BroadRouter

Chuyển giọng nói thành văn bản (speech-to-text)

Cập nhật

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

Còn gọi là: chuyển giọng nói thành văn bản, nhận dạng giọng nói, chép lời âm thanh, API chép lời, STT, ASR, speech-to-text, automatic speech recognition, transcription API, audio transcription, voice to text

Tin nhắn thoại, cuộc gọi và cuộc họp chứa thông tin mà phần mềm không thể tìm kiếm cho đến khi chúng thành văn bản. Chuyển giọng nói thành văn bản lấp đầy khoảng trống đó.

Cách hoạt động

Hugging Face định nghĩa nhận dạng giọng nói tự động là “the task of transcribing a given audio to text.” (Bản dịch: tác vụ chép một đoạn âm thanh cho trước thành văn bản). Một model ASR hiện đại chuyển âm thanh thành các đặc trưng, rồi sinh ra chuỗi từ có khả năng cao nhất.

Qua một API tương thích OpenAI, bạn tải tệp lên dưới dạng multipart form data tới /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

Phản hồi là JSON, với bản chép lời nằm trong text. Các nhà cung cấp đặt giới hạn về dung lượng và định dạng tệp; endpoint của chính OpenAI nhận tệp tối đa 25 MB (theo hướng dẫn speech to text của OpenAI, kiểm tra ngày 2026-11-15).

Vì sao quan trọng

  • Độ chính xác quyết định giá trị. Một bản chép lời sai tên hoặc số có thể còn tệ hơn không có. Độ chính xác được đo bằng tỷ lệ lỗi từ, và giảm khi gặp giọng địa phương, phương ngữ, nhiều người nói chồng lên nhau hoặc âm thanh điện thoại.
  • Giá theo giờ âm thanh. STT tính phí theo phút âm thanh, nên dễ dự báo chi phí: số giờ âm thanh nhân với giá mỗi giờ.
  • Quyền riêng tư. Giọng nói chứa tên, số điện thoại, thông tin sức khỏe hoặc ngân hàng. Hãy hỏi xem âm thanh và bản chép lời có bị lưu không; xem không lưu giữ dữ liệu.
  • Pipeline. Bản chép lời thường được đưa tiếp vào một LLM để tóm tắt, định tuyến hoặc trích xuất thông tin.

Trên BroadNet Inference

Model Ngôn ngữ Giá mỗi phút Mỗi giờ
BroadNet Transcribe Arabic Tiếng Ả Rập, kể cả các phương ngữ $0.0042 $0.25
BroadNet Transcribe 14 ngôn ngữ $0.002 $0.12

Cả hai nhận WAV hoặc MP3 tối đa 26.214.400 byte (25 MiB) mỗi tệp; tệp lớn hơn sẽ trả về 413. Hãy gửi language=ar cho tiếng Ả Rập, nếu không kết quả có thể bị chuyển tự sang chữ Latin. BroadNet cho biết model tiếng Ả Rập xếp hạng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard. Âm thanh và bản chép lời không được lưu giữ.

Các nhà cung cấp khác có thể rẻ hơn. Ngày 2026-11-14, trang giá của Soniox ghi khoảng USD 0.10 mỗi giờ cho chép lời tệp (bất đồng bộ) và USD 0.12 mỗi giờ cho thời gian thực, và danh sách ngôn ngữ của họ có tiếng Ả Rập. Mức đó thấp hơn $0.25 mỗi giờ của BroadNet Transcribe Arabic, vì vậy hãy thử cả hai trên âm thanh của chính bạn. Chỉ số giá API speech-to-text công khai của chúng tôi liệt kê hơn 20 sản phẩm, kèm nguồn và ngày cho từng mức giá.

Cả hai model đều dùng được với $5 tín dụng ban đầu miễn phí, đủ cho khoảng 1,190 phút âm thanh tiếng Ả Rập. Hãy bắt đầu với hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản, chuyển đổi tệp .ogg của WhatsApp bằng hướng dẫn tin nhắn thoại, và so sánh các nhà cung cấp bằng hướng dẫn chọn mua.

Câu hỏi thường gặp

Độ chính xác của chuyển giọng nói thành văn bản được đo như thế nào?

Bằng tỷ lệ lỗi từ (WER), tức tỷ lệ số từ mà bản chép lời sai so với một bản tham chiếu đúng. Càng thấp càng tốt. Hãy đo trên bản ghi âm của chính bạn, vì độ chính xác thay đổi nhiều theo giọng, phương ngữ và chất lượng âm thanh.

Làm sao chép lời tệp lớn hơn giới hạn dung lượng?

Chia âm thanh thành các đoạn ngắn hơn, tốt nhất là tại các chỗ ngắt nghỉ, rồi chép lời từng đoạn. Nén sang MP3 cũng giúp giảm dung lượng.

Vì sao tiếng Ả Rập đôi khi trả về bằng chữ Latin?

Khi không có gợi ý ngôn ngữ, một số model sẽ chuyển tự. Trên BroadNet Inference, hãy gửi language=ar cho tiếng Ả Rập.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity