---
title: "阿拉伯语音频翻译成英文：API 实现方法 | BroadRouter"
description: "两次 API 调用把阿拉伯语录音变成英文文本：先用 language=ar 转写，再用大模型翻译，附数字核对、分段、成本与评分。"
url: https://broadrouter.com/zh/blog/translate-arabic-audio-to-english/
lang: zh-Hans
updated: 2026-11-15
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/translate-arabic-audio-to-english/)（2026-11-16 更新）。

# 用 API 把阿拉伯语音频翻译成英文文本：一条经过测试的流水线

BroadNet Inference 团队 · 阅读约 8 分钟 · 发布于 2026-11-15 · 更新于 2026-11-16

分两步走。先用语音转文字 API 转写阿拉伯语音频，把 language 设为 ar，再用大模型翻译转写文本，并要求它保留人名和数字。长文件先切分，在代码里核对数字，再用 chrF 给一小批样本打分，看看转写这一步让质量损失了多少。

## 要点

-   两步流水线（先得到阿拉伯语转写，再由大模型翻译）同时给你阿拉伯语文本，方便日后核对、检索或重新翻译。
-   OpenAI 已将 /v1/audio/translations 列为弃用（2026 年 8 月 26 日通知，2027 年 2 月 26 日停用），替代方案为 /v1/realtime/translations。
-   识别错误会带进译文。在同一批片段上，分别给人工转写的译文和 ASR 转写的译文打分；两者的差距，就是语音识别让你付出的代价。
-   在代码里核对数字：把阿拉伯-印度数字映射为 0-9，并确认每个数字都出现在英文中。
-   对于通话、实时字幕这类实时音频，流式语音翻译 API 比文件流水线更合适。

**本页内容**

1.  一次调用还是两次？
2.  流水线是什么样的？
3.  第 1 步：怎么准备和切分音频？
4.  第 2 步和第 3 步：怎么转写和翻译？
5.  识别错误会怎样影响翻译？
6.  该用哪些模型？
7.  一小时音频要花多少钱？
8.  什么时候这条流水线不合适？
9.  BroadNet Inference 的定位

搜索“把阿拉伯语音频翻译成英文”，排在前面的大多是上传、下载式的网页工具。处理一个文件，它们没问题。但如果你需要在自己的产品里做翻译（客服通话、访谈、语音消息、讲座），就需要两次 API 调用，外加一些检查。本文在一个 OpenAI 兼容密钥上搭建这条流水线，对它做测试，并展示如何衡量它是否够好。

如果要翻译已有的阿拉伯语文本，请看[用大模型做阿拉伯语–英语翻译](https://broadrouter.com/zh/blog/arabic-english-translation-llm/)。如果要把会议录音变成会议纪要而不是完整译文，请看[从录音生成阿拉伯语会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)。

## 一次调用还是两次？

从阿拉伯语语音得到英文文本有两种方式：

| 方式 | 原理 | 适合 |
| --- | --- | --- |
| 语音翻译（一步） | 一个请求，服务直接返回英文 | 实时音频、字幕、最简单的代码 |
| 先转写再翻译（两步） | 一次[语音转文字](https://broadrouter.com/zh/glossary/speech-to-text/)调用返回阿拉伯语文本，再由大模型翻译 | 文件；需要阿拉伯语原文、术语表和检查时 |

最知名的文件一步式端点正在变化。OpenAI 的语音转文字指南说，`/v1/audio/translations` “uses `whisper-1` to translate a completed audio recording into English”（译文：使用 `whisper-1` 把一段完整的录音翻译成英文）。它的[弃用说明页面](https://developers.openai.com/api/docs/deprecations)（2026-11-15 查阅）给出的通知日期是 2026 年 8 月 26 日，停用日期是 2027 年 2 月 26 日。列出的替代方案是 `/v1/realtime/translations`，那是一个实时 API，不是文件上传。如果你的代码调用的是旧端点，无论如何都得重写。

Soniox 是目前的一步式选项之一：它的[阿拉伯语到英语页面](https://soniox.com/speech-translation/arabic/english)展示了一个 WebSocket 请求，其中 translation 配置的 source 为 `ar`、target 为 `en`。实时音频才是这类流式产品最有意义的场景。

对于文件，两步流水线有三个实际优势：

1.  \*\*你保留了阿拉伯语转写。\*\*你可以检索它、把它和英文并排显示，日后还能用更好的模型重新翻译，而不必再为转写付费。
2.  \*\*翻译由你掌控。\*\*你来选模型，给它一份人名和产品术语的术语表，并在代码中检查输出。
3.  \*\*你能看出错误从哪里来。\*\*一句错误的英文，要么是识别错误，要么是翻译错误。手里有转写文本，你就能分辨是哪一种。

代价是多一个请求和更多代码。本文剩下的部分就是这些代码。

## 流水线是什么样的？

```text
recording (.m4a, .mp4, .ogg, .wav)
  → ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
  → transcribe each part (language=ar)        → Arabic text
  → translate each part, with glossary and the end of the previous part as context
  → check numbers and empty or cut-off replies → English text
```

## 第 1 步：怎么准备和切分音频？

BroadNet 的转写端点接受 WAV（`audio/wav`）或 MP3（`audio/mpeg`），每个文件最大 26,214,400 字节。手机录音（`.m4a`）、WhatsApp 语音消息（`.ogg`）和视频本来就需要转换，所以在同一个 ffmpeg 步骤里重采样并切分：

```bash
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav
```

16 kHz 单声道 16 位音频每秒 32,000 字节，所以 10 分钟的一段约 19.2 MB，低于上限。我们在一个 25 分钟的测试文件上运行了这条命令：它生成了两段，分别为 19,200,162 和 19,200,194 字节，以及一段 5 分钟、9,599,878 字节的音频。

按固定时长切分可能把一个词切断。对于真实语音，改为在静音处切分；[转写长音频文件](https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/)里有一个基于静音的切分器，[音频切分工具](https://broadrouter.com/tools/audio-splitter-ffmpeg/)会为你写好 ffmpeg 命令。关于[采样率](https://broadrouter.com/zh/glossary/sample-rate/)以及为什么 16 kHz 足以处理语音，请看术语表。

## 第 2 步和第 3 步：怎么转写和翻译？

下面的脚本把每一段先发给阿拉伯语转写模型，再连同翻译提示词发给对话模型。它用 [OpenAI Python SDK](https://broadrouter.com/zh/guides/openai-python-sdk/) 运行。

```python
import os, re, glob
from openai import OpenAI

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

GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"}  # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""

def glossary_block(text: str) -> str:
    hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
    return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""

def transcribe(path: str) -> str:
    with open(path, "rb") as audio:
        return client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic", file=audio, language="ar").text

def translate(arabic: str, previous: str = "") -> str:
    context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
    choice = r.choices[0]
    if choice.finish_reason == "length" or not choice.message.content:
        raise RuntimeError("cut off: raise max_tokens or send a shorter part")
    return choice.message.content.strip()

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
    nums = re.findall(r"\d+", arabic.translate(DIGITS))
    return [x for x in nums if x not in re.findall(r"\d+", english)]

previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
    arabic = transcribe(chunk)
    english = translate(arabic, previous)
    print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
    if gaps := missing_numbers(arabic, english):
        print(f"CHECK: numbers {gaps} missing from the translation")
    previous = arabic[-500:]
```

每个部分的作用：

-   \*\*`language="ar"`。\*\*BroadNet 的文档要求转写请求始终带上 `language`。[阿拉伯语语音转文字指南](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)详细介绍了这个请求。
-   \*\*提示词说明了文本的来源。\*\*转写文本没有标点，可能是方言，还可能有识别错误。告诉模型这一点，它就不会把奇怪的说法当成有意为之，`[unclear]` 标记也给了审阅者可以搜索的东西。
-   \*\*保留英语单词。\*\*讲阿拉伯语的人经常在句子中途切换到英语（“الـ deadline”、“فريق الـ QA”）。这就是[语码转换](https://broadrouter.com/zh/glossary/code-switching/)，模型应该保持这些词不动，而不是来回翻译。
-   \*\*按段发送术语表。\*\*只发送在本段中出现的术语表条目，以保持提示词简短。匹配是精确匹配，所以如果你的转写文本拼写不统一（أ 与 ا、ة 与 ه），先把两边都归一化；[阿拉伯语文本归一化工具](https://broadrouter.com/tools/arabic-text-normalizer/)展示了常用规则。
-   \*\*上一段作为上下文。\*\*上一段阿拉伯语的最后 500 个字符，有助于处理代词和在分段边界被切断的句子。提示词说明不要翻译它，所以它不会出现两次。
-   \*\*`max_tokens=4000` 和 `reasoning_effort="low"`。\*\*BroadNet 的文档说，DeepSeek V4.1 Flash、GLM 5.3 和 Qwen3.8 27B 会先思考再作答，思考内容计入 `max_tokens`。上限太小可能返回空回答；参见[思考 token 与空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)。遇到空回复或被截断的回复，代码会报错，而不是保存半份译文。
-   \*\*数字核对。\*\*数字是翻译出错时伤害最大的地方。这项检查把阿拉伯-印度数字（٠-٩）和波斯数字（۰-۹）映射为 0-9，并确认每个数字都出现在英文中。用文字说出的数字（“خمسة عشر”）抓不到，所以凡是重要的内容，仍要有人审阅。

### 测试结果如何？

我们用一个实现了这两个端点的本地模拟服务器运行了脚本（没有调用真实 API）。25 分钟测试文件切出的三段，以 `model=broadnet/cohere-transcribe-arabic` 和 `language=ar` 发送，每个对话请求都带着本段的术语表条目，并以上一段阿拉伯语作为上下文。模拟服务器的第三段译文故意漏掉了一个数字，脚本输出：

```text
--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation
```

这些阿拉伯语句子和公司都是为测试编造的。这次运行证明代码能用，而不是证明任何模型的翻译有多好；要衡量后者，请用下面的评分步骤。

## 识别错误会怎样影响翻译？

它们会原封不动地传过去。如果说话人说的是 ٢٤٠，转写却写成 ٢١٤，译文就会忠实地写成 214。如果一个方言词被误听成发音相近的标准词，译文会流畅而错误。流畅的英文让这些错误很难被发现，这是所有语音翻译系统的主要风险。

你可以测量每一步各贡献了多少错误。收集 30 个以上片段，每个片段准备：

1.  一份人工阿拉伯语转写，
2.  一份人工英文译文（参考译文）。

然后用你的流水线分别翻译人工转写和 ASR 转写，并都与参考译文比较打分。[chrF](https://aclanthology.org/W15-3049/) 是一种字符 n-gram 分数，比 BLEU 更能应对人名和词形变化，是阿拉伯语–英语的常用默认指标；SacreBLEU 两者都能算：

```python
from sacrebleu.metrics import BLEU, CHRF

# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
        "The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
             "The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
            "The deadline is 15 December, and Mazen is following up with the key team."]

chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
    print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f}   BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")
```

在这两个玩具句子上（SacreBLEU 2.6.0），人工转写路径输出 chrF 94.6、BLEU 89.2，完整流水线输出 chrF 87.1、BLEU 71.7。两个玩具句子证明不了任何模型的好坏。在你自己的片段上，如果差距很大，说明你应该改进识别：更好的音频、像[阿拉伯语方言语音识别](https://broadrouter.com/zh/blog/arabic-dialect-speech-recognition/)那样建立方言测试集，或者换一家服务商。如果差距很小但整体分数偏低，说明翻译这一步需要改进：更好的提示词、术语表或换一个模型。要单独给转写这一步打分，请用[词错误率](https://broadrouter.com/zh/blog/arabic-asr-wer-explained/)。

自动分数用来给系统排序，不能替译文签字放行。请一位双语审阅者阅读一批样本，尤其是数字、人名和否定句。

## 该用哪些模型？

| 步骤 | BroadNet 模型 | 价格 | 说明 |
| --- | --- | --- | --- |
| 转写 | [BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) | 每分钟 $0.0042（每小时 $0.25） | 仅支持阿拉伯语；可用 $5 的初始额度 |
| 翻译 | [Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/) | 每百万 token 输入 $0.175，输出 $2.17 | 思考模型；262,144 token 上下文；需要充值 |
| 翻译 | [Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) | 每百万 token 输入 $0.10，输出 $0.22 | 可用初始额度；32,768 token 上下文，通常够一段 10 分钟的音频；请在 token 计数器里检查一份样本。去掉 `reasoning_effort`，BroadNet 只为其思考模型提供该参数的文档 |
| 翻译 | [DeepSeek V4.1 Flash](https://broadrouter.com/zh/models/deepseek-v4.1-flash/) | 每百万 token 输入 $0.175，输出 $0.52，或固定价格会话 | 思考模型；由合作方托管；需要充值或购买套餐 |

用每个翻译模型在同一批片段上运行评分脚本，根据分数和审阅者的意见来选，而不是根据我们的表格。[为阿拉伯语选择大模型](https://broadrouter.com/zh/blog/choosing-an-llm-for-arabic/)介绍了更全面的取舍。

## 一小时音频要花多少钱？

分两部分：

-   **转写**按音频分钟计费：在 BroadNet Transcribe Arabic 上每小时 $0.25。
-   **翻译**按 token 计费：`prompt_tokens × input price + completion_tokens × output price`，再除以 1,000,000。提示词包括系统提示词、术语表条目、上一段的上下文和转写文本。补全包括英文译文，在思考模型上还包括[思考 token](https://broadrouter.com/zh/glossary/reasoning-tokens/)。

我们不公布一个统一的每小时翻译费用，因为它取决于说话速度、方言以及模型思考了多少。请自己测量：跑一个典型的小时，把响应中的 `usage.prompt_tokens` 和 `usage.completion_tokens` 加起来，填进[大模型 API 费用计算器](https://broadrouter.com/tools/llm-api-cost-calculator/)。在拿到音频之前，可以把一段转写样本粘贴到[阿拉伯语 token 计数器](https://broadrouter.com/tools/arabic-token-counter/)里；正如[阿拉伯语和英语每个词多少 token](https://broadrouter.com/zh/blog/tokens-per-word-arabic-english/)所示，阿拉伯语每个词通常比英语消耗更多 token。[语音转文字费用计算器](https://broadrouter.com/tools/speech-to-text-cost-calculator/)可以计算音频部分的费用。

对于大批积压任务，固定价格的 DeepSeek V4.1 Flash 会话可以让翻译这一步不再按 token 计费：每个会话每小时 $1、每周 $15 或每月 $60。一个会话同一时间处理一个请求，所以并行的 worker 需要更多会话。转写仍按分钟计费。

## 什么时候这条流水线不合适？

-   \*\*实时音频。\*\*通话、实时字幕和语音智能体需要在几秒内得到流式结果。流式语音翻译 API 或实时端点比文件上传更合适。
-   \*\*字幕。\*\*BroadNet 的转写响应只有文本，没有[时间戳](https://broadrouter.com/zh/glossary/timestamps-asr/)。[用纯文本 API 生成阿拉伯语字幕](https://broadrouter.com/zh/blog/arabic-subtitles-srt-api/)展示了分段偏移能做到什么程度；如需词级时间，请使用返回时间戳的服务商。
-   \*\*BroadNet 不转写的语言。\*\*阿拉伯语模型只处理阿拉伯语。其他源语言，请先查看[多语种模型](https://broadrouter.com/zh/blog/multilingual-speech-to-text-api/)支持的 14 种语言列表。
-   \*\*法律或医疗记录。\*\*用流水线出草稿，正式记录交给人工译员。

## BroadNet Inference 的定位

BroadRouter 是 BroadNet 自己的网站。[BroadNet Inference](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-translate-arabic-audio-to-english&utm_content=body) 在一个 OpenAI 兼容密钥上提供这条流水线的两个步骤：在 `/v1/audio/transcriptions` 上做阿拉伯语转写，在 `/v1/chat/completions` 上做翻译。它没有一步式语音翻译端点，也没有流式转写，所以实时音频请使用其他服务商。它的[隐私政策](https://www.broadnet.ai/inference-privacy)说，推理内容（包括音频、转写文本和回答）不予保留；必要的账户、计费和安全元数据会保留。从[阿拉伯语转写页面](https://broadrouter.com/zh/arabic-transcription/)或 [API 参考](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-translate-arabic-audio-to-english&utm_content=body)开始，并在依赖输出之前，先用你自己的录音测试。

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

[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。

[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。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[语码转换（code-switching）](https://broadrouter.com/zh/glossary/code-switching/)

语码转换是在同一段对话或同一句话中使用两种或更多语言，或同一语言的不同变体，口语和书面语都有。例如讲阿拉伯语的人在方言里夹杂英语单词，或在现代标准阿拉伯语和方言之间来回切换。

[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。

[思考 token（reasoning tokens）](https://broadrouter.com/zh/glossary/reasoning-tokens/)

思考 token（reasoning tokens）是推理模型在写出可见回答之前、为解决问题而生成的 token。它们通常按输出 token 计费，计入输出上限和上下文窗口，API 可能将其隐藏或只返回摘要。

[系统提示词（system prompt）](https://broadrouter.com/zh/glossary/system-prompt/)

系统提示词是应用在对话开始前发给语言模型的指令文本，通常是一条 system 或 developer 角色的消息。它设定模型的角色、规则、语气和输出格式，当用户消息与它冲突时，模型应当优先遵循它。

[AI 智能体（AI agent）](https://broadrouter.com/zh/glossary/agent/)

AI 智能体是由语言模型自主决定步骤、朝目标推进的系统：它决定调用哪些工具、读取结果，然后重复，直到给出最终回答或触及上限。在固定位置调用模型的固定脚本，通常称为工作流（workflow）。

## 常见问题

### 一次 API 调用能把阿拉伯语音频翻译成英文吗？

能，用 Soniox 这类语音翻译 API，它在语音转文字请求里加了一个翻译设置。OpenAI 的 /v1/audio/translations 端点对文件也能做到，但已被弃用，停用日期为 2027 年 2 月 26 日。两步流水线需要两次调用，同时还能得到阿拉伯语转写。

### 直接语音翻译和先转写再翻译，哪个更好？

在你自己的音频上两种都测一下。先转写再翻译，可以自选翻译模型、加术语表、核对数字并保留阿拉伯语文本。一步式 API 更简单，通常更适合实时音频。做决定之前，用 chrF 对照人工译文给 30 个以上片段打分。

### 这条流水线能处理埃及、海湾或黎凡特阿拉伯语吗？

主要取决于转写这一步，所以要用你服务的那些方言的录音来测试。然后告诉翻译模型，转写文本可能是方言，也可能夹杂英语单词。语音模型很少见过的方言词，是错误的主要来源。

### 超过 25 MB 的阿拉伯语音频文件怎么翻译？

用 ffmpeg 把它转成 16 kHz 单声道 WAV，并切成每段 10 分钟以内；每段约 19.2 MB。逐段转写，再按顺序逐段翻译，并把上一段的结尾作为上下文传入。

### 这样能得到带时间戳的英文字幕吗？

BroadNet 无法直接提供：它的转写响应只有文本，没有时间戳。你可以像我们那篇阿拉伯语字幕文章那样，根据分段偏移来给字幕定时，或者使用返回词级或片段级时间戳的服务商。

## 继续阅读

-   [用大模型做阿拉伯语与英语互译：提示词、术语表与质量评估](https://broadrouter.com/zh/blog/arabic-english-translation-llm/)
-   [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/)
-   [阿拉伯语方言语音识别：海湾、埃及、黎凡特、马格里布](https://broadrouter.com/zh/blog/arabic-dialect-speech-recognition/)
-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [Whisper API 替代方案：什么时候该换，怎么测试](https://broadrouter.com/zh/blog/whisper-api-alternative/)
-   [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/)
-   [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：推理模型为什么返回空回答](https://broadrouter.com/zh/guides/reasoning-tokens-empty-response/)

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-translate-arabic-audio-to-english&utm_content=page-cta) ·

**来源**

-   [BroadNet Inference API 参考：转写接受最大 26,214,400 字节的 WAV 或 MP3，language 参数，纯文本响应；思考计入 max\_tokens，reasoning\_effort low（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [BroadNet Inference 价格：按分钟计费的转写与按 token 计费的对话价格（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-translate-arabic-audio-to-english&utm_content=sources)
-   [OpenAI API 弃用说明：/v1/audio/translations 与 whisper-1，2026 年 8 月 26 日通知，2027 年 2 月 26 日停用，列出了替代方案（2026-11-15 查阅）](https://developers.openai.com/api/docs/deprecations)
-   [Soniox 阿拉伯语到英语语音翻译 API：单个 WebSocket，translation 配置中 source 为 ar、target 为 en（2026-11-15 查阅）](https://soniox.com/speech-translation/arabic/english)
-   [Soniox 价格页面及翻译计费常见问题（2026-11-15 查阅）](https://soniox.com/pricing)
-   [GitHub 上的 SacreBLEU（Apache 2.0）：BLEU 和 CHRF 类、corpus\_score；测试版本 2.6.0（2026-11-15 查阅）](https://github.com/mjpost/sacrebleu)
-   [Popović，chrF: character n-gram F-score for automatic MT evaluation，WMT 2015（2026-11-15 查阅）](https://aclanthology.org/W15-3049/)
-   [FFmpeg 格式文档：segment 封装器与 segment\_time（2026-11-15 查阅）](https://ffmpeg.org/ffmpeg-formats.html#segment_002c-stream_005fsegment_002c-ssegment)
