---
title: "AI teks, ucapan atau penglihatan: pilih ikut tugas | BroadRouter"
description: "Pilih chat teks, input imej atau transkripsi audio mengikut tugas, dengan model dan had yang didokumenkan BroadNet, serta apa yang tiada, seperti TTS."
url: https://broadrouter.com/ms/blog/text-speech-vision/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/text-speech-vision/) (dikemas kini 2026-11-15).

# Teks, ucapan atau penglihatan? Mulakan dengan tugas

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-15

Mulakan daripada input dan output anda. Teks masuk, teks keluar ialah chat. Foto atau imbasan masuk, teks keluar ialah chat dengan imej, pada model yang menerima imej. Ucapan yang dirakam masuk, teks keluar ialah transkripsi; ucapan kepada jawapan ialah transkripsi kemudian chat. BroadNet tidak menawarkan text-to-speech, penjanaan imej atau embeddings.

## Perkara utama

-   Pilih jenis input dahulu. Ia menentukan endpoint, yang menentukan model yang boleh anda gunakan.
-   Di BroadNet, tiga model chat menerima imej (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); GLM 5.3 teks sahaja.
-   Ucapan dihantar ke /v1/audio/transcriptions sebagai fail WAV atau MP3 sehingga 26,214,400 bait. Sentiasa hantar bahasa.
-   BroadNet tidak menawarkan endpoint text-to-speech, suara langsung, penjanaan imej atau embeddings. Rancang penyedia kedua jika anda memerlukannya.
-   Bina set penilaian berasingan untuk setiap jenis input, ditambah satu untuk keseluruhan rantaian apabila ucapan menyuap model chat.

**Dalam halaman ini**

1.  Jenis input manakah yang diperlukan tugas anda?
2.  Apakah perbezaan antara chat dan transkripsi?
3.  Model manakah yang menerima imej?
4.  Bagaimanakah anda menghalakan setiap input dalam kod?
5.  Bagaimana jika dokumen itu sudah berbentuk teks?
6.  Bagaimanakah kosnya dibandingkan?
7.  Apakah yang tidak ditawarkan, dan apa yang patut anda lakukan?
8.  Mengapakah anda memerlukan set penilaian berasingan untuk setiap input?
9.  Di manakah BroadNet Inference sesuai

“Model mana yang patut kita gunakan?” ialah soalan kedua. Yang pertama ialah “apa yang masuk, dan apa yang mesti keluar?” Foto invois, nota suara daripada pelanggan dan soalan yang ditaip masing-masing pergi ke jenis endpoint yang berbeza, dan setiap endpoint ada model, had dan cara gagal tersendiri. Pilih tugas dahulu dan senarai model akan mengecil kepada dua atau tiga.

Panduan ini memetakan tugas lazim kepada jenis input, kemudian kepada apa yang didokumenkan BroadNet Inference untuk setiap satu. BroadRouter ialah laman web BroadNet sendiri; fakta model di bawah datang daripada [suapan harga](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-text-speech-vision&utm_content=body) dan [rujukan API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-text-speech-vision&utm_content=body) BroadNet, disemak pada 15 November 2026.

## Jenis input manakah yang diperlukan tugas anda?

| Tugas anda | Input | Output | Endpoint | Model BroadNet |
| --- | --- | --- | --- | --- |
| Menjawab, meringkas, mengelas atau menterjemah teks | Teks | Teks | Chat completions | Mana-mana daripada empat model chat |
| Memanggil fungsi atau alat anda sendiri | Teks | Panggilan alat | Chat completions | GLM 5.3, Qwen3.8 27B (didokumenkan) |
| Membaca foto, imbasan, tangkapan skrin atau borang | Imej + teks | Teks atau JSON | Chat completions dengan imej | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Menukar rakaman atau nota suara kepada teks | Fail audio | Teks | Audio transcriptions | Transcribe Arabic, Transcribe (14 bahasa) |
| Meringkaskan panggilan atau menjawab nota suara | Fail audio | Teks | Transkripsi, kemudian chat | Satu daripada setiap satu |
| Menuturkan jawapan dengan suara | Teks | Audio | Text-to-speech | Tidak ditawarkan |
| Perbualan suara langsung | Strim audio | Audio | Suara masa nyata | Tidak ditawarkan |
| Mencipta imej | Teks | Imej | Penjanaan imej | Tidak ditawarkan |
| Carian semantik atas dokumen | Teks | Vektor | Embeddings | Tidak ditawarkan |

“Penglihatan” (vision) dalam jadual ini bermaksud pemahaman imej: model membaca imej yang anda hantar. Ia tidak bermaksud menjana imej. Entri glosari [vision language model](https://broadrouter.com/ms/glossary/vision-language-model/) menerangkan perbezaannya.

## Apakah perbezaan antara chat dan transkripsi?

Kedua-duanya endpoint berbeza dengan bentuk permintaan, unit pengebilan dan model yang berbeza.

**Chat** (`POST /v1/chat/completions`) menerima senarai mesej sebagai JSON dan memulangkan teks. Ia dibilkan setiap token, input dan output secara berasingan, dan setiap model ada [tetingkap konteks](https://broadrouter.com/ms/glossary/context-window/) yang memuatkan prompt dan jawapan bersama. Di BroadNet, tiga daripada empat model chat membuat penaakulan sebelum menjawab, dan penaakulan itu dikira dalam `max_tokens`, jadi tinggalkan ruang ([token penaakulan dan jawapan kosong](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/)).

**Transkripsi** (`POST /v1/audio/transcriptions`) menerima fail audio sebagai muat naik multipart dan memulangkan transkrip. Ia dibilkan setiap minit audio. Dokumentasi BroadNet menetapkan WAV atau MP3 sehingga 26,214,400 bait setiap fail, dan menyatakan supaya sentiasa menghantar `language`, kerana jika tidak, bahasa Arab boleh dipulangkan dalam bentuk transliterasi huruf Rumi.

| Model | Bahasa | Harga |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/ms/models/cohere-transcribe-arabic/) | Bahasa Arab: Teluk, Mesir, Levant, Maghribi dan Arab Standard Moden, menurut BroadNet | $0.0042 seminit (kira-kira $0.25 sejam) |
| [BroadNet Transcribe](https://broadrouter.com/ms/models/cohere-transcribe/) | 14, termasuk Inggeris, Sepanyol, Perancis, Mandarin dan Arab | $0.002 seminit (kira-kira $0.12 sejam) |

Model chat di BroadNet tidak menerima audio, dan model transkripsi tidak menjawab soalan. Pembantu suara yang membalas dalam teks ialah dua panggilan: transkripsi, kemudian chat. [Minit mesyuarat bahasa Arab daripada rakaman](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/) membina rantaian itu dengan tepat.

## Model manakah yang menerima imej?

Model yang entri suapannya menyenaraikan `image` dalam `modalities`. Pada 15 November 2026:

| Model | Input | Konteks | Input / output setiap 1M token | Akses |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) | Teks, imej | 1,048,576 | $0.175 / $0.52 | Perlu tambah nilai |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | Teks, imej | 262,144 | $0.175 / $2.17 | Perlu tambah nilai |
| [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | Teks, imej | 32,768 | $0.10 / $0.22 | Kredit permulaan $5 |
| [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) | Teks sahaja | 1,048,576 | $0.78 / $3.46 | Perlu tambah nilai |

Hantar imej sebagai URL `data:` di dalam kandungan mesej, dengan jenis MIME yang tepat. Dokumentasi BroadNet menyatakan penglihatan ditawarkan “only where the model row explicitly says images or vision” (Terjemahan: hanya apabila baris model menyatakan imej atau penglihatan secara eksplisit). Dokumentasi tidak menyenaraikan format imej yang diterima, jadi uji setiap format yang anda rancang untuk terima. Pada kunci bayar ikut guna, imej dibilkan sebagai token input, dan imej yang lebih besar menggunakan lebih banyak; ubah saiz sebelum menghantar dan anggarkan dengan [kalkulator token imej](https://broadrouter.com/tools/image-token-calculator/). Pengekstrakan dokumen dari hujung ke hujung ada dalam [mengekstrak data daripada dokumen dengan LLM penglihatan](https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/).

## Bagaimanakah anda menghalakan setiap input dalam kod?

Fungsi ini memilih endpoint berdasarkan jenis fail, menyemak had yang didokumenkan sebelum menghantar, dan membaca senarai model yang menerima imej daripada suapan langsung dan bukannya mengekodkannya secara keras. Ia menggunakan OpenAI Python SDK, yang berfungsi dengan BroadNet selepas menukar base URL ([panduan persediaan](https://broadrouter.com/ms/guides/openai-python-sdk/)).

