BroadRouter

Terjemahkan audio bahasa Arab ke teks Inggris via API: pipeline teruji

Oleh tim BroadNet Inference · 8 menit baca · Dipublikasikan · Diperbarui

Jalankan dua langkah. Transkripsikan audio bahasa Arab dengan API speech-to-text, dengan language diset ke ar, lalu terjemahkan transkripnya dengan LLM yang diminta mempertahankan nama dan angka. Pecah file panjang lebih dulu, cek angka di kode, dan nilai sampel kecil dengan chrF untuk melihat seberapa besar langkah transkripsi menurunkan kualitas.

Sebagian besar halaman yang muncul untuk “terjemahkan audio bahasa Arab ke Inggris” adalah alat web unggah-dan-unduh. Itu cukup untuk satu file. Jika Anda butuh terjemahan di dalam produk sendiri (panggilan support, wawancara, voice note, kuliah), Anda butuh dua panggilan API dan beberapa pengecekan di sekitarnya. Artikel ini membangun pipeline itu di atas satu kunci yang kompatibel dengan OpenAI, mengujinya, dan menunjukkan cara mengukur apakah hasilnya cukup bagus.

Untuk menerjemahkan teks bahasa Arab yang sudah Anda miliki, lihat terjemahan Arab–Inggris dengan LLM. Untuk mengubah rekaman rapat menjadi notulen alih-alih terjemahan lengkap, lihat notulen rapat bahasa Arab dari rekaman.

Satu panggilan atau dua?

Ada dua cara mendapatkan teks bahasa Inggris dari ucapan bahasa Arab:

Pendekatan Cara kerja Cocok untuk
Speech translation (satu langkah) Satu permintaan; layanan mengembalikan bahasa Inggris Audio langsung, caption, kode paling sederhana
Transkripsi, lalu terjemahan (dua langkah) Panggilan speech-to-text mengembalikan teks bahasa Arab; LLM menerjemahkannya File, saat Anda juga butuh teks Arabnya, glosarium, dan pengecekan

Endpoint satu langkah paling terkenal untuk file sedang berubah. Panduan speech-to-text OpenAI menyebutkan /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (Terjemahan BroadRouter: memakai whisper-1 untuk menerjemahkan rekaman audio yang sudah selesai ke bahasa Inggris). Halaman deprecation-nya, dicek 2026-11-15, memberi tanggal pemberitahuan 26 Agustus 2026 dan tanggal dimatikan 26 Februari 2027. Pengganti yang dicantumkan adalah /v1/realtime/translations, yaitu API realtime, bukan unggah file. Jika kode Anda memanggil endpoint lama, Anda tetap harus membangunnya ulang.

Soniox adalah salah satu opsi satu langkah saat ini: halaman Arab ke Inggris miliknya menunjukkan permintaan WebSocket dengan blok terjemahan yang diset ke sumber ar dan target en. Audio langsung adalah tempat produk streaming seperti ini paling masuk akal.

Pipeline dua langkah punya tiga keunggulan praktis untuk file:

  1. Anda menyimpan transkrip bahasa Arab. Anda bisa mencarinya, menampilkannya di samping teks Inggris, dan menerjemahkannya ulang nanti dengan model yang lebih baik tanpa membayar transkripsi lagi.
  2. Anda mengendalikan terjemahan. Anda memilih model, memberinya glosarium nama dan istilah produk, dan mengecek outputnya di kode.
  3. Anda bisa melihat asal kesalahan. Kalimat Inggris yang salah berasal dari kesalahan pengenalan atau kesalahan terjemahan. Dengan transkrip di tangan, Anda bisa tahu yang mana.

Harganya adalah permintaan kedua dan kode yang lebih banyak. Sisa artikel ini adalah kode itu.

Seperti apa pipeline-nya?

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

Langkah 1: bagaimana menyiapkan dan memecah audio?

Endpoint transkripsi BroadNet menerima WAV (audio/wav) atau MP3 (audio/mpeg) hingga 26.214.400 byte per file. Rekaman telepon (.m4a), voice note WhatsApp (.ogg), dan video memang perlu dikonversi, jadi lakukan resample dan pemecahan dalam langkah ffmpeg yang sama:

ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav

Audio mono 16 kHz 16-bit berukuran 32.000 byte per detik, jadi bagian 10 menit sekitar 19,2 MB, di bawah batas. Kami menjalankannya pada file uji 25 menit: hasilnya dua bagian berukuran 19.200.162 dan 19.200.194 byte serta satu bagian 5 menit berukuran 9.599.878 byte.

Potongan dengan panjang tetap bisa memotong kata. Untuk ucapan nyata, potong di jeda hening; mentranskripsikan file audio panjang punya pemecah berbasis keheningan, dan alat pemecah audio menuliskan perintah ffmpeg untuk Anda. Latar belakang tentang sample rate dan kenapa 16 kHz cukup untuk ucapan ada di glosarium.

Langkah 2 dan 3: bagaimana mentranskripsikan dan menerjemahkan?

Skrip di bawah mengirim setiap bagian ke model transkripsi bahasa Arab, lalu ke model chat dengan prompt terjemahan. Skrip ini berjalan dengan 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:]

Fungsi tiap bagian:

  • language="ar". Dokumentasi BroadNet menyuruh Anda selalu mengirim language pada permintaan transkripsi. Panduan speech-to-text bahasa Arab membahas permintaannya secara detail.
  • Prompt menyebutkan asal teks. Transkrip tidak punya tanda baca, bisa berupa dialek, dan bisa berisi kesalahan pengenalan. Memberi tahu model hal ini mencegahnya menganggap frasa aneh sebagai disengaja, dan penanda [unclear] memberi peninjau sesuatu untuk dicari.
  • Pertahankan kata bahasa Inggris. Penutur bahasa Arab sering beralih ke bahasa Inggris di tengah kalimat (“الـ deadline”, “فريق الـ QA”). Itu code-switching, dan model sebaiknya membiarkan kata-kata itu, bukan menerjemahkannya bolak-balik.
  • Glosarium per bagian. Hanya entri glosarium yang muncul di bagian itu yang dikirim, sehingga prompt tetap pendek. Pencocokannya persis, jadi jika ejaan transkrip Anda bervariasi (أ dibanding ا, ة dibanding ه), normalisasi kedua sisi lebih dulu; normalizer teks bahasa Arab menunjukkan aturan yang umum.
  • Bagian sebelumnya sebagai konteks. 500 karakter terakhir dari bagian bahasa Arab sebelumnya membantu untuk kata ganti dan kalimat yang terpotong di batas bagian. Prompt menyuruh model tidak menerjemahkannya, jadi teks itu tidak muncul dua kali.
  • max_tokens=4000 dan reasoning_effort="low". Dokumentasi BroadNet menyebutkan DeepSeek V4.1 Flash, GLM 5.3, dan Qwen3.8 27B bernalar sebelum menjawab dan penalaran itu dihitung ke dalam max_tokens. Batas yang kecil bisa menghasilkan jawaban kosong; lihat token penalaran dan respons kosong. Kode memunculkan error pada balasan kosong atau terpotong alih-alih menyimpan setengah terjemahan.
  • Cek angka. Angka adalah tempat terjemahan yang salah paling merugikan. Cek ini memetakan angka Arab-Indik (٠-٩) dan angka Persia (۰-۹) ke 0-9 dan memastikan setiap angka muncul di teks Inggris. Angka yang diucapkan sebagai kata (“خمسة عشر”) tidak akan tertangkap, jadi peninjau tetap membaca semua yang penting.

Apa hasil pengujiannya?

Kami menjalankan skrip ini terhadap server tiruan lokal yang mengimplementasikan kedua endpoint (tanpa panggilan API langsung). Tiga bagian dari file uji 25 menit dikirim dengan model=broadnet/cohere-transcribe-arabic dan language=ar, dan setiap permintaan chat membawa baris glosarium untuk bagian itu serta bagian bahasa Arab sebelumnya sebagai konteks. Terjemahan ketiga dari server tiruan sengaja menghilangkan satu angka, dan skrip mencetak:

--- 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

Kalimat bahasa Arab dan perusahaannya dikarang untuk pengujian. Run ini menunjukkan bahwa kodenya bekerja, bukan seberapa bagus terjemahan model mana pun; untuk itu, pakai langkah penilaian di bawah.

Bagaimana kesalahan pengenalan memengaruhi terjemahan?

