大多数处理音频的产品都要面对不止一种语言:全球客服热线、来自不同办公室的会议录音、多语言城市里的语音留言收件箱。每种语言接一家语音转文字供应商,维护成本很高。BroadNet Transcribe 把 14 种语言放在同一个 OpenAI 兼容端点后面,按音频分钟计费,旁边还有一个针对阿拉伯语为主的工作负载的专用模型。
BroadNet Transcribe 支持哪些语言?
语言列表来自 BroadNet 公开的 pricing.json,以 ISO 639-1 代码表示:
| 代码 | 语言 | 代码 | 语言 |
|---|---|---|---|
| en | 英语 | nl | 荷兰语 |
| es | 西班牙语 | pl | 波兰语 |
| fr | 法语 | zh | 中文 |
| de | 德语 | ja | 日语 |
| it | 意大利语 | ko | 韩语 |
| pt | 葡萄牙语 | vi | 越南语 |
| el | 希腊语 | ar | 阿拉伯语 |
BroadNet Transcribe 基于 Cohere Transcribe,由 BroadNet 提供服务。模型 ID 是 broadnet/cohere-transcribe。
想看全貌的话,我们公开的语音转文字 API 价格索引列出了 20 多款产品的批量和流式价格、计费粒度以及阿拉伯语支持情况,每一项都对照了服务商自己的价格页(提供 CSV 和 JSON)。
多语言转写要多少钱?
| 模型 | 每分钟 | 每小时 | 语言 |
|---|---|---|---|
| BroadNet Transcribe | $0.002 | $0.12 | 14 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | 阿拉伯语 |
按音频分钟计费,而不是按请求或 token 计费。两个模型都可以用免费的 $5 初始额度,所以充值前就能用自己的录音测试。所有价格见价格页;可以在语音转文字成本计算器中估算每月时长的费用,或在语音转文字 API 价格对比中比较其他服务商。
如何调用转写端点?
该端点遵循 OpenAI 音频转写的接口格式,因此官方 SDK 改一下 base URL 就能用:
import os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
with open("meeting-fr.mp3", "rb") as audio:
result = client.audio.transcriptions.create(
model="broadnet/cohere-transcribe",
file=audio,
language="fr",
)
print(result.text)
或者用 curl:
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe \
-F language=es \
-F file=@llamada.wav
响应是 JSON,转写文本在 text 中。BroadNet 文档中的响应就是文本本身;如果你需要词级时间戳或说话人标签,请先在 API 参考中确认当前是否支持,再据此设计。
为什么每次都要传语言?
BroadNet 的文档写得很明确:每个转写请求都要传 language。不传的话,阿拉伯语可能会被音译成拉丁字母返回,模型可能混淆的其他语言也有同样风险。如果事先不知道语言:
- **先用元数据。**来电者所在国家、用户的应用语言或电话号码前缀通常是对的。
- 在语音产品中询问用户(“英语请按 1,阿拉伯语请按 2”)。
- **试转一小段。**用最可能的语言转写前 30 秒;如果文本看起来不对(文字系统不对、一堆乱码),换下一个候选语言重试。
有哪些限制,支持哪些格式?
- **格式:**WAV(
audio/wav)或 MP3(audio/mpeg)。.ogg、.m4a、.webm 和视频文件要先用 ffmpeg 转换。WhatsApp 语音消息指南里有一行命令。 - **大小:**每个文件最大 26,214,400 字节(25 MiB),超过会返回 413。这大约相当于 13 分钟 16 kHz 单声道 WAV,或接近一小时 64 kbit/s 的 MP3。更长的音频用
ffmpeg -f segment -segment_time 600切分。 - **速率:**按量付费密钥每分钟 30 个请求,同时最多 4 个。遇到 429 要退避重试;参见错误与重试。
- **隐私:**音频和转写文本仅为处理请求而使用,不会保留。参见零数据保留。
带分片和工作池的生产级批量流水线,见大规模转写阿拉伯语呼叫中心录音;同样的设计适用于这 14 种语言中的任何一种。
什么时候该选阿拉伯语专用模型?
BroadNet 提供两个模型,是因为阿拉伯语的语音识别比大多数语言更难:一个书面标准下有很多方言,经常与英语和法语语码转换,还有大量电话音质的音频。BroadNet Transcribe Arabic 是专用选项,BroadNet 也只为它公布了阿拉伯语准确率:
- BroadNet 报告称它在 Open Universal Arabic ASR Leaderboard 上位列 第 2 名(共 37 个)(这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名),并且在许可证允许通过 API 提供服务的模型中排名第一。
- BroadNet 实验室测得的词错误率:FLEURS-ar 为 3.8,MASC-ar 为 21.1,其方言测试集为 23.4(越低越好)。这些数字是什么意思。
BroadNet 没有公布 14 语言模型的阿拉伯语数据,但公开排行榜有:2026 年 11 月 15 日,BroadNet Transcribe 背后的模型 Cohere Transcribe 03-2026 在 39 个模型中排第 8,平均 WER 为 30.67;阿拉伯语模型排 第 4 名(共 39 个),为 24.19。其他语言方面,根据其模型页,BroadNet 报告 BroadNet Transcribe 在 FLEURS 英语上的词错误率为 5.5,FLEURS 西班牙语为 3.2;在英语音频上,单路流约为实时速度的 113 倍(批量为 217 倍)。一个简单的规则:
| 你的音频 | 选择 |
|---|---|
| 以阿拉伯语为主,任何方言 | BroadNet Transcribe Arabic |
| 阿拉伯语文件占少数,准确率不关键 | 全部用 BroadNet Transcribe,或两个都测 |
| 混合内容,每个文件的语言已知 | 阿拉伯语文件走阿拉伯语模型,其余走 BroadNet Transcribe |
| 其他 13 种语言中的任何一种 | BroadNet Transcribe |
按语言路由只需改一行代码,因为两个模型共用同一个端点和请求格式:
def stt_model(lang: str) -> str:
return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"
阿拉伯语模型每分钟的价格大约是两倍。用量大时,请用几小时真实阿拉伯语音频测试两个模型,按方言比较词错误率;阿拉伯语语音转文字采购指南里有一个一小时的测试方案。如果问题在于嘈杂阿拉伯语音频中的数字、日期和名称,BroadNet 还在模型页上列出了一个可按需申请的阿拉伯语微调模型。
如何测试每种语言的准确率?
供应商给出的单一准确率数字,掩盖了不同语言、口音和录音条件之间的巨大差异。在把工作负载交出去之前,为每种语言做一次小测试:
- **每种语言收集 20 到 50 段真实片段,**来自你实际要转写的渠道:电话、会议录音、语音消息或视频。包括最难的口音。
- **为其中一部分手工写参考转写,**并约定数字、名称和英语外来词的拼写规则。
- **使用正确的
language代码转写,**并按语言计算词错误率。中文和日文词与词之间没有空格,改用字错误率。 - **逐条看错误。**产品名称、金额和地址比语气词重要得多。
- **如果你的音频包含阿拉伯语,用两个模型都测一遍,**并按方言比较。
由于每分钟价格很低,$5 初始额度足以在 BroadNet Transcribe 上为几种语言完成这样的测试。
适合哪些工作负载?
| 工作负载 | 说明 |
|---|---|
| 多语言客服热线 | 按 IVR 语言选择路由,传入对应的 language 代码 |
| 分布式团队的会议纪要 | 逐个录音转写,再用大模型总结 |
| 语音留言收件箱 | 先把 .ogg 转成 WAV;参见 WhatsApp 指南 |
| 媒体和播客存档 | 把长文件切成 25 MiB 以下;夜间批量处理 |
| 语言学习应用 | 转写学习者的语音,再用大模型给出反馈 |
无论哪种情况,成本只随音频分钟数增长:在 BroadNet Transcribe 上每小时音频 $0.12,与语言无关。
转写之后做什么?
转写文本很少是最终产品。用同一个 API 密钥常做的后续步骤:
- 用 DeepSeek V4.1 Flash 为会议生成摘要和待办事项,其 1,048,576 token 的上下文能装下很长的转写文本。
- 把转写文本翻译成一种工作语言;参见用大模型做阿拉伯语–英语翻译。
- 用结构化 JSON 输出给客服通话做质检评分。
如何从其他转写 API 迁移?
如果你已经在调用 OpenAI 风格的转写端点,包括 OpenAI 公布将于 2027 年 2 月 26 日关闭的 Whisper API(切换前要测试什么),迁移通常只需改三处:base URL、API 密钥和模型 ID,再确保传了 language。检查代码中除 text 之外读取的其他响应字段。其余内容见 OpenAI 兼容 API 迁移检查清单。

