BroadRouter

Tradurre audio arabo in testo inglese con un’API: una pipeline testata

A cura del team di BroadNet Inference · 8 min di lettura · Pubblicato · Aggiornato

Procedi in due passaggi. Trascrivi l’audio arabo con un’API speech-to-text impostando la lingua su ar, poi traduci la trascrizione con un LLM a cui chiedi di conservare nomi e numeri. Dividi prima i file lunghi, controlla i numeri nel codice e valuta un piccolo campione con chrF per vedere quanta qualità ti costa il passaggio di trascrizione.

La maggior parte delle pagine che si posizionano per “tradurre audio arabo in inglese” sono strumenti web in cui carichi e scarichi un file. Vanno bene per un file. Se ti serve la traduzione dentro il tuo prodotto (chiamate di assistenza, interviste, vocali, lezioni), ti servono due chiamate API e qualche controllo attorno. Questo articolo costruisce quella pipeline su una sola chiave compatibile con OpenAI, la testa e mostra come misurare se è abbastanza buona.

Per tradurre un testo arabo che hai già, vedi traduzione arabo–inglese con gli LLM. Per trasformare la registrazione di una riunione in un verbale invece che in una traduzione completa, vedi verbali di riunione in arabo dalle registrazioni.

Una chiamata o due?

Ci sono due modi per ottenere testo inglese dal parlato arabo:

Approccio Come funziona Adatto a
Traduzione vocale (un passaggio) Una richiesta; il servizio restituisce l’inglese Audio dal vivo, sottotitoli, il codice più semplice
Trascrivere, poi tradurre (due passaggi) Una chiamata di speech-to-text restituisce testo arabo; un LLM lo traduce File, quando ti serve anche l’arabo, glossari e controlli

L’endpoint in un solo passaggio più noto per i file sta cambiando. La guida speech-to-text di OpenAI dice che /v1/audio/translations «uses whisper-1 to translate a completed audio recording into English» (traduzione: usa whisper-1 per tradurre in inglese una registrazione audio completa). La sua pagina delle deprecazioni, consultata il 2026-11-15, indica come data di avviso il 26 agosto 2026 e come data di dismissione il 26 febbraio 2027. Il sostituto indicato è /v1/realtime/translations, che è un’API realtime, non un caricamento di file. Se il tuo codice chiama il vecchio endpoint, dovrai ricostruirlo in ogni caso.

Soniox è un’opzione attuale in un solo passaggio: la sua pagina dall’arabo all’inglese mostra una richiesta WebSocket con un blocco translation impostato con source ar e target en. È con l’audio dal vivo che un prodotto in streaming come questo ha più senso.

Per i file, la pipeline in due passaggi ha tre vantaggi pratici:

  1. Tieni la trascrizione araba. Puoi cercarla, mostrarla accanto all’inglese e ritradurla in seguito con un modello migliore senza pagare di nuovo la trascrizione.
  2. Controlli tu la traduzione. Scegli il modello, gli dai un glossario di nomi e termini di prodotto e controlli il suo output nel codice.
  3. Vedi da dove vengono gli errori. Una frase inglese sbagliata è un errore di riconoscimento o un errore di traduzione. Con la trascrizione in mano, puoi capire quale.

Il prezzo è una seconda richiesta e più codice. Il resto dell’articolo è quel codice.

Com’è fatta la pipeline?

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

Passaggio 1: come si prepara e si divide l’audio?

L’endpoint di trascrizione di BroadNet accetta WAV (audio/wav) o MP3 (audio/mpeg) fino a 26.214.400 byte per file. Le registrazioni del telefono (.m4a), i vocali WhatsApp (.ogg) e i video vanno comunque convertiti, quindi ricampiona e dividi nello stesso passaggio ffmpeg:

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

L’audio mono a 16 kHz e 16 bit occupa 32.000 byte al secondo, quindi una parte da 10 minuti pesa circa 19,2 MB, sotto il limite. Lo abbiamo eseguito su un file di prova di 25 minuti: ha prodotto due parti da 19.200.162 e 19.200.194 byte e una parte da 5 minuti di 9.599.878 byte.

I tagli a lunghezza fissa possono spezzare una parola. Per il parlato reale, taglia invece sui silenzi; trascrivere file audio lunghi contiene un divisore basato sui silenzi, e lo strumento per dividere l’audio scrive il comando ffmpeg al posto tuo. Nel glossario trovi le basi sul sample rate e sul perché 16 kHz bastano per il parlato.

Passaggi 2 e 3: come si trascrive e si traduce?

Lo script qui sotto invia ogni parte al modello di trascrizione per l’arabo, poi a un modello chat con un prompt di traduzione. Funziona con l’SDK Python di OpenAI.

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:]

A cosa serve ogni pezzo:

  • language="ar". La documentazione di BroadNet dice di inviare sempre language in una richiesta di trascrizione. La guida speech-to-text per l’arabo descrive la richiesta nel dettaglio.
  • Il prompt dice da dove viene il testo. Una trascrizione non ha punteggiatura, può essere in dialetto e può contenere errori di riconoscimento. Dirlo al modello evita che tratti le frasi strane come volute, e il marcatore [unclear] dà ai revisori qualcosa da cercare.
  • Conserva le parole inglesi. Chi parla arabo passa spesso all’inglese a metà frase (“الـ deadline”, “فريق الـ QA”). È code-switching, e il modello deve lasciare stare quelle parole, non tradurle avanti e indietro.
  • Glossario per parte. Vengono inviate solo le voci del glossario presenti nella parte, così i prompt restano brevi. Il confronto è esatto, quindi se le tue trascrizioni variano nella grafia (أ contro ا, ة contro ه), normalizza prima entrambi i lati; il normalizzatore di testo arabo mostra le regole abituali.
  • La parte precedente come contesto. Gli ultimi 500 caratteri della parte araba precedente aiutano con i pronomi e con le frasi tagliate al confine tra due parti. Il prompt dice di non tradurli, così non compaiono due volte.
  • max_tokens=4000 e reasoning_effort="low". La documentazione di BroadNet dice che DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B ragionano prima di rispondere e che il ragionamento conta in max_tokens. Un limite basso può restituire una risposta vuota; vedi token di ragionamento e risposte vuote. Il codice solleva un errore su una risposta vuota o troncata invece di salvare mezza traduzione.
  • Controllo dei numeri. È sui numeri che una traduzione sbagliata fa più danni. Il controllo converte le cifre arabo-indiane (٠-٩) e quelle persiane (۰-۹) in 0-9 e verifica che ogni numero compaia nell’inglese. I numeri detti a parole (“خمسة عشر”) non vengono intercettati, quindi un revisore deve comunque leggere tutto ciò che conta.

Cosa ha mostrato il test?

Abbiamo eseguito lo script su un server mock locale che implementa entrambi gli endpoint (nessuna chiamata all’API reale). Le tre parti del file di prova da 25 minuti sono state inviate con model=broadnet/cohere-transcribe-arabic e language=ar, e ogni richiesta chat conteneva le righe di glossario per quella parte e la parte araba precedente come contesto. La terza traduzione del mock ometteva apposta un numero, e lo script ha stampato:

--- 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

Le frasi arabe e l’azienda sono inventate per il test. L’esecuzione mostra che il codice funziona, non quanto sia buona la traduzione di un modello; per quello, usa la fase di valutazione qui sotto.

Come incidono gli errori di riconoscimento sulla traduzione?

Passano dritti. Se la trascrizione dice ٢١٤ dove chi parlava ha detto ٢٤٠, la traduzione dirà fedelmente 214. Se una parola dialettale viene scambiata per una parola standard dal suono simile, la traduzione sarà scorrevole e sbagliata. L’inglese scorrevole rende questi errori difficili da notare, ed è il rischio principale di qualsiasi sistema di traduzione vocale.

Puoi misurare quanta parte dell’errore viene da ciascun passaggio. Raccogli 30 o più clip e per ognuna procurati:

  1. una trascrizione araba umana,
  2. una traduzione inglese umana (il riferimento).

Poi traduci con la tua pipeline sia la trascrizione umana sia quella ASR, e valutale entrambe rispetto al riferimento. chrF, un punteggio su n-grammi di caratteri, gestisce nomi e forme delle parole meglio di BLEU ed è la scelta predefinita abituale per l’arabo–inglese; SacreBLEU calcola entrambi:

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}")

Su queste due frasi giocattolo (SacreBLEU 2.6.0) ha stampato chrF 94,6 e BLEU 89,2 per il percorso con trascrizione umana, e chrF 87,1 e BLEU 71,7 per la pipeline completa. Due frasi giocattolo non dimostrano nulla su un modello. Sulle tue clip, una grande differenza significa che devi migliorare il riconoscimento: audio migliore, un test set dialettale come in riconoscimento vocale dei dialetti arabi, o un altro fornitore. Una differenza piccola con punteggi complessivamente bassi significa che è il passaggio di traduzione a dover migliorare: un prompt migliore, un glossario o un altro modello. Per valutare da sola la trascrizione, usa il word error rate.

I punteggi automatici mettono in classifica i sistemi; non approvano una traduzione. Fai leggere un campione a un revisore bilingue, soprattutto numeri, nomi e negazioni.

Quali modelli usare?

Passaggio Modello BroadNet Prezzo Note
Trascrivere BroadNet Transcribe Arabic $0.0042 al minuto ($0.25 all’ora) Solo arabo; con il credito iniziale $5
Tradurre Qwen3.8 27B $0.175 in input, $2.17 in output per 1M di token Modello di ragionamento; contesto di 262.144 token; richiede una ricarica
Tradurre Gemma 4 VL 26B $0.10 in input, $0.22 in output per 1M di token Con il credito iniziale; contesto di 32.768 token, di solito sufficiente per una parte da 10 minuti; controlla un campione nel contatore di token. Togli reasoning_effort, che BroadNet documenta solo per i suoi modelli di ragionamento
Tradurre DeepSeek V4.1 Flash $0.175 in input, $0.52 in output per 1M di token, oppure una sessione flat Modello di ragionamento; ospitato da un partner; richiede una ricarica o un piano

Esegui lo script di valutazione sulle stesse clip con ogni modello di traduzione e scegli in base ai punteggi e alle note del revisore, non alla nostra tabella. Scegliere un LLM per l’arabo tratta i compromessi più ampi.

Quanto costa un’ora di audio?

Le voci sono due:

  • La trascrizione si paga per minuto di audio: $0.25 all’ora con BroadNet Transcribe Arabic.
  • La traduzione si paga per token: prompt_tokens × input price + completion_tokens × output price, diviso per 1.000.000. Il prompt comprende system prompt, righe di glossario, contesto della parte precedente e trascrizione. Il completamento comprende l’inglese e, sui modelli di ragionamento, i token di ragionamento.

Non pubblichiamo un’unica cifra oraria per la traduzione, perché dipende da quanto velocemente parlano le persone, dal dialetto e da quanto ragiona il modello. Misurala: elabora un’ora tipica, somma usage.prompt_tokens e usage.completion_tokens dalle risposte e inseriscili nel calcolatore dei costi delle API LLM. Prima di avere l’audio, puoi incollare una trascrizione di esempio nel contatore di token per l’arabo; l’arabo di solito richiede più token per parola dell’inglese, come mostra token per parola in arabo e in inglese. Il calcolatore dei costi speech-to-text calcola la parte audio.