Kesalahan itu lewat begitu saja. Jika transkrip menyebut ٢١٤ padahal penutur mengatakan ٢٤٠, terjemahan akan dengan setia menyebut 214. Jika kata dialek salah didengar sebagai kata standar yang mirip bunyinya, terjemahannya akan lancar dan salah. Bahasa Inggris yang lancar membuat kesalahan ini sulit dikenali, dan itulah risiko utama sistem speech translation mana pun.

Anda bisa mengukur seberapa banyak kesalahan berasal dari tiap langkah. Kumpulkan 30 klip atau lebih, dan untuk masing-masing dapatkan:

  1. transkrip bahasa Arab buatan manusia,
  2. terjemahan bahasa Inggris buatan manusia (referensi).

Lalu terjemahkan transkrip manusia dan transkrip ASR dengan pipeline Anda, dan nilai keduanya terhadap referensi. chrF, skor n-gram karakter, lebih baik menangani nama dan bentuk kata daripada BLEU dan merupakan default yang lazim untuk Arab–Inggris; SacreBLEU menghitung keduanya:

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}")

Pada dua kalimat mainan ini (SacreBLEU 2.6.0), skrip mencetak chrF 94,6 dan BLEU 89,2 untuk jalur transkrip manusia, serta chrF 87,1 dan BLEU 71,7 untuk pipeline lengkap. Dua kalimat mainan tidak membuktikan apa pun tentang sebuah model. Pada klip Anda sendiri, selisih yang besar berarti Anda perlu memperbaiki pengenalan: audio yang lebih baik, set uji dialek seperti di speech recognition dialek bahasa Arab, atau penyedia lain. Selisih kecil dengan skor yang secara keseluruhan rendah berarti langkah terjemahan perlu dibenahi: prompt yang lebih baik, glosarium, atau model lain. Untuk menilai langkah transkripsi saja, pakai word error rate.

Skor otomatis memeringkat sistem; skor itu tidak mengesahkan terjemahan. Minta peninjau dwibahasa membaca sampel, terutama angka, nama, dan negasi.

Model mana yang sebaiknya dipakai?

Langkah Model BroadNet Harga Catatan
Transkripsi BroadNet Transcribe Arabic $0.0042 per menit ($0.25 per jam) Hanya bahasa Arab; bisa dengan kredit awal $5
Terjemahan Qwen3.8 27B $0.175 input, $2.17 output per 1 juta token Model penalaran; konteks 262.144 token; perlu top up
Terjemahan Gemma 4 VL 26B $0.10 input, $0.22 output per 1 juta token Bisa dengan kredit awal; konteks 32.768 token, biasanya cukup untuk bagian 10 menit; cek sampel di penghitung token. Hapus reasoning_effort, yang hanya didokumentasikan BroadNet untuk model penalarannya
Terjemahan DeepSeek V4.1 Flash $0.175 input, $0.52 output per 1 juta token, atau sesi harga tetap Model penalaran; di-hosting mitra; perlu top up atau paket

Jalankan skrip penilaian pada klip yang sama dengan setiap model penerjemah dan pilih berdasarkan skor dan catatan peninjau, bukan berdasarkan tabel kami. Memilih LLM untuk bahasa Arab membahas pertimbangan yang lebih luas.

Berapa biaya satu jam audio?

Ada dua bagian:

  • Transkripsi dihitung per menit audio: $0.25 per jam di BroadNet Transcribe Arabic.
  • Terjemahan dihitung per token: prompt_tokens × input price + completion_tokens × output price, dibagi 1.000.000. Prompt mencakup system prompt, baris glosarium, konteks bagian sebelumnya, dan transkrip. Completion mencakup teks Inggris dan, pada model penalaran, token penalaran.

Kami tidak menerbitkan satu angka biaya terjemahan per jam, karena angkanya bergantung pada seberapa cepat orang berbicara, dialeknya, dan seberapa banyak model bernalar. Ukurlah: jalankan satu jam yang khas, jumlahkan usage.prompt_tokens dan usage.completion_tokens dari respons, lalu masukkan ke kalkulator biaya API LLM. Sebelum punya audio, Anda bisa menempelkan contoh transkrip ke penghitung token bahasa Arab; bahasa Arab biasanya butuh lebih banyak token per kata daripada bahasa Inggris, seperti ditunjukkan token per kata dalam bahasa Arab dan Inggris. Kalkulator biaya speech-to-text menghitung sisi audionya.

Untuk tumpukan pekerjaan yang besar, sesi DeepSeek V4.1 Flash harga tetap menghilangkan argometer token pada langkah terjemahan: $1 per jam, $15 per minggu, atau $60 per bulan per sesi. Satu sesi menjalankan satu permintaan pada satu waktu, jadi worker paralel butuh lebih banyak sesi. Transkripsi tetap ditagih per menit.

Kapan pipeline ini pilihan yang salah?

  • Audio langsung. Panggilan, caption langsung, dan voice agent butuh hasil streaming dalam hitungan detik. API speech translation streaming, atau endpoint realtime, lebih cocok daripada unggah file.
  • Subtitle. Respons transkripsi BroadNet hanya teks, tanpa timestamp. Subtitle bahasa Arab dari API yang hanya mengembalikan teks menunjukkan seberapa jauh offset chunk bisa membawa Anda; untuk timing per kata, pakai penyedia yang mengembalikan timestamp.
  • Bahasa yang tidak ditranskripsikan BroadNet. Model bahasa Arab menangani bahasa Arab. Untuk bahasa sumber lain, cek dulu daftar 14 bahasa model multibahasa.
  • Dokumen hukum atau medis. Pakai pipeline untuk draf dan penerjemah manusia untuk dokumen resminya.

Posisi BroadNet Inference

BroadRouter adalah situs milik BroadNet sendiri. BroadNet Inference menyediakan kedua langkah pipeline ini dengan satu kunci yang kompatibel dengan OpenAI: transkripsi bahasa Arab di /v1/audio/transcriptions dan terjemahan di /v1/chat/completions. BroadNet tidak punya endpoint speech translation satu langkah dan tidak punya transkripsi streaming, jadi untuk audio langsung pakai penyedia lain. Kebijakan privasinya menyebutkan konten inferensi, termasuk audio, transkrip, dan jawaban, tidak disimpan; metadata akun, penagihan, dan keamanan yang diperlukan disimpan. Mulailah dari halaman transkripsi bahasa Arab atau referensi API, dan uji pada rekaman Anda sendiri sebelum mengandalkan outputnya.

Pertanyaan umum

Bisakah saya menerjemahkan audio bahasa Arab ke Inggris dengan satu panggilan API?

Bisa, dengan API speech translation seperti Soniox, yang menambahkan pengaturan terjemahan ke permintaan speech-to-text-nya. Endpoint /v1/audio/translations milik OpenAI melakukan hal yang sama untuk file, tetapi sudah deprecated dengan jadwal dimatikan 26 Februari 2027. Pipeline dua langkah butuh dua panggilan dan juga memberi Anda transkrip bahasa Arabnya.

Mana yang lebih baik, speech translation langsung atau transkripsi lalu terjemahan?

Uji keduanya pada audio Anda sendiri. Transkripsi lalu terjemahan memungkinkan Anda memilih model penerjemah, menambahkan glosarium, mengecek angka, dan menyimpan teks bahasa Arab. API satu langkah lebih sederhana dan biasanya lebih baik untuk audio langsung. Nilai 30 klip atau lebih dengan chrF terhadap terjemahan manusia sebelum memilih.

Apakah pipeline ini menangani bahasa Arab Mesir, Teluk, atau Syam?

Sebagian besar ditentukan oleh langkah transkripsi, jadi uji rekaman dalam dialek yang Anda layani. Lalu beri tahu model penerjemah bahwa transkrip bisa berupa dialek dan bisa bercampur kata bahasa Inggris. Kata dialek yang jarang dilihat model ucapan adalah sumber kesalahan utama.

Bagaimana menerjemahkan file audio bahasa Arab yang lebih besar dari 25 MB?

Konversi ke WAV mono 16 kHz dan pecah menjadi bagian berdurasi 10 menit atau kurang dengan ffmpeg; setiap bagian sekitar 19,2 MB. Transkripsikan setiap bagian, lalu terjemahkan bagian-bagian itu secara berurutan, dengan akhir bagian sebelumnya sebagai konteks.

Bisakah saya mendapatkan subtitle bahasa Inggris dengan timestamp lewat cara ini?

Tidak langsung dari BroadNet: respons transkripsinya hanya teks, tanpa timestamp. Anda bisa mengatur waktu caption dari offset chunk, seperti di artikel kami tentang subtitle bahasa Arab, atau memakai penyedia yang mengembalikan timestamp per kata atau per segmen.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity