---
title: "支持 14 种语言的多语言语音转文字 API | BroadRouter"
description: "通过一个按分钟计费的 OpenAI 兼容端点，转写英语、西班牙语、法语、中文、阿拉伯语等 14 种语言；以及什么时候该用阿拉伯语专用模型。"
url: https://broadrouter.com/zh/blog/multilingual-speech-to-text-api/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/multilingual-speech-to-text-api/)（2026-11-16 更新）。

# 多语言语音转文字 API：14 种语言，一个端点

BroadNet Inference 团队 · 阅读约 6 分钟 · 发布于 2026-11-14 · 更新于 2026-11-16

BroadNet Transcribe 是支持 14 种语言的语音转文字模型，包括英语、西班牙语、法语、德语、中文、日语和阿拉伯语，通过 OpenAI 兼容的 /v1/audio/transcriptions 端点提供。价格为每音频分钟 $0.002（每小时 $0.12）。以阿拉伯语为主的音频，可选专用的 BroadNet Transcribe Arabic，每分钟 $0.0042。

## 要点

-   BroadNet Transcribe 覆盖 14 种语言：en、es、fr、de、it、pt、el、nl、pl、zh、ja、ko、vi 和 ar。
-   价格：每音频分钟 $0.002，每音频小时 $0.12。
-   每个请求都要传语言代码，不要依赖自动检测。
-   如果阿拉伯语音频是主要工作负载，选择 BroadNet Transcribe Arabic（每小时 $0.25）；BroadNet 为该模型公布了阿拉伯语准确率数据。
-   两个模型限制相同：WAV 或 MP3，每个文件最大 26,214,400 字节，不保留音频和转写文本。

**本页内容**

1.  BroadNet Transcribe 支持哪些语言？
2.  多语言转写要多少钱？
3.  如何调用转写端点？
4.  为什么每次都要传语言？
5.  有哪些限制，支持哪些格式？
6.  什么时候该选阿拉伯语专用模型？
7.  如何测试每种语言的准确率？
8.  适合哪些工作负载？
9.  转写之后做什么？
10.  如何从其他转写 API 迁移？

_[image: The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."]_

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](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-multilingual-speech-to-text-api&utm_content=body)，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](https://broadrouter.com/zh/models/cohere-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](https://broadrouter.com/data/speech-to-text-api-prices/)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](https://broadrouter.com/zh/models/cohere-transcribe/) | $0.002 | $0.12 | 14 |
| [BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-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](https://broadrouter.com/zh/pricing/)；可以在[语音转文字成本计算器](https://broadrouter.com/tools/speech-to-text-cost-calculator/)中估算每月时长的费用，或在[语音转文字 API 价格对比](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)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：

```python
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：

```bash
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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-multilingual-speech-to-text-api&utm_content=body)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：

1.  \*\*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。
2.  **在语音产品中询问用户**（“英语请按 1，阿拉伯语请按 2”）。
3.  \*\*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](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)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](https://broadrouter.com/zh/guides/errors-and-retries/)。
-   \*\*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](https://broadrouter.com/zh/privacy/)。

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](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)；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](https://huggingface.co/spaces/elmresearchcenter/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](https://broadrouter.com/zh/blog/arabic-asr-wer-explained/)。

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](https://www.broadnet.ai/inference/models/cohere-transcribe)，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：

```python
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](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)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](https://broadrouter.com/zh/models/)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：

1.  \*\*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。
2.  \*\*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。
3.  \*\*使用正确的 `language` 代码转写，\*\*并按语言计算[词错误率](https://broadrouter.com/zh/glossary/word-error-rate/)。中文和日文词与词之间没有空格，改用字错误率。
4.  \*\*逐条看错误。\*\*产品名称、金额和地址比语气词重要得多。
5.  \*\*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](https://broadrouter.com/zh/models/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](https://broadrouter.com/zh/blog/arabic-english-translation-llm/)。
-   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](https://broadrouter.com/zh/blog/whisper-api-alternative/)），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](https://broadrouter.com/zh/blog/openai-compatible-api-migration-checklist/)。

相关免费工具（英文）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

[语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)

语音转文字，也叫自动语音识别（ASR），是把口语音频转换成书面文字的技术。语音转文字 API 接收音频文件或音频流并返回转写文本，通常按音频分钟计价。准确率用词错误率衡量，会随口音、方言和录音质量变化。

[Base URL（base\_url）](https://broadrouter.com/zh/glossary/base-url/)

base URL 是 API 固定的根地址，例如 https://api.example.com/v1，客户端会把它加在每个端点路径（例如 /chat/completions）前面。在 OpenAI 兼容 SDK 中，修改 base URL，再配合 API 密钥和模型 ID，就能让同一份代码改用另一家服务商。

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

WAV（Waveform Audio File Format，又称 WAVE）是建立在微软与 IBM 的 RIFF 格式之上的音频容器。它通常存放未压缩的线性 PCM 样本，因此大小可以预测：每秒字节数 = 采样率 × 每样本字节数 × 声道数。

[按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)

按量付费是一种计价模式：你只为实际用量付费，按 token、请求次数或音频分钟等单位计量，没有订阅费，也没有最低消费承诺。大多数大模型 API 都这样计费，从预付余额中扣减或定期开具账单。

[Ogg Opus](https://broadrouter.com/zh/glossary/ogg-opus/)

Ogg Opus 是用 Opus 编解码器（RFC 6716）编码、存放在 Ogg 容器（RFC 7845）中的音频。它专为低码率下的语音和实时交互音频设计，也是 WhatsApp 语音消息使用的格式，文件通常为 .ogg 或 .opus。

[Token（词元）](https://broadrouter.com/zh/glossary/token/)

token（词元）是大语言模型读写文本的基本单位：由模型的分词器切分出的一个词、词的一部分、一个标点或一段字节序列。大模型 API 按 token 计数、设定限制，通常也按 token 计费。

[并发（concurrency）](https://broadrouter.com/zh/glossary/concurrency/)

并发（concurrency）是客户端在同一时刻正在进行中的请求数。大模型 API 往往按密钥或套餐单独限制并发，与每分钟请求数分开计算，因为每个未完成的请求在响应结束前都会占用 GPU 资源。

[词错误率（WER，word error rate）](https://broadrouter.com/zh/glossary/word-error-rate/)

词错误率（WER）是语音识别的标准准确率指标：把转写结果改成正确参考文本所需的替换、删除和插入词数，除以参考文本的词数。数值越低越好。

## 常见问题

### BroadNet Transcribe 支持哪些语言？

14 种：英语、西班牙语、法语、德语、意大利语、葡萄牙语、希腊语、荷兰语、波兰语、中文、日语、韩语、越南语和阿拉伯语。列表以 ISO 639-1 代码公布在 pricing.json 中。

### 一个音频文件里有两种语言怎么办？

每个请求只接受一个语言代码。对于中途切换语言的音频，用主要语言转写，再检查另一种语言的转写效果；如果切换段落较长，就按说话人或片段拆分音频。

### 多语言模型转写阿拉伯语够用吗？

它支持阿拉伯语，每分钟也更便宜。BroadNet 只为 BroadNet Transcribe Arabic 公布了阿拉伯语准确率数据，所以如果阿拉伯语在你的音频中占比较大，请用你的录音测试两个模型，比较词错误率。

### 可以用 OpenAI SDK 调用吗？

可以。把 SDK 指向 BroadNet 的 base URL，然后用模型 ID、文件和语言调用 audio.transcriptions.create。

## 继续阅读

-   [转写超过 25 MB 的长音频：切分、发送、拼接](https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)
-   [阿拉伯语语音识别的词错误率（WER）详解](https://broadrouter.com/zh/blog/arabic-asr-wer-explained/)
-   [呼叫中心录音怎么转写：一条支持阿拉伯语的流水线](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)
-   [迁移到 OpenAI 兼容 API：切换服务商检查清单](https://broadrouter.com/zh/blog/openai-compatible-api-migration-checklist/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)
-   [指南：用 API 把 WhatsApp 语音消息转成文字](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)
-   [指南：BroadNet Inference 错误码，以及什么时候该重试](https://broadrouter.com/zh/guides/errors-and-retries/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-multilingual-speech-to-text-api&utm_content=page-cta) ·

**来源**

-   [BroadNet Transcribe 模型页：FLEURS 英语和西班牙语 WER、吞吐量（2026-11-15 获取）（英文）](https://www.broadnet.ai/inference/models/cohere-transcribe)
-   [Open Universal Arabic ASR Leaderboard 实时榜单（2026-11-15 获取）](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [BroadNet Inference API 参考：转写（2026-11-16 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [BroadNet Inference 机器可读价格和语言列表（pricing.json，2026-11-16 查阅）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [BroadNet 模型目录：语音转文字（2026-11-16 查阅）（英文）](https://www.broadnet.ai/inference/models)
-   [ISO 639 语言代码（美国国会图书馆，2026-11-16 查阅）](https://www.loc.gov/standards/iso639-2/php/code_list.php)
