demande un modèle arabe affiné pour les nombres, dates et noms dans un audio bruité.
Combien coûte la transcription arabe par heure d’audio ?
Comparez à l’heure d’audio, car c’est ainsi que se mesure votre volume :
| Modèle | À la minute | À l’heure | 1 000 heures |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe (14 langues) | $0.002 | $0.12 | — |
| Soniox asynchrone (fichier), plus de 60 langues | environ USD 0.0017 (déduit) | environ USD 0.10 | environ USD 100 |
| Soniox temps réel (streaming) | environ USD 0.002 (déduit) | environ USD 0.12 | environ USD 120 |
Les lignes Soniox proviennent des tarifs Soniox, vérifiés le 14 novembre 2026. Soniox facture au token (environ 30 000 tokens audio par heure) et présente les montants horaires comme des approximations.
Soniox est moins cher à l’heure que BroadNet. Son tarif fichier fait moins de la moitié des $0.25 de BroadNet Transcribe Arabic et passe sous les $0.12 de BroadNet Transcribe. Son tarif temps réel égale celui de BroadNet Transcribe et reste moins cher que le modèle arabe, et BroadNet ne documente pas du tout de streaming en temps réel. Soniox inclut l’arabe (ar) dans ses langues prises en charge et affiche un tarif unique pour toutes les langues. Il ne publie ni tarif propre à l’arabe, ni WER arabe, ni couverture dialectale : le prix est clair, la précision ne l’est pas. Faites le même test dialectal sur les deux avant de choisir sur le prix.
Pour une boîte de support, 10 000 messages vocaux WhatsApp de 30 secondes chacun coûtent $21.00 avec le modèle arabe. Le calcul est 10,000 × 0.5 minutes × $0.0042. Passez votre propre volume dans le calculateur de coût speech-to-text.
En comparant les fournisseurs, vérifiez l’unité de facturation autant que le tarif : à la seconde, à la minute ou par bloc entamé, et l’existence d’un minimum facturé par fichier. C’est sur les messages vocaux courts que l’arrondi de facturation se voit. Pour les tarifs à la minute d’autres fournisseurs, vérifiés sur leurs pages de prix, voir comparatif des prix des API speech-to-text ; si vous quittez l’endpoint d’OpenAI, voir la check-list alternative à l’API Whisper. La comparaison Transcribe vs Transcribe Arabic montre quand le modèle à 14 langues, moins cher, suffit.
Quelles fonctions une API speech-to-text arabe doit-elle offrir ?
Tous les produits n’ont pas besoin de toutes les fonctions. Décidez lesquelles comptent avant de comparer :
| Fonction | Pourquoi elle compte | Quoi demander |
|---|---|---|
| Envoi de fichiers par lots | Messages vocaux, enregistrements, archives | Formats et taille maximale de fichier |
| Streaming en temps réel | Sous-titres en direct, agents vocaux | Latence, et s’il s’agit d’un produit distinct |
| Identification des locuteurs (diarisation) | Appels entre agent et client | Par lots seulement, ou aussi en direct ? |
| Horodatage par mot | Sous-titres, recherche, outils de relecture | Au niveau du mot ou du segment ? |
| Code-switching | Arabe mêlé de termes anglais | Faut-il une seule langue par requête ? |
| Conservation des données | Les appels contiennent des données personnelles | L’audio ou le texte sont-ils conservés, et combien de temps ? |
Ce que BroadNet documente aujourd’hui : la transcription par lots via l’endpoint compatible OpenAI /v1/audio/transcriptions, une entrée WAV ou MP3, un champ language et la zero data retention. Pour tout le reste de cette liste, consultez la référence de l’API avant de vous y fier.
Quelles limites de fichiers et quels formats s’appliquent ?
- Taille de fichier. BroadNet accepte du WAV ou du MP3 jusqu’à 26 214 400 octets (25 Mio) par fichier. Un fichier plus gros renvoie 413 ; découpez les enregistrements longs.
- Formats. Convertissez d’abord les messages vocaux .ogg et les enregistrements .m4a ; le guide des messages vocaux WhatsApp donne la ligne ffmpeg.
- Le champ language. Envoyez
language=ar. Sans lui, l’arabe peut revenir translittéré en caractères latins. - Limites de débit. Une clé pay-as-you-go autorise 30 requêtes par minute et 4 simultanées. Pour un gros arriéré, mettez les fichiers en file d’attente et relancez les 429 avec backoff ; voir erreurs et relances.
L’audio est-il conservé ?
Messages vocaux et appels contiennent des noms, des numéros de téléphone et des informations de santé ou bancaires. Demandez à chaque fournisseur si l’audio et les transcriptions sont conservés, et pour combien de temps. BroadNet Inference ne conserve ni l’un ni l’autre ; voir zero data retention et notre check-list ZDR.
Comment tester une API de transcription arabe en un après-midi ?
- Rassemblez 30 à 50 vrais extraits par dialecte depuis votre canal de production. Retirez tout ce que vous n’avez pas le droit de partager.
- Rédigez à la main la transcription correcte de 10 extraits par dialecte, selon une convention d’écriture convenue.
- Transcrivez chaque extrait avec chaque API candidate. Le guide pas à pas pour l’arabe contient du code curl et Python pour BroadNet.
- Normalisez les deux textes de la même façon et calculez le WER et le CER par dialecte. Le WER arabe expliqué fournit la fonction Python de normalisation et montre pourquoi l’omettre peut transformer une transcription parfaite en 75 % de WER.
- Lisez vous-même 20 transcriptions. Un WER bas peut encore cacher des nombres ou des noms erronés.
Le choix des extraits, la rédaction des références et l’évaluation de chaque groupe dialectal sont détaillés dans reconnaissance vocale des dialectes arabes.
Erreurs courantes
- Ne tester que de l’audio propre. Utilisez de vrais enregistrements téléphoniques et messages vocaux.
- Un seul WER moyen. Une bonne moyenne peut masquer un dialecte que parlent vos clients.
- Oublier le champ language. Une sortie translittérée compte presque entièrement comme des erreurs.
- Ignorer les nombres. Vérifiez à la main chiffres, dates et montants ; c’est sur eux qu’agit votre système.
Où se situe BroadNet Inference
BroadNet Transcribe Arabic convient à la transcription par lots de messages vocaux, d’appels et d’enregistrements en arabe, à un prix à la minute, sans conservation de l’audio. Le crédit de départ de $5 couvre environ 1,190 minutes d’audio arabe, assez pour le test ci-dessus sans carte bancaire. Si vous avez besoin de fonctions qu’il ne documente pas, comme le sous-titrage en direct par streaming, testez un fournisseur qui les propose. Pour les tâches sur le texte arabe après transcription, voir choisir un LLM pour l’arabe.
