---
title: "Chép lời âm thanh tiếng Ả Rập bằng API: curl và Python"
description: "Chuyển âm thanh tiếng Ả Rập thành văn bản với BroadNet Transcribe Arabic qua endpoint tương thích OpenAI: định dạng, trường language, ví dụ Python, curl và giá."
url: https://broadrouter.com/vi/guides/arabic-speech-to-text-api/
lang: vi
updated: 2026-11-16
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/guides/arabic-speech-to-text-api/) (cập nhật ngày 2026-11-16).

# API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước

Cập nhật 2026-11-16

Gửi file WAV hoặc MP3 đến https://inference.broadnet.ai/v1/audio/transcriptions với model broadnet/cohere-transcribe-arabic và language=ar. Phản hồi là JSON, bản chép lời nằm trong text. Các định dạng khác như .ogg của WhatsApp cần chuyển sang WAV trước. Giá tính theo phút âm thanh, và BroadNet cho biết không lưu giữ âm thanh hay bản chép lời.

BroadNet Transcribe Arabic có giá $0.0042 mỗi phút âm thanh. BroadNet báo cáo model này đứng ở vị trí 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](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard), và đứng #1 trong các model có giấy phép cho phép phục vụ qua API. Với các ngôn ngữ khác, BroadNet Transcribe hỗ trợ 14 ngôn ngữ với giá $0.002 mỗi phút. Xem [trang model BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) và [trang model BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-transcribe/).

Có nhà cung cấp khác rẻ hơn. Ngày 2026-11-14, [trang giá của Soniox](https://soniox.com/pricing) niêm yết khoảng USD 0.10 mỗi giờ khi chép lời từ file (bất đồng bộ) và USD 0.12 mỗi giờ khi chép lời thời gian thực, và danh sách ngôn ngữ của họ có tiếng Ả Rập. Mức này thấp hơn giá $0.25 mỗi giờ của BroadNet Transcribe Arabic, nên hãy thử cả hai trên âm thanh của chính bạn.

## Dùng curl

```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 bản chép lời dưới dạng JSON:

```json
{"text": "مرحباً، لقد وصلت إلى البريد الصوتي، اترك رسالتك من فضلك"}
```

## Dùng Python

```python
from openai import OpenAI
import os

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

with open("voice-note.wav", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe-arabic",
        file=audio,
        language="ar",
    )
print(result.text)
```

## Luôn gửi trường language

Nếu thiếu `language`, tiếng Ả Rập có thể bị trả về **dưới dạng chuyển tự sang chữ Latin**. Hãy gửi `language=ar` cho tiếng Ả Rập và `language=en` cho tiếng Anh.

## Model xử lý được những phương ngữ Ả Rập nào?

BroadNet mô tả BroadNet Transcribe Arabic là hỗ trợ tiếng Ả Rập, kể cả các phương ngữ, và công bố ba tỷ lệ lỗi từ cho model này. Đây là số đo trong phòng thí nghiệm của chính BroadNet, lấy từ [danh mục model](https://www.broadnet.ai/inference/models) của họ:

| Bộ kiểm thử | Nội dung | Tỷ lệ lỗi từ |
| --- | --- | --- |
| FLEURS-ar | Câu đọc rõ ràng | 3.8 |
| MASC-ar | Giọng nói tiếng Ả Rập thực tế, đa dạng | 21.1 |
| Bộ phương ngữ của BroadNet | Giọng nói phương ngữ | 23.4 |

BroadNet không công bố kết quả tách theo phương ngữ, nên không ai ngoài BroadNet có thể nói âm thanh vùng Vịnh đạt điểm thế nào so với tiếng Ai Cập hay Maghreb. Các nhà cung cấp khác mô tả phạm vi hỗ trợ theo cách khác. Deepgram liệt kê tiếng Ả Rập của Nova-3 với các mã vùng, từ `ar-AE`, `ar-SA` và `ar-EG` đến `ar-MA` và `ar-IQ`. Speechmatics bán một gói “Global Arabic” có nêu tiếng Ả Rập chuẩn hiện đại, vùng Vịnh, Ai Cập và Levant, cùng một gói `ar_en` cho tiếng Ả Rập trộn tiếng Anh. Soniox liệt kê tiếng Ả Rập (`ar`) mà không nói chi tiết về phương ngữ.

Một mã được liệt kê không phải là độ chính xác đã được đo. Trước khi chọn, hãy chấm điểm từng ứng viên trên các đoạn âm thanh của chính bạn, chia nhóm theo phương ngữ:

-   **Vùng Vịnh (Khaleeji):** giọng Ả Rập Xê Út, UAE, Kuwait, Qatar, thường lẫn tên sản phẩm tiếng Anh.
-   **Ai Cập:** phương ngữ được hiểu rộng rãi nhất trên truyền thông.
-   **Levant:** giọng Syria, Liban, Jordan và Palestine.
-   **Iraq và Maghreb:** giọng Maroc, Algeria và Tunisia thường là trường hợp khó nhất.
-   **[Tiếng Ả Rập chuẩn hiện đại](https://broadrouter.com/vi/glossary/msa/):** tin tức và lời nói trang trọng, mốc cơ sở dễ nhất.

[Hướng dẫn nhận dạng giọng nói các phương ngữ Ả Rập](https://broadrouter.com/vi/blog/arabic-dialect-speech-recognition/) giải thích vì sao phương ngữ đạt điểm kém hơn, và [bài giải thích về tỷ lệ lỗi từ](https://broadrouter.com/vi/blog/arabic-asr-wer-explained/) chỉ cách chấm điểm chúng.

## API chuyển giọng nói tiếng Ả Rập thành văn bản giá bao nhiêu?

Mọi nhà cung cấp dưới đây đều liệt kê tiếng Ả Rập. Xếp từ rẻ nhất; giá dành cho file ghi sẵn trừ khi có ghi chú khác, và được kiểm tra ngày 2026-11-14:

| Nhà cung cấp và model | Mỗi phút | Mỗi giờ | Phạm vi tiếng Ả Rập được nêu |
| --- | --- | --- | --- |
| Soniox, bất đồng bộ (file) | khoảng USD 0.0017 | khoảng USD 0.10 | Tiếng Ả Rập (`ar`) |
| Soniox, thời gian thực | khoảng USD 0.002 | khoảng USD 0.12 | Tiếng Ả Rập (`ar`) |
| [BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-transcribe/) (14 ngôn ngữ) | $0.002 | $0.12 | Tiếng Ả Rập trong số 14 ngôn ngữ |
| [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | Tiếng Ả Rập, kể cả phương ngữ (theo BroadNet) |
| Deepgram, Nova-3 đơn ngữ | USD 0.0043 | USD 0.258 | `ar` cùng các mã vùng |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | Global Arabic, `ar_en` |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | Global Arabic, `ar_en` |

Nguồn: [bảng giá Soniox](https://soniox.com/pricing) (tính phí theo token; con số mỗi giờ là ước tính của Soniox), [bảng giá Deepgram](https://deepgram.com/pricing) và [bảng giá Speechmatics](https://www.speechmatics.com/pricing). Soniox rẻ hơn cả hai model của BroadNet, và BroadNet không có tài liệu về streaming thời gian thực. Lợi thế của BroadNet là model chuyên cho tiếng Ả Rập, thứ hạng trên bảng xếp hạng mà họ báo cáo và chính sách không lưu giữ dữ liệu (zero data retention). Để xem thêm nhà cung cấp, hãy dùng [chỉ mục giá API chuyển giọng nói thành văn bản](https://broadrouter.com/data/speech-to-text-api-prices/) mở của chúng tôi, liệt kê giá xử lý theo lô, giá streaming và mức hỗ trợ tiếng Ả Rập của hơn 20 sản phẩm, mỗi mục có nguồn và ngày kiểm tra (CSV và JSON). Về các chi phí phát sinh, xem [so sánh giá API chuyển giọng nói thành văn bản](https://broadrouter.com/vi/blog/speech-to-text-api-pricing-compared/); để tính giá cho khối lượng của bạn, hãy dùng [công cụ tính chi phí chuyển giọng nói thành văn bản](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Giới hạn

-   WAV hoặc MP3, tối đa 26.214.400 byte (25 MiB) mỗi file. File lớn hơn sẽ trả về 413; hãy chia nhỏ trước.
-   Key trả theo mức dùng cho phép 30 request mỗi phút và 4 request đồng thời.
-   Cả hai model chép lời đều dùng được tín dụng ban đầu miễn phí $5, nên bạn có thể thử trên bản ghi của chính mình trước khi trả tiền.

## Xử lý sự cố

-   **Chữ Latin thay vì chữ Ả Rập.** Thêm `language=ar`.
-   **400 hoặc 422.** Kiểm tra tên các trường (`model`, `language`, `file`) và chắc chắn file thật sự là WAV hoặc MP3. Một file `.ogg` chỉ đổi tên sẽ thất bại; hãy chuyển đổi bằng ffmpeg.
-   **413.** File vượt quá 26.214.400 byte. Hãy chuyển sang WAV hoặc MP3 mono 16 kHz, hoặc chia thành các đoạn ngắn hơn.
-   **401 trên tài khoản đã trả phí.** Kiểm tra key và hạn mức trả theo mức dùng. Xem [mã lỗi BroadNet và cách thử lại](https://broadrouter.com/vi/guides/errors-and-retries/).
-   **Độ chính xác kém với phương ngữ hoặc cuộc gọi nhiều tạp âm.** Trên bộ kiểm thử phương ngữ của chính BroadNet, điểm kém hơn so với giọng đọc rõ ràng (xem phần FAQ). Hãy thử trên một mẫu âm thanh thực của bạn và đo [tỷ lệ lỗi từ](https://broadrouter.com/vi/glossary/word-error-rate/).

Tin nhắn thoại WhatsApp có định dạng `.ogg`. [Chuyển đổi và chép lời tin nhắn thoại WhatsApp trong một bước](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/). Nếu bạn cần nhận dạng số, ngày tháng và tên riêng trong âm thanh nhiều tạp âm, BroadNet cung cấp một model tiếng Ả Rập đã tinh chỉnh [theo yêu cầu](https://broadrouter.com/vi/models/#on-request).

## Thuật ngữ trong hướng dẫn này

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

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.

[Trả theo mức dùng (pay-as-you-go)](https://broadrouter.com/vi/glossary/pay-as-you-go/)

Trả theo mức dùng (pay-as-you-go) là mô hình giá mà bạn chỉ trả cho những gì đã dùng, đo theo đơn vị như token, request hoặc phút âm thanh, không có gói đăng ký hay cam kết tối thiểu. Hầu hết API LLM tính phí theo cách này, trừ vào số dư trả trước hoặc qua hóa đơn định kỳ.

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

WAV (Waveform Audio File Format, hay WAVE) là một container audio xây trên định dạng RIFF của Microsoft và IBM. Nó thường chứa các mẫu PCM tuyến tính không nén, nên dung lượng dễ dự đoán: mỗi giây bằng tần số lấy mẫu nhân số byte mỗi mẫu nhân số kênh.

[Word error rate (WER, tỷ lệ lỗi từ)](https://broadrouter.com/vi/glossary/word-error-rate/)

Word error rate (WER, tỷ lệ lỗi từ) là thước đo độ chính xác tiêu chuẩn cho nhận dạng giọng nói: số lần thay thế, xóa và chèn từ cần để biến bản chép lời thành bản tham chiếu đúng, chia cho số từ trong bản tham chiếu. Càng thấp càng tốt.

[Không lưu giữ dữ liệu (zero data retention, ZDR)](https://broadrouter.com/vi/glossary/zero-data-retention/)

Không lưu giữ dữ liệu (ZDR) là chính sách mà nhà cung cấp AI chỉ xử lý prompt và đầu ra để phục vụ request, sau đó không lưu nội dung đó vào log, cache hay dữ liệu huấn luyện. Các bản ghi không chứa nội dung như số token và thời gian xử lý thường vẫn được giữ.

[Phương ngữ tiếng Ả Rập (dialectal Arabic)](https://broadrouter.com/vi/glossary/dialectal-arabic/)

Phương ngữ tiếng Ả Rập là tiếng Ả Rập nói hằng ngày của một vùng hay thành phố, như tiếng Ả Rập Ai Cập, vùng Vịnh, Levant hay Maghreb. Chúng khác MSA về âm, từ vựng và ngữ pháp, không có chính tả chuẩn và ngày càng được viết trên mạng, nên khó hơn với model ngôn ngữ.

[Tiếng Ả Rập chuẩn hiện đại (MSA)](https://broadrouter.com/vi/glossary/msa/)

Tiếng Ả Rập chuẩn hiện đại (MSA) là dạng tiếng Ả Rập chuẩn hóa dùng trong văn viết, tin tức, giáo dục và phát biểu trang trọng khắp thế giới Ả Rập. Không ai dùng nó làm tiếng mẹ đẻ hằng ngày: người ta nói phương ngữ như Ai Cập hay vùng Vịnh và chuyển sang MSA khi trang trọng.

[Concurrency (request đồng thời)](https://broadrouter.com/vi/glossary/concurrency/)

Concurrency (request đồng thời) là số request mà một client đang xử lý cùng lúc. Các API LLM thường giới hạn nó theo key hoặc theo gói, tách biệt với số request mỗi phút, vì mỗi request đang mở chiếm dụng năng lực GPU cho tới khi response kết thúc.

## Câu hỏi thường gặp

### Model có hiểu các phương ngữ Ả Rập không?

BroadNet báo cáo tỷ lệ lỗi từ 23.4 trên bộ kiểm thử phương ngữ của riêng họ, cùng với 3.8 trên FLEURS-ar và 21.1 trên MASC-ar. Càng thấp càng tốt. BroadNet không công bố điểm theo từng phương ngữ, nên hãy kiểm thử riêng bản ghi vùng Vịnh, Ai Cập, Levant và Maghreb trước khi dựa vào nó.

### API chuyển giọng nói tiếng Ả Rập thành văn bản nào rẻ nhất?

Trong các nhà cung cấp được kiểm tra ngày 2026-11-14, Soniox niêm yết mức giá thấp nhất, khoảng USD 0.10 mỗi giờ khi chép lời từ file. BroadNet Transcribe Arabic có giá $0.25 mỗi giờ. Deepgram Nova-3 và Speechmatics đắt hơn. Giá mỗi giờ không quan trọng bằng tỷ lệ lỗi từ trên chính âm thanh phương ngữ của bạn.

### API nhận những định dạng âm thanh nào?

WAV (audio/wav) và MP3 (audio/mpeg). Hãy dùng ffmpeg chuyển các định dạng khác như .ogg hoặc .m4a trước.

### Vì sao bản chép lời tiếng Ả Rập lại hiện bằng chữ Latin?

Request không có trường language. Thiếu trường này, giọng nói tiếng Ả Rập có thể bị chuyển tự sang chữ Latin. Hãy gửi language=ar trong mọi request tiếng Ả Rập.

### Có thể dùng thử chép lời tiếng Ả Rập miễn phí không?

Có. Cả hai model chép lời của BroadNet đều dùng được tín dụng ban đầu miễn phí mà tài khoản mới nhận được, nên bạn có thể thử trên bản ghi của chính mình trước khi nạp tiền.

### Nên dùng BroadNet Transcribe Arabic hay BroadNet Transcribe cho tiếng Ả Rập?

Cả hai đều nhận language=ar. BroadNet Transcribe Arabic là model dành cho tiếng Ả Rập và là model BroadNet báo cáo trên bảng xếp hạng tiếng Ả Rập. BroadNet Transcribe rẻ hơn mỗi phút và hỗ trợ 14 ngôn ngữ, nên hãy thử cả hai trên âm thanh của bạn.

## Hướng dẫn liên quan

-   [Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/)
-   [Đọc hóa đơn và biên lai tiếng Ả Rập bằng model thị giác](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/)
-   [Mã lỗi BroadNet Inference và khi nào nên thử lại](https://broadrouter.com/vi/guides/errors-and-retries/)

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-guides-arabic-speech-to-text-api&utm_content=page-cta) ·

**Nguồn**

-   [Bảng giá chuyển giọng nói thành văn bản của Soniox (kiểm tra ngày 2026-11-14)](https://soniox.com/pricing)
-   [Tài liệu tham chiếu BroadNet Inference API, chép lời (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-guides-arabic-speech-to-text-api&utm_content=sources#requests)
-   [Bảng giá BroadNet Inference (tiếng Anh)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-guides-arabic-speech-to-text-api&utm_content=sources)
-   [Danh mục model BroadNet, chuyển giọng nói thành văn bản (số đo phòng thí nghiệm) (tiếng Anh)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [Tài liệu Soniox, các ngôn ngữ hỗ trợ (có tiếng Ả Rập; kiểm tra ngày 2026-11-14)](https://docs.soniox.com/stt/concepts/supported-languages)
-   [Bảng giá Deepgram, Nova-3 cho file ghi sẵn (kiểm tra ngày 2026-11-14)](https://deepgram.com/pricing)
-   [Model và ngôn ngữ của Deepgram, mã tiếng Ả Rập của Nova-3 (kiểm tra ngày 2026-11-14)](https://developers.deepgram.com/docs/models-languages-overview)
-   [Bảng giá Speechmatics, xử lý theo lô trả theo mức dùng (kiểm tra ngày 2026-11-14)](https://www.speechmatics.com/pricing)
-   [Ngôn ngữ của Speechmatics, Global Arabic và Ả Rập-Anh (kiểm tra ngày 2026-11-14)](https://docs.speechmatics.com/speech-to-text/languages)