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

Kami mengujinya dengan `BROADNET_BASE_URL` dihalakan ke pelayan olok-olok tempatan (tiada panggilan API langsung) dan suapan harga langsung. Teks, fail WAV, fail WAV dengan tugas susulan, dan PNG masing-masing sampai ke endpoint olok-olok yang betul. Menghantar PNG dengan `chat_model="broadnet/glm-5.3"` ditolak sebelum sebarang permintaan, dengan menyenaraikan tiga ID yang menerima imej daripada suapan. Fail `.ogg` ditolak bersama arahan ffmpeg untuk menukarnya; [mentranskripsi nota suara WhatsApp](https://broadrouter.com/ms/guides/transcribe-whatsapp-voice-notes/) membincangkan langkah itu. Rakaman yang melebihi had saiz perlu dipecahkan; [pemecah audio](https://broadrouter.com/tools/audio-splitter-ffmpeg/) membina arahan ffmpeg.

## Bagaimana jika dokumen itu sudah berbentuk teks?

Maka jangan hantar gambarnya. PDF yang dieksport daripada sistem perakaunan atau pemproses perkataan biasanya ada lapisan teks; ekstraknya dengan pustaka PDF dan hantar teks ke model chat. Itu lebih murah daripada imej pada kunci bayar ikut guna, mengelakkan salah baca, dan berfungsi pada GLM 5.3 juga. Simpan penglihatan untuk imbasan, foto telefon, tulisan tangan, cop dan tangkapan skrin, yang tiada lapisan teks untuk diekstrak.

Peraturan berguna dalam saluran dokumen: cuba pengekstrakan teks dahulu, semak sama ada ia memulangkan teks sebenar (bukan halaman kosong atau aksara bercelaru), dan beralih ke imej hanya jika tidak. Untuk PDF bahasa Arab, baca sampel teks yang diekstrak sebelum mempercayainya: bergantung pada cara PDF itu dihasilkan, pengekstrakan boleh memulangkan huruf Arab dalam susunan yang salah atau dalam bentuk persembahan yang tidak bersambung. [OCR bahasa Arab dengan LLM penglihatan](https://broadrouter.com/ms/blog/arabic-ocr-vision-llm/) membincangkan kes yang imejnya sumber yang lebih baik.

## Bagaimanakah kosnya dibandingkan?

Setiap jenis input dibilkan dalam unitnya sendiri, jadi bandingkan setiap tugas, bukan setiap permintaan:

-   **Teks** dibilkan setiap token input dan output. Bahasa Arab selalunya memerlukan lebih banyak token berbanding bahasa Inggeris untuk kandungan yang sama; [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/) mengukurnya.
-   **Imej** pada bayar ikut guna ialah token input pada harga input model, jadi foto besar boleh berkos lebih daripada satu halaman teks. Pada pelan sesi DeepSeek, imej termasuk dalam harga tetap.
-   **Audio** dibilkan setiap minit audio, apa pun yang dikatakan. Di BroadNet, 10,000 nota suara bahasa Arab masing-masing 30 saat berjumlah kira-kira $21.00 dengan model bahasa Arab. [Kalkulator kos speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) mengira volum lain.

Rantaian menjumlahkan bahagiannya: nota suara yang dijawab model chat berkos minit transkripsi ditambah token chat bagi transkrip dan jawapan. [Kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) mengendalikan bahagian chat.

## Apakah yang tidak ditawarkan, dan apa yang patut anda lakukan?

Rujukan API BroadNet mendokumenkan dua endpoint inferens: chat completions dan audio transcriptions. Jadi tiada:

-   **Text-to-speech.** Tiada `/v1/audio/speech`. Jika produk anda mesti bercakap kembali, gandingkan transkripsi dan chat BroadNet dengan perkhidmatan TTS berasingan.
-   **Suara langsung.** Transkripsi menerima fail yang dimuat naik, bukan strim audio langsung. Untuk ejen telefon yang mesti membalas di tengah panggilan, anda memerlukan tindanan suara masa nyata di tempat lain. [Merakam audio pelayar untuk transkripsi](https://broadrouter.com/ms/blog/record-browser-audio-transcription-api/) menunjukkan alternatif berasaskan fail.
-   **Penjanaan imej.** Penglihatan di sini membaca imej; ia tidak menciptanya.
-   **Embeddings.** Tiada `/v1/embeddings`. Untuk retrieval, anda memerlukan model embedding daripada penyedia lain atau dihoskan sendiri; [kalkulator kos embedding](https://broadrouter.com/tools/embedding-cost-calculator/) membandingkan harga.

[Katalog penyelidikan](https://www.broadnet.ai/inference/models) BroadNet memang menyenaraikan model text-to-speech, penjanaan imej dan embedding, ditanda sebagai ditanda aras dalam makmalnya. Itu merekodkan apa yang diuji BroadNet, bukan apa yang dijual APInya; [membaca katalog model](https://broadrouter.com/ms/blog/understand-model-status/) menerangkan perbezaannya.

## Mengapakah anda memerlukan set penilaian berasingan untuk setiap input?

Kerana setiap jenis input gagal dengan cara berbeza, dan purata merentas semuanya menyembunyikan kegagalan itu.

-   **Teks:** beri skor pada mesej pengguna sebenar, dengan semakan kod jika boleh. Kaedahnya ada dalam [menilai LLM sebelum bertukar](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/).
-   **Imej:** gunakan foto sebenar pada kualiti sebenar: gambar telefon yang senget, resit pudar, cop di atas teks. Beri skor setiap medan secara berasingan. Render PDF yang bersih mendapat skor jauh lebih tinggi daripada foto yang akan dihantar pengguna anda.
-   **Ucapan:** ukur [kadar ralat perkataan](https://broadrouter.com/ms/glossary/word-error-rate/) pada rakaman anda sendiri, dipecahkan mengikut dialek, penutur dan kualiti talian, dan semak perkataan yang penting (nama, nombor, amaun) secara berasingan. Lihat [WER ASR bahasa Arab diterangkan](https://broadrouter.com/ms/blog/arabic-asr-wer-explained/).
-   **Rantaian:** apabila ucapan menyuap model chat, beri skor kedua-dua langkah dan hasil akhir. Nombor yang tersalah dengar menjadi jawapan salah yang yakin, dan hanya ujian hujung ke hujung menunjukkan sekerap mana.

Asingkan set itu, berikan versi, dan jalankan semula yang berkaitan setiap kali anda menukar model atau prompt.

## Di manakah BroadNet Inference sesuai

BroadNet Inference meliputi lima baris pertama jadual tugas dengan satu kunci dan satu base URL: chat teks, panggilan alat pada GLM 5.3 dan Qwen3.8 27B, pemahaman imej pada tiga model, dan transkripsi bahasa Arab atau berbilang bahasa. Gemma 4 VL 26B dan kedua-dua model transkripsi berjalan dengan kredit permulaan $5; DeepSeek, GLM dan Qwen memerlukan tambah nilai. Kandungan inferens tidak disimpan; metadata akaun, pengebilan dan keselamatan yang perlu disimpan seperti yang diterangkan dalam [pernyataan privasi](https://www.broadnet.ai/inference-privacy) BroadNet. Untuk pertuturan, penjanaan imej, suara langsung atau embeddings, gunakan perkhidmatan lain. Harga untuk semua di atas ada di [halaman harga](https://broadrouter.com/ms/pricing/).

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Token](https://broadrouter.com/ms/glossary/token/)

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Embedding (vektor teks)](https://broadrouter.com/ms/glossary/embeddings/)

Embedding ialah senarai nombor titik terapung (vektor) yang dihasilkan oleh model untuk mewakili sekeping teks, imej atau input lain. Input yang maknanya serupa mendapat vektor yang berdekatan, jadi jarak antara vektor boleh digunakan untuk menyusun hasil carian, mengelompokkan dokumen atau mencari item berkaitan.

[Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/)

Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[WAV](https://broadrouter.com/ms/glossary/wav/)

WAV (Waveform Audio File Format, atau WAVE) ialah bekas audio yang dibina di atas format RIFF Microsoft dan IBM. Ia biasanya memuatkan sampel PCM linear tanpa mampatan, jadi saiznya boleh diramal: kadar sampel darab bait setiap sampel darab bilangan saluran, bagi setiap saat.

[Chat Completions API](https://broadrouter.com/ms/glossary/chat-completions-api/)

Chat Completions API ialah endpoint HTTP OpenAI, POST /v1/chat/completions, yang menerima nama model dan senarai mesej bertanda peranan, lalu memulangkan mesej seterusnya daripada model. Bentuk permintaan dan responsnya menjadi format biasa yang digunakan semula oleh penyedia dan SDK yang serasi OpenAI.

[Kredit prabayar (prepaid credit)](https://broadrouter.com/ms/glossary/prepaid-credit/)

Kredit prabayar ialah wang yang ditambah ke akaun API sebelum digunakan. Setiap permintaan menolak kosnya daripada baki, dan apabila baki habis, permintaan bermeter berhenti sehingga anda menambah nilai. Ia mengehadkan perbelanjaan kepada jumlah yang telah anda bayar.

[Bayar ikut guna (pay-as-you-go)](https://broadrouter.com/ms/glossary/pay-as-you-go/)

Bayar ikut guna ialah model harga di mana anda hanya membayar apa yang anda guna, dimeter mengikut unit seperti token, permintaan atau minit audio, tanpa langganan atau komitmen minimum. Kebanyakan API LLM mengebil dengan cara ini, daripada baki prabayar atau invois berkala.

## Soalan lazim

### Model AI manakah yang patut saya gunakan untuk imej?

Model yang menerima input imej pada API yang anda gunakan. Di BroadNet Inference, itu ialah DeepSeek V4.1 Flash, Qwen3.8 27B atau Gemma 4 VL 26B, menurut suapan harganya; GLM 5.3 menerima teks sahaja. Hantar imej sebagai data URL dalam mesej chat.

### Bolehkah model chat mentranskripsi audio?

Tidak di BroadNet Inference. Audio dihantar ke endpoint transkripsi, /v1/audio/transcriptions, dengan model transkripsi. Jika anda kemudian memerlukan ringkasan atau jawapan, hantar transkrip ke model chat sebagai langkah kedua.

### Adakah BroadNet Inference menawarkan text-to-speech atau penjanaan imej?

Tidak. Rujukan APInya hanya mendokumenkan chat completions dan transkripsi audio. Model text-to-speech dan penjanaan imej muncul dalam katalog penyelidikan BroadNet sebagai ditanda aras, yang tidak sama dengan ditawarkan.

### Format audio apakah yang diterima BroadNet?

WAV (audio/wav) atau MP3 (audio/mpeg), sehingga 26,214,400 bait setiap fail. Tukar format lain, seperti nota suara WhatsApp .ogg, dengan ffmpeg dahulu, dan sentiasa hantar parameter language.

### Bagaimanakah imej dibilkan?

Pada kunci bayar ikut guna, BroadNet membilkan imej sebagai token input pada harga input model, dan imej yang lebih besar menggunakan lebih banyak token. Pada pelan sesi DeepSeek, imej termasuk dalam harga tetap.

## Teruskan membaca

-   [Ekstrak data invois, resit dan borang ke JSON dengan LLM visi](https://broadrouter.com/ms/blog/extract-data-from-documents-with-vision-llm/)
-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [API speech-to-text berbilang bahasa: 14 bahasa, satu endpoint](https://broadrouter.com/ms/blog/multilingual-speech-to-text-api/)
-   [API LLM penglihatan termurah: kos setiap imej dan setiap halaman](https://broadrouter.com/ms/blog/cheapest-vision-llm-api/)
-   [Minit mesyuarat bahasa Arab daripada rakaman: saluran API](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/)
-   [Live, atas permintaan, penyelidikan: cara membaca katalog model](https://broadrouter.com/ms/blog/understand-model-status/)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/)
-   [Perkakasan GPU dan pendekatan penyajian BroadNet, menurut BroadNet](https://broadrouter.com/ms/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache respons API LLM untuk jimat kos: cache padanan tepat Python](https://broadrouter.com/ms/blog/cache-llm-responses-cut-cost/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/)
-   [Panduan: Cara tukar nota suara WhatsApp kepada teks dengan API](https://broadrouter.com/ms/guides/transcribe-whatsapp-voice-notes/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-text-speech-vision&utm_content=page-cta) ·

**Sumber**

-   [Rujukan API BroadNet Inference: ID model, chat dengan imej, format dan saiz transkripsi, status keupayaan (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-text-speech-vision&utm_content=sources)
-   [pricing.json BroadNet Inference: modaliti, bahasa dan harga setiap model (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-text-speech-vision&utm_content=sources)
-   [Katalog model BroadNet Inference: model langsung, serta model text-to-speech dan imej yang disenaraikan sebagai ditanda aras (disemak 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference/models)
-   [Pernyataan privasi dan penyimpanan data BroadNet Inference (disemak 2026-11-15) (Bahasa Inggeris)](https://www.broadnet.ai/inference-privacy)
