अरबी speech-to-text API चुनने के लिए, हर उम्मीदवार से हर बोली के अपने 30 से 50 क्लिप ट्रांसक्राइब करें, हर बोली का word error rate मिलाएँ, फिर प्रति ऑडियो घंटा कीमत, फ़ाइल सीमाएँ, streaming की ज़रूरत और डेटा retention तौलें। जो मॉडल benchmark पर शानदार दिखता है, वह आपके कॉल-सेंटर के ऑडियो पर फिर भी फ़ेल हो सकता है।
Speech recognition के लिए अरबी मुश्किल है: एक लिखित मानक कई बोली जाने वाली बोलियों के ऊपर बैठा है, बोलने वाले वाक्य के बीच में अंग्रेज़ी पर चले जाते हैं, और ज़्यादातर असली ऑडियो फ़ोन कॉल और वॉइस नोट होते हैं।
आपके अपने ऑडियो पर word error rate सबसे ज़्यादा क्यों मायने रखता है?
Word error rate (WER) उन शब्दों का हिस्सा है जो मॉडल ग़लत करता है: बदले हुए, छूटे हुए या गढ़े हुए। कम बेहतर है। सार्वजनिक आँकड़े शुरुआत भर हैं:
| Test set | यह क्या है | BroadNet Transcribe Arabic | ElevenLabs Scribe v2 | Whisper large-v3 |
|---|---|---|---|---|
| FLEURS-ar | साफ़ पढ़े गए वाक्य | 3.8 | प्रकाशित नहीं | प्रकाशित नहीं |
| MASC-ar | असल दुनिया की मिली-जुली अरबी बोली | 21.1 | 22.3 | 31.5 |
| BroadNet बोली set | खाड़ी, मिस्री और लेवेंटाइन बोली | 23.4 | 25.6 | 31.8 |
ये BroadNet के लैब माप हैं, जो उसके मॉडल कैटलॉग और उसके Transcribe Arabic पेज पर प्रकाशित हैं। तुलना BroadNet ने ख़ुद चलाई, इसलिए ElevenLabs और Whisper वाले कॉलम को एक vendor का अपने प्रतिस्पर्धियों पर किया टेस्ट मानें, स्वतंत्र नतीजा नहीं। BroadNet यह भी बताता है कि Open Universal Arabic ASR Leaderboard पर मॉडल 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) पर है, और उन मॉडलों में #1 जिनके लाइसेंस API के ज़रिए serve करने की इजाज़त देते हैं। 15 नवंबर 2026 को इसके ऊपर की तीन entries Jais-ASR, Sygma-ASR-Arabic (जिसे board Cohere मॉडल पर beam decoding बताता है) और Audar-ASR-V1-Turbo थीं; Whisper large-v3 #19 पर था। हमने हर entry का लाइसेंस नहीं जाँचा है।
साइन अप करने से पहले आप मॉडल को अपनी आवाज़ पर सुन सकते हैं: BroadNet का ब्राउज़र playground बिना अकाउंट के 60 सेकंड तक का अरबी या अंग्रेज़ी ऑडियो ट्रांसक्राइब करता है। देखें playground कैसे इस्तेमाल करें।
3.8 और 23.4 के बीच का अंतर ही सबक़ है: एक ही मॉडल पढ़ी गई बोली पर लगभग पूरा सही और बोलचाल वाली बोली पर काफ़ी कमज़ोर हो सकता है। अपने ऑडियो पर टेस्ट करें।
आम तौर पर vendor के आँकड़ों से सावधान रहें। प्रकाशित अरबी WER के बहुत से आँकड़े vendor के अपने टेस्ट से आते हैं, ऐसे ऑडियो पर जिसे आप देख नहीं सकते। कोई आँकड़ा तभी तुलना लायक़ है जब test set, normalization और scoring टूल एक ही हों।
पूरी तस्वीर के लिए, हमारा open speech-to-text API price index 20 से ज़्यादा प्रोडक्ट्स की batch और streaming कीमतें, billing increments और अरबी सपोर्ट दिखाता है, हर एक प्रोवाइडर के अपने pricing पेज से जाँचा हुआ (CSV और JSON)।
बोलियों का कवरेज कैसे जाँचें?
अपनी test फ़ाइलों को बोली के हिसाब से बाँटें: खाड़ी (ख़लीजी), मिस्री, लेवेंटाइन, इराक़ी, मग़रिबी, और साथ में आधुनिक मानक अरबी। हर समूह को अलग स्कोर करें। अगर आपके ज़्यादातर ग्राहक रियाद में हैं, तो खाड़ी का WER किसी औसत से कहीं ज़्यादा मायने रखता है।
Code-switching पर नज़र रखें। खाड़ी की कारोबारी बोली में अंग्रेज़ी प्रोडक्ट नाम और संख्याएँ मिली रहती हैं। देखें कि संख्याएँ, तारीख़ें और नाम कैसे आते हैं, क्योंकि आगे का सिस्टम इन्हीं शब्दों पर कार्रवाई करता है। BroadNet शोर वाले ऑडियो में संख्याओं, तारीख़ों और नामों के लिए एक fine-tuned अरबी मॉडल अनुरोध पर देता है।
अरबी ट्रांसक्रिप्शन की प्रति ऑडियो घंटा लागत क्या है?
प्रति ऑडियो घंटा तुलना करें, क्योंकि आपका वॉल्यूम इसी तरह मापा जाता है:
| मॉडल | प्रति मिनट | प्रति घंटा | 1,000 घंटे |
|---|---|---|---|
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| BroadNet Transcribe (14 भाषाएँ) | $0.002 | $0.12 | — |
| Soniox async (फ़ाइल), 60+ भाषाएँ | लगभग USD 0.0017 (निकाला गया) | लगभग USD 0.10 | लगभग USD 100 |
| Soniox real-time (streaming) | लगभग USD 0.002 (निकाला गया) | लगभग USD 0.12 | लगभग USD 120 |
Soniox की पंक्तियाँ Soniox pricing से हैं, 14 नवंबर 2026 को जाँची गईं। Soniox प्रति टोकन बिल करता है (लगभग 30,000 ऑडियो टोकन प्रति घंटा) और घंटे वाले आँकड़ों को अनुमान बताता है।
Soniox प्रति घंटा BroadNet से सस्ता है। उसकी फ़ाइल दर BroadNet Transcribe Arabic के $0.25 के आधे से कम है और BroadNet Transcribe के $0.12 से भी नीचे है। उसकी real-time दर BroadNet Transcribe के बराबर है और फिर भी अरबी मॉडल से कम है, और BroadNet real-time streaming document ही नहीं करता। Soniox अपनी समर्थित भाषाओं में अरबी (ar) गिनाता है और सभी भाषाओं के लिए एक ही दर दिखाता है। वह अरबी के लिए अलग कीमत, अरबी WER के आँकड़े या बोलियों का कवरेज प्रकाशित नहीं करता, इसलिए कीमत साफ़ है पर सटीकता नहीं। कीमत के आधार पर चुनने से पहले दोनों पर वही बोली वाला टेस्ट चलाएँ।
किसी सपोर्ट inbox के लिए, 30-30 सेकंड के 10,000 WhatsApp वॉइस नोट अरबी मॉडल पर $21.00 के पड़ते हैं। हिसाब है 10,000 × 0.5 minutes × $0.0042। अपना वॉल्यूम speech-to-text लागत कैलकुलेटर में डालें।
प्रोवाइडर्स की तुलना करते समय दर के साथ billing की इकाई भी देखें: प्रति सेकंड, प्रति मिनट या प्रति शुरू हुआ ब्लॉक, और क्या प्रति फ़ाइल कोई न्यूनतम चार्ज है। छोटे वॉइस नोट्स पर ही billing की rounding दिखती है। दूसरे प्रोवाइडर्स की प्रति मिनट दरों के लिए, उनके pricing पेजों से जाँची हुई, देखें speech-to-text API की कीमतों की तुलना; अगर आप OpenAI के endpoint से हट रहे हैं, तो Whisper API का विकल्प वाली चेकलिस्ट देखें। Transcribe बनाम Transcribe Arabic तुलना दिखाती है कि सस्ता 14-भाषा वाला मॉडल कब काफ़ी है।
अरबी speech-to-text API में कौन-से फ़ीचर होने चाहिए?
हर प्रोडक्ट को हर फ़ीचर नहीं चाहिए। तुलना से पहले तय करें कि कौन-से मायने रखते हैं:
| फ़ीचर | क्यों मायने रखता है | क्या पूछें |
|---|---|---|
| Batch फ़ाइल अपलोड | वॉइस नोट, रिकॉर्डिंग, archives | फ़ॉर्मैट और अधिकतम फ़ाइल साइज़ |
| Real-time streaming | Live captions, वॉइस एजेंट | Latency, और क्या यह अलग प्रोडक्ट है |
| स्पीकर लेबल (diarization) | एजेंट और ग्राहक वाली कॉल | सिर्फ़ batch, या live भी? |
| शब्द timestamps | सबटाइटल, सर्च, समीक्षा टूल | शब्द-स्तर या segment-स्तर? |
| Code-switching | अंग्रेज़ी शब्दों वाली अरबी | क्या हर अनुरोध में एक ही भाषा चाहिए? |
| डेटा retention | कॉल में निजी डेटा होता है | क्या ऑडियो या टेक्स्ट रखा जाता है, और कब तक? |
BroadNet आज जो document करता है: OpenAI-compatible /v1/audio/transcriptions endpoint के ज़रिए batch ट्रांसक्रिप्शन, WAV या MP3 इनपुट, एक language फ़ील्ड, और zero data retention। इस सूची की किसी और चीज़ पर निर्भर होने से पहले API रेफ़रंस जाँचें।
कौन-सी फ़ाइल सीमाएँ और फ़ॉर्मैट लागू होते हैं?
- फ़ाइल साइज़। BroadNet प्रति फ़ाइल 26,214,400 बाइट (25 MiB) तक की WAV या MP3 लेता है। बड़ी फ़ाइल पर 413 लौटता है; लंबी रिकॉर्डिंग को बाँटें।
- फ़ॉर्मैट। .ogg वॉइस नोट और .m4a रिकॉर्डिंग पहले बदलें; WhatsApp वॉइस नोट गाइड में ffmpeg वाली लाइन है।
- Language फ़ील्ड।
language=arभेजें। इसके बिना अरबी लैटिन अक्षरों में लिप्यंतरित होकर लौट सकती है। - Rate limits। उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 की इजाज़त देती है। बड़े backlog के लिए फ़ाइलों को queue करें और 429 को backoff के साथ दोबारा भेजें; देखें errors और retries।
क्या ऑडियो स्टोर होता है?
वॉइस नोट और कॉल में नाम, फ़ोन नंबर और सेहत या बैंकिंग के ब्योरे होते हैं। हर प्रोवाइडर से पूछें कि क्या ऑडियो और ट्रांसक्रिप्ट retain किए जाते हैं, और कब तक। BroadNet Inference दोनों में से कुछ भी retain नहीं करता; देखें zero data retention और हमारी ZDR चेकलिस्ट।
एक दोपहर में अरबी ट्रांसक्रिप्शन API कैसे टेस्ट करें?
- अपने production चैनल से हर बोली के 30 से 50 असली क्लिप इकट्ठा करें। जो कुछ शेयर नहीं कर सकते, उसे हटा दें।
- हर बोली के 10 क्लिप का सही ट्रांसक्रिप्ट हाथ से लिखें, एक तय वर्तनी नियम के साथ।
- हर क्लिप को हर उम्मीदवार API से ट्रांसक्राइब करें। क़दम-दर-क़दम अरबी गाइड में BroadNet के लिए curl और Python कोड है।
- दोनों टेक्स्ट एक ही तरह normalize करें और हर बोली का WER और CER निकालें। अरबी WER की व्याख्या में Python वाला normalization function है और यह दिखाया गया है कि इसे छोड़ने से एक पूरा सही ट्रांसक्रिप्ट 75% WER क्यों बन सकता है।
- 20 ट्रांसक्रिप्ट ख़ुद पढ़ें। कम WER भी ग़लत संख्याएँ या नाम छिपा सकता है।
क्लिप कैसे चुनें, reference कैसे लिखें और हर बोली समूह को कैसे स्कोर करें, यह अरबी बोली speech recognition में विस्तार से है।
आम ग़लतियाँ
- सिर्फ़ साफ़ ऑडियो टेस्ट करना। असली फ़ोन और वॉइस-नोट रिकॉर्डिंग इस्तेमाल करें।
- एक औसत WER। अच्छा औसत ऐसी बोली को छिपा सकता है जो आपके ग्राहक बोलते हैं।
- Language फ़ील्ड छोड़ देना। लिप्यंतरित आउटपुट लगभग पूरा ग़लतियों में गिना जाता है।
- संख्याओं को नज़रअंदाज़ करना। अंक, तारीख़ें और रक़में हाथ से जाँचें; आपका सिस्टम इन्हीं पर कार्रवाई करता है।
BroadNet Inference कहाँ फ़िट होता है
BroadNet Transcribe Arabic अरबी वॉइस नोट, कॉल और रिकॉर्डिंग के batch ट्रांसक्रिप्शन के लिए प्रति मिनट कीमत पर ठीक है, और कोई ऑडियो retain नहीं होता। $5 का शुरुआती क्रेडिट लगभग 1,190 मिनट के अरबी ऑडियो को कवर करता है, जो बिना कार्ड के ऊपर वाले टेस्ट के लिए काफ़ी है। अगर आपको ऐसे फ़ीचर चाहिए जो यह document नहीं करता, जैसे live streaming captions, तो ऐसा प्रोवाइडर टेस्ट करें जो उन्हें देता हो। ट्रांसक्रिप्शन के बाद अरबी टेक्स्ट के कामों के लिए देखें अरबी के लिए LLM चुनना।
