BroadRouter

Traduzir áudio em árabe para texto em inglês com API: pipeline testado

Pela equipe da BroadNet Inference · 8 min de leitura · Publicado em · Atualizado em

Faça em duas etapas. Transcreva o áudio em árabe com uma API de fala para texto, definindo o idioma como ar, e depois traduza a transcrição com um LLM instruído a manter nomes e números. Divida antes os arquivos longos, confira os números no código e avalie uma pequena amostra com chrF para ver quanto a etapa de transcrição custa em qualidade.

A maioria das páginas bem posicionadas para “traduzir áudio em árabe para inglês” são ferramentas web de enviar e baixar arquivo. Servem para um arquivo. Se você precisa de tradução dentro do seu próprio produto (chamadas de suporte, entrevistas, áudios de mensagem, aulas), precisa de duas chamadas de API e de algumas checagens em volta. Este post monta esse pipeline com uma única chave compatível com a OpenAI, testa e mostra como medir se ele é bom o bastante.

Para traduzir texto em árabe que você já tem, veja tradução árabe–inglês com LLMs. Para transformar a gravação de uma reunião em ata em vez de uma tradução completa, veja atas de reunião em árabe a partir de gravações.

Uma chamada ou duas?

Há duas formas de obter texto em inglês a partir de fala em árabe:

Abordagem Como funciona Bom para
Tradução de fala (uma etapa) Uma requisição; o serviço retorna inglês Áudio ao vivo, legendas, o código mais simples
Transcrever, depois traduzir (duas etapas) Uma chamada de fala para texto retorna texto em árabe; um LLM traduz Arquivos, quando você também quer o árabe, glossários e checagens

O endpoint de uma etapa mais conhecido para arquivos está mudando. O guia de fala para texto da OpenAI diz que /v1/audio/translations “uses whisper-1 to translate a completed audio recording into English” (tradução: usa o whisper-1 para traduzir para o inglês uma gravação de áudio completa). A página de descontinuações dela, consultada em 2026-11-15, dá como data de aviso 26 de agosto de 2026 e como data de desligamento 26 de fevereiro de 2027. O substituto listado é /v1/realtime/translations, que é uma API em tempo real, não um upload de arquivo. Se o seu código chama o endpoint antigo, você vai refazê-lo de qualquer jeito.

A Soniox é uma opção atual de uma etapa: a página de árabe para inglês dela mostra uma requisição WebSocket com um bloco translation definido com source ar e target en. É no áudio ao vivo que um produto em streaming como esse faz mais sentido.

Para arquivos, o pipeline em duas etapas tem três vantagens práticas:

  1. Você fica com a transcrição em árabe. Pode pesquisá-la, mostrá-la ao lado do inglês e retraduzi-la depois com um modelo melhor sem pagar de novo pela transcrição.
  2. Você controla a tradução. Escolhe o modelo, dá a ele um glossário de nomes e termos do produto e confere a saída no código.
  3. Você vê de onde vêm os erros. Uma frase errada em inglês é erro de reconhecimento ou erro de tradução. Com a transcrição em mãos, dá para saber qual.

O custo é uma segunda requisição e mais código. O resto do post é esse código.

Como é o 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

Etapa 1: como preparar e dividir o áudio?

O endpoint de transcrição da BroadNet aceita WAV (audio/wav) ou MP3 (audio/mpeg) até 26.214.400 bytes por arquivo. Gravações de celular (.m4a), áudios do WhatsApp (.ogg) e vídeo precisam ser convertidos de qualquer forma, então reamostre e divida no mesmo passo do ffmpeg:

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

Áudio mono de 16 kHz e 16 bits ocupa 32.000 bytes por segundo, então uma parte de 10 minutos tem cerca de 19,2 MB, abaixo do limite. Rodamos isso em um arquivo de teste de 25 minutos: gerou duas partes de 19.200.162 e 19.200.194 bytes e uma parte de 5 minutos com 9.599.878 bytes.

Cortes de tamanho fixo podem partir uma palavra. Para fala real, corte nos silêncios; transcrever arquivos de áudio longos tem um divisor baseado em silêncio, e a ferramenta de divisão de áudio escreve o comando ffmpeg para você. O glossário explica a taxa de amostragem e por que 16 kHz bastam para fala.

Etapas 2 e 3: como transcrever e traduzir?