Per un grande arretrato, una sessione flat di DeepSeek V4.1 Flash elimina il contatore dei token sul passaggio di traduzione: $1 all’ora, $15 alla settimana o $60 al mese per sessione. Una sessione esegue una richiesta alla volta, quindi worker in parallelo richiedono più sessioni. La trascrizione resta a minuto.

Quando questa pipeline è la scelta sbagliata?

  • Audio dal vivo. Chiamate, sottotitoli in diretta e agenti vocali richiedono risultati in streaming entro pochi secondi. Un’API di traduzione vocale in streaming, o un endpoint realtime, è più adatta dei caricamenti di file.
  • Sottotitoli. La risposta di trascrizione di BroadNet è solo testo, senza timestamp. Sottotitoli in arabo da un’API solo testo mostra fin dove arrivi con gli offset delle parti; per una temporizzazione a livello di parola, usa un fornitore che restituisce i timestamp.
  • Lingue che BroadNet non trascrive. Il modello per l’arabo gestisce l’arabo. Per altre lingue di partenza, controlla prima l’elenco delle 14 lingue del modello multilingue.
  • Atti legali o medici. Usa la pipeline per una bozza e un traduttore umano per l’atto.

Dove si colloca BroadNet Inference

BroadRouter è il sito di BroadNet. BroadNet Inference offre entrambi i passaggi di questa pipeline con una sola chiave compatibile con OpenAI: trascrizione dell’arabo su /v1/audio/transcriptions e traduzione su /v1/chat/completions. Non ha un endpoint di traduzione vocale in un solo passaggio né la trascrizione in streaming, quindi per l’audio dal vivo usa un altro fornitore. La sua informativa sulla privacy dice che il contenuto dell’inferenza, compresi audio, trascrizioni e risposte, non viene conservato; vengono conservati i metadati necessari di account, fatturazione e sicurezza. Parti dalla pagina sulla trascrizione dell’arabo o dal riferimento API, e fai i test sulle tue registrazioni prima di fidarti dell’output.

Domande frequenti

Posso tradurre audio arabo in inglese con una sola chiamata API?

Sì, con un’API di traduzione vocale come Soniox, che aggiunge un’impostazione di traduzione alla richiesta di speech-to-text. L’endpoint /v1/audio/translations di OpenAI fa lo stesso per i file, ma è deprecato, con dismissione indicata per il 26 febbraio 2027. Una pipeline in due passaggi richiede due chiamate e ti dà anche la trascrizione araba.

Meglio la traduzione vocale diretta o trascrivere e poi tradurre?

Provale entrambe sul tuo audio. Trascrivere e poi tradurre ti permette di scegliere il modello di traduzione, aggiungere un glossario, controllare i numeri e conservare il testo arabo. Un’API in un solo passaggio è più semplice e di solito è migliore per l’audio dal vivo. Prima di scegliere, valuta 30 o più clip con chrF rispetto a traduzioni umane.

La pipeline gestisce l’arabo egiziano, del Golfo o levantino?

Gran parte lo decide il passaggio di trascrizione, quindi testa registrazioni nei dialetti che servi. Poi di’ al modello di traduzione che la trascrizione può essere in dialetto e contenere parole inglesi. Le parole dialettali che un modello vocale ha visto di rado sono la principale fonte di errori.

Come traduco un file audio arabo più grande di 25 MB?

Convertilo in WAV mono a 16 kHz e dividilo con ffmpeg in parti da 10 minuti o meno; ogni parte pesa circa 19,2 MB. Trascrivi ogni parte, poi traduci le parti in ordine, passando come contesto la fine della parte precedente.

In questo modo posso ottenere sottotitoli inglesi con i timestamp?

Non direttamente da BroadNet: la sua risposta di trascrizione è solo testo, senza timestamp. Puoi temporizzare i sottotitoli con gli offset delle parti, come nel nostro articolo sui sottotitoli in arabo, oppure usare un fornitore che restituisce timestamp per parola o per segmento.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity