BroadRouter

Speech-to-text (pertuturan kepada teks)

Dikemas kini

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.

Juga dikenali sebagai: STT, ASR, transkripsi audio, pengecaman pertuturan, suara ke teks, speech to text, automatic speech recognition, transcription API, audio transcription, voice to text

Nota suara, panggilan dan mesyuarat mengandungi maklumat yang tidak boleh dicari oleh perisian sehingga ia menjadi teks. Speech-to-text merapatkan jurang itu.

Cara ia berfungsi

Hugging Face mentakrifkan pengecaman pertuturan automatik sebagai “the task of transcribing a given audio to text.” (Terjemahan BroadRouter: “tugas mentranskripsikan audio yang diberikan kepada teks.”) Model ASR moden menukar audio kepada ciri, kemudian menjana jujukan perkataan yang paling mungkin.

Melalui API serasi OpenAI, anda memuat naik fail sebagai data borang multipart ke /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

Responsnya ialah JSON dengan transkrip dalam text. Penyedia menetapkan had pada saiz dan format fail; endpoint OpenAI sendiri menerima fail sehingga 25 MB (menurut panduan speech to text OpenAI, disemak 2026-11-15).

Mengapa ia penting

  • Ketepatan menentukan nilai. Transkrip dengan nama atau nombor yang salah boleh jadi lebih teruk daripada tiada transkrip. Ketepatan diukur dengan kadar ralat perkataan, dan ia menurun pada loghat, dialek, pertuturan bertindih dan audio telefon.
  • Harga sejam audio. STT dibilkan setiap minit audio, jadi volum mudah diramal: jam audio darab kadar sejam.
  • Privasi. Suara membawa nama, nombor telefon dan butiran kesihatan atau perbankan. Tanya sama ada audio dan transkrip disimpan; lihat zero data retention.
  • Saluran paip. Transkrip selalunya disalurkan ke LLM seterusnya, untuk ringkasan, penghalaan atau pengekstrakan.

Di BroadNet Inference

Model Bahasa Harga seminit Sejam
BroadNet Transcribe Arabic Arab, termasuk dialek $0.0042 $0.25
BroadNet Transcribe 14 bahasa $0.002 $0.12

Kedua-duanya menerima WAV atau MP3 sehingga 26,214,400 bait (25 MiB) setiap fail; fail yang lebih besar memulangkan 413. Hantar language=ar untuk bahasa Arab, jika tidak ia boleh kembali ditransliterasi ke dalam huruf Rumi. BroadNet melaporkan model bahasa Arabnya di kedudukan #2 daripada 37 (angka September 2026; papan kedudukan langsung menyenaraikannya di #4 daripada 39 pada 15 November 2026) pada Open Universal Arabic ASR Leaderboard. Audio dan transkrip tidak disimpan.

Penyedia lain mungkin lebih murah. Pada 2026-11-14, halaman harga Soniox menyenaraikan kira-kira USD 0.10 sejam untuk transkripsi fail (async) dan USD 0.12 sejam untuk masa nyata, dan senarai bahasanya termasuk bahasa Arab. Itu lebih rendah daripada $0.25 sejam bagi BroadNet Transcribe Arabic, jadi uji kedua-duanya pada audio anda sendiri. Indeks harga API speech-to-text terbuka kami menyenaraikan lebih 20 produk, dengan sumber dan tarikh bagi setiap harga.

Kedua-dua model berfungsi pada kredit permulaan percuma $5, yang meliputi kira-kira 1,190 minit audio bahasa Arab. Mulakan dengan panduan speech-to-text bahasa Arab, tukar fail .ogg WhatsApp dengan panduan nota suara, dan bandingkan penyedia dengan panduan pembeli.

Soalan lazim

Bagaimanakah ketepatan speech-to-text diukur?

Dengan kadar ralat perkataan (WER), iaitu bahagian perkataan yang salah dalam transkrip berbanding rujukan yang betul. Lebih rendah lebih baik. Ukurnya pada rakaman anda sendiri, kerana ketepatan sangat berbeza mengikut loghat, dialek dan kualiti audio.

Bagaimanakah saya mentranskripsikan fail yang melebihi had saiz?

Pecahkan audio kepada bahagian yang lebih pendek, sebaik-baiknya pada jeda, dan transkripsikan setiap satu. Memampatkan kepada MP3 juga mengurangkan saiz.

Mengapakah bahasa Arab kadangkala kembali dalam huruf Rumi?

Tanpa petunjuk bahasa, sesetengah model membuat transliterasi. Di BroadNet Inference, hantar language=ar untuk bahasa Arab.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity