---
title: "API chuyển giọng nói thành văn bản là gì? ASR và chép lời"
description: "Chuyển giọng nói thành văn bản biến lời nói thành chữ viết. Cách API chép lời hoạt động, giá theo phút âm thanh, cách đo độ chính xác và giới hạn cần biết."
url: https://broadrouter.com/vi/glossary/speech-to-text/
lang: vi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/speech-to-text/) (cập nhật ngày 2026-11-15).

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

Cập nhật 2026-11-15

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`:

```bash
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](https://broadrouter.com/vi/glossary/word-error-rate/), 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](https://broadrouter.com/vi/glossary/zero-data-retention/).
-   **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](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) | Tiếng Ả Rập, kể cả các phương ngữ | $0.0042 | $0.25 |
| [BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-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](https://soniox.com/pricing) 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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/), chuyển đổi tệp `.ogg` của WhatsApp bằng [hướng dẫn tin nhắn thoại](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/), và so sánh các nhà cung cấp bằng [hướng dẫn chọn mua](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/).

## 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.

## Xem thêm

-   [Word error rate (WER, tỷ lệ lỗi từ)](https://broadrouter.com/vi/glossary/word-error-rate/) (thuật ngữ)
-   [Không lưu giữ dữ liệu (zero data retention, ZDR)](https://broadrouter.com/vi/glossary/zero-data-retention/) (thuật ngữ)
-   [API tương thích OpenAI (OpenAI-compatible API)](https://broadrouter.com/vi/glossary/openai-compatible-api/) (thuật ngữ)
-   [Trả theo mức dùng (pay-as-you-go)](https://broadrouter.com/vi/glossary/pay-as-you-go/) (thuật ngữ)
-   [Speaker diarization (phân tách người nói)](https://broadrouter.com/vi/glossary/diarization/) (thuật ngữ)
-   [VAD (phát hiện giọng nói)](https://broadrouter.com/vi/glossary/vad/) (thuật ngữ)
-   [Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/) (thuật ngữ)
-   [Timestamp trong speech-to-text (dấu thời gian ASR)](https://broadrouter.com/vi/glossary/timestamps-asr/) (thuật ngữ)
-   [Code-switching (chuyển mã ngôn ngữ)](https://broadrouter.com/vi/glossary/code-switching/) (thuật ngữ)
-   [Chuyển văn bản thành giọng nói (text-to-speech, TTS)](https://broadrouter.com/vi/glossary/text-to-speech/) (thuật ngữ)
-   [WAV](https://broadrouter.com/vi/glossary/wav/) (thuật ngữ)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/) (hướng dẫn)
-   [Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/) (hướng dẫn)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-speech-to-text&utm_content=page-cta) ·

**Nguồn**

-   [Bảng giá speech-to-text của Soniox (truy cập ngày 2026-11-14)](https://soniox.com/pricing)
-   [Hugging Face Tasks, nhận dạng giọng nói tự động](https://huggingface.co/tasks/automatic-speech-recognition)
-   [OpenAI, hướng dẫn speech to text (endpoint transcriptions, giới hạn tệp 25 MB; kiểm tra ngày 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Tài liệu tham chiếu API BroadNet Inference, chép lời (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-speech-to-text&utm_content=sources)
-   [Bảng giá dạng máy đọc được của BroadNet Inference (pricing.json) (tiếng Anh)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-speech-to-text&utm_content=sources)