O script abaixo envia cada parte ao modelo de transcrição para árabe e depois a um modelo de chat com um prompt de tradução. Ele roda com o SDK Python da 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:]

Para que serve cada parte:

  • language="ar". A documentação da BroadNet diz para sempre enviar language em uma requisição de transcrição. O guia de fala para texto em árabe detalha a requisição.
  • O prompt diz de onde veio o texto. Uma transcrição não tem pontuação, pode estar em dialeto e pode conter erros de reconhecimento. Avisar o modelo evita que ele trate frases estranhas como intencionais, e o marcador [unclear] dá aos revisores algo para buscar.
  • Mantenha as palavras em inglês. Quem fala árabe muitas vezes troca para o inglês no meio da frase (“الـ deadline”, “فريق الـ QA”). Isso é code-switching, e o modelo deve deixar essas palavras como estão, não traduzi-las de um lado para o outro.
  • Glossário por parte. Só as entradas do glossário que aparecem na parte são enviadas, o que mantém os prompts curtos. A comparação é exata, então se suas transcrições variam na grafia (أ contra ا, ة contra ه), normalize os dois lados antes; o normalizador de texto em árabe mostra as regras de costume.
  • A parte anterior como contexto. Os últimos 500 caracteres da parte anterior em árabe ajudam com pronomes e frases cortadas na divisa entre partes. O prompt diz para não traduzi-los, então eles não aparecem duas vezes.
  • max_tokens=4000 e reasoning_effort="low". A documentação da BroadNet diz que DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B raciocinam antes de responder e que o raciocínio conta para max_tokens. Um limite baixo pode retornar uma resposta vazia; veja tokens de raciocínio e respostas vazias. O código lança um erro em uma resposta vazia ou cortada em vez de salvar meia tradução.
  • Checagem de números. É nos números que uma tradução errada causa mais estrago. A checagem converte os dígitos arábico-índicos (٠-٩) e persas (۰-۹) para 0-9 e confirma que cada número aparece no inglês. Números falados por extenso (“خمسة عشر”) não são pegos, então um revisor ainda precisa ler tudo o que importa.

O que o teste mostrou?

Rodamos o script contra um servidor mock local que implementa os dois endpoints (sem chamada à API real). As três partes do arquivo de teste de 25 minutos foram enviadas com model=broadnet/cohere-transcribe-arabic e language=ar, e cada requisição de chat levou as linhas de glossário daquela parte e a parte anterior em árabe como contexto. A terceira tradução do mock omitia um número de propósito, e o script imprimiu:

--- 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

As frases em árabe e a empresa foram inventadas para o teste. A execução mostra que o código funciona, não quão boa é a tradução de algum modelo; para isso, use a etapa de avaliação abaixo.

Como os erros de reconhecimento afetam a tradução?

Eles passam direto. Se a transcrição diz ٢١٤ onde a pessoa disse ٢٤٠, a tradução vai dizer fielmente 214. Se uma palavra dialetal é entendida como uma palavra padrão de som parecido, a tradução sai fluente e errada. O inglês fluente torna esses erros difíceis de notar, e esse é o principal risco de qualquer sistema de tradução de fala.

Dá para medir quanto do erro vem de cada etapa. Reúna 30 ou mais clipes e, para cada um, obtenha:

  1. uma transcrição humana em árabe,
  2. uma tradução humana para o inglês (a referência).

Depois traduza com seu pipeline tanto a transcrição humana quanto a do ASR e avalie as duas contra a referência. O chrF, uma pontuação de n-gramas de caracteres, lida melhor que o BLEU com nomes e formas de palavras e é o padrão usual para árabe–inglês; o SacreBLEU calcula os dois:

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}")

Nessas duas frases de brinquedo (SacreBLEU 2.6.0), ele imprimiu chrF 94,6 e BLEU 89,2 para o caminho com transcrição humana, e chrF 87,1 e BLEU 71,7 para o pipeline completo. Duas frases de brinquedo não provam nada sobre um modelo. Nos seus clipes, uma diferença grande indica que você deve melhorar o reconhecimento: áudio melhor, um conjunto de teste por dialeto como em reconhecimento de fala em dialetos árabes, ou outro provedor. Uma diferença pequena com pontuações baixas no geral indica que é a etapa de tradução que precisa de trabalho: um prompt melhor, um glossário ou outro modelo. Para avaliar só a etapa de transcrição, use o word error rate.

Pontuações automáticas ordenam sistemas; não aprovam uma tradução. Peça a um revisor bilíngue que leia uma amostra, principalmente números, nomes e negações.

Quais modelos usar?

Etapa Modelo da BroadNet Preço Observações
Transcrever BroadNet Transcribe Arabic $0.0042 por minuto ($0.25 por hora) Só árabe; roda com o crédito inicial de $5
Traduzir Qwen3.8 27B $0.175 de input, $2.17 de output por 1M de tokens Modelo de raciocínio; contexto de 262.144 tokens; exige recarga
Traduzir Gemma 4 VL 26B $0.10 de input, $0.22 de output por 1M de tokens Roda com o crédito inicial; contexto de 32.768 tokens, normalmente suficiente para uma parte de 10 minutos; confira uma amostra no contador de tokens. Remova reasoning_effort, que a BroadNet documenta só para os modelos de raciocínio
Traduzir DeepSeek V4.1 Flash $0.175 de input, $0.52 de output por 1M de tokens, ou uma sessão de preço fixo Modelo de raciocínio; hospedado por parceiro; exige recarga ou plano

Rode o script de avaliação nos mesmos clipes com cada modelo de tradução e escolha pelas pontuações e pelas notas do revisor, não pela nossa tabela. Como escolher um LLM para árabe cobre os trade-offs mais amplos.

Quanto custa uma hora de áudio?

São duas partes:

  • A transcrição é por minuto de áudio: $0.25 por hora no BroadNet Transcribe Arabic.
  • A tradução é por token: prompt_tokens × input price + completion_tokens × output price, dividido por 1.000.000. O prompt inclui o system prompt, as linhas de glossário, o contexto da parte anterior e a transcrição. A resposta inclui o inglês e, em modelos de raciocínio, os tokens de raciocínio.

Não publicamos um valor único por hora para a tradução, porque ele depende da velocidade da fala, do dialeto e de quanto o modelo raciocina. Meça: processe uma hora típica, some usage.prompt_tokens e usage.completion_tokens das respostas e coloque na calculadora de custo de API de LLM. Antes de ter o áudio, você pode colar uma transcrição de exemplo no contador de tokens para árabe; o árabe costuma usar mais tokens por palavra que o inglês, como mostra tokens por palavra em árabe e em inglês. A calculadora de custo de fala para texto calcula o lado do áudio.

Para um grande acervo acumulado, uma sessão de preço fixo do DeepSeek V4.1 Flash tira o medidor de tokens da etapa de tradução: $1 por hora, $15 por semana ou $60 por mês por sessão. Uma sessão roda uma requisição por vez, então workers em paralelo precisam de mais sessões. A transcrição continua cobrada por minuto.

Quando esse pipeline é a escolha errada?

  • Áudio ao vivo. Chamadas, legendas ao vivo e agentes de voz precisam de resultados em streaming em poucos segundos. Uma API de tradução de fala em streaming, ou um endpoint em tempo real, encaixa melhor que uploads de arquivo.
  • Legendas. A resposta de transcrição da BroadNet é só texto, sem timestamps. Legendas em árabe com uma API só de texto mostra até onde os deslocamentos das partes levam você; para sincronismo por palavra, use um provedor que retorne timestamps.
  • Idiomas que a BroadNet não transcreve. O modelo para árabe trata árabe. Para outros idiomas de origem, confira antes a lista de 14 idiomas do modelo multilíngue.
  • Registros jurídicos ou médicos. Use o pipeline para um rascunho e um tradutor humano para o registro.

Onde a BroadNet Inference entra

O BroadRouter é o site da própria BroadNet. A BroadNet Inference oferece as duas etapas deste pipeline com uma única chave compatível com a OpenAI: transcrição de árabe em /v1/audio/transcriptions e tradução em /v1/chat/completions. Ela não tem endpoint de tradução de fala em uma etapa nem transcrição em streaming, então para áudio ao vivo use outro provedor. A política de privacidade dela diz que o conteúdo da inferência, incluindo áudio, transcrições e respostas, não é retido; os metadados necessários de conta, cobrança e segurança são retidos. Comece pela página de transcrição de árabe ou pela referência da API, e teste nas suas próprias gravações antes de confiar na saída.

Perguntas frequentes

Dá para traduzir áudio em árabe para inglês com uma única chamada de API?

Sim, com uma API de tradução de fala como a Soniox, que acrescenta uma configuração de tradução à requisição de fala para texto. O endpoint /v1/audio/translations da OpenAI faz o mesmo para arquivos, mas está descontinuado, com desligamento previsto para 26 de fevereiro de 2027. Um pipeline em duas etapas usa duas chamadas e também entrega a transcrição em árabe.

O que é melhor, tradução direta da fala ou transcrever e depois traduzir?

Teste os dois no seu próprio áudio. Transcrever e depois traduzir permite escolher o modelo de tradução, acrescentar um glossário, conferir números e manter o texto em árabe. Uma API de uma etapa é mais simples e normalmente melhor para áudio ao vivo. Avalie 30 ou mais clipes com chrF contra traduções humanas antes de escolher.

O pipeline lida com árabe egípcio, do Golfo ou levantino?

Quem decide a maior parte é a etapa de transcrição, então teste gravações nos dialetos que você atende. Depois diga ao modelo de tradução que a transcrição pode estar em dialeto e misturar palavras em inglês. Palavras dialetais que um modelo de fala viu pouco são a principal fonte de erros.

Como traduzo um arquivo de áudio em árabe maior que 25 MB?

Converta para WAV mono de 16 kHz e divida em partes de 10 minutos ou menos com ffmpeg; cada parte tem cerca de 19,2 MB. Transcreva cada parte e depois traduza as partes em ordem, passando o final da parte anterior como contexto.

Dá para obter legendas em inglês com timestamps desse jeito?

Não diretamente pela BroadNet: a resposta de transcrição dela é só texto, sem timestamps. Você pode sincronizar as legendas pelos deslocamentos das partes, como no nosso post sobre legendas em árabe, ou usar um provedor que retorne timestamps por palavra ou por segmento.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity