Arabic speech to text API pada 2026: cara menguji transkripsi dialek Teluk, Mesir, Levantine, dan Maghrebi

Arabic speech to text API mengubah rekaman ucapan bahasa Arab menjadi teks aksara Arab yang dapat dicari, diringkas, dan disimpan oleh perangkat lunak Anda. Bagian tersulitnya adalah dialek: ucapan dialek Teluk, Mesir, Levantine, dan Maghrebi berbeda dari Bahasa Arab Standar Modern, dan penuturnya sering mencampurnya dengan bahasa Inggris. Pilihlah dengan menguji tingkat kesalahan kata (word error rate) pada audio Anda sendiri. BroadNet Inference API mentranskripsi bahasa Arab dalam dialek-dialek ini seharga $0,0042 per menit audio, tanpa menyimpan audio Anda.

Tabel ini adalah versi singkat dari panduan ini. Gunakan sebagai daftar periksa saat Anda membandingkan layanan transkripsi bahasa Arab apa pun.

Mengapa pengenalan ucapan bahasa Arab lebih sulit daripada bahasa Inggris?

Pengenalan ucapan bahasa Arab lebih sulit karena satu standar tulisan digunakan untuk berbagai dialek lisan, dan bahasa Arab tulis biasanya tidak menyertakan vokal pendek. Sebuah sistem harus mendengar bunyi dan kata-kata dialek, lalu menuliskannya dalam ejaan yang tidak memiliki standar tunggal.

Penulis dari makalah Open Universal Arabic ASR Leaderboard menyebutkan tiga penyebab: morfologi yang kaya, variasi dialek, dan kurangnya diakritik dalam teks tertulis. Mereka juga mencatat bahwa Bahasa Arab Standar Modern digunakan dalam situasi formal, sementara dialek regional berbeda dalam pengucapan maupun kosakata.

Dalam praktiknya, hal ini menimbulkan empat masalah bagi sistem transkripsi:

• Kata dialek. Penutur dari Teluk, Mesir, atau Maroko menggunakan kata-kata sehari-hari yang tidak pernah muncul dalam bahasa Arab berita.
• Pilihan ejaan. Kata dialek yang sama dapat ditulis dalam beberapa cara.
• Code-switching. Penutur berpindah antara bahasa Arab dan Inggris, atau bahasa Arab dan Prancis, di dalam satu kalimat.
• Audio bising. Panggilan telepon, rekaman jalanan, dan pesan suara jauh lebih sulit daripada ucapan di studio.

Angka-angka tersebut menunjukkan kesenjangannya. Pada Open Universal Arabic ASR Leaderboard, yang diperiksa pada 8 November 2026, sistem terbaik mencetak skor sekitar 5% WER pada set pengujian Common Voice. Skor terbaik pada SADA, sebuah set pengujian Saudi dengan 10 dialek, adalah sekitar 29%. Di seluruh 39 sistem, skor SADA mencapai 89%.

Dialek bahasa Arab apa saja yang terdapat dalam audio Anda?

Mulailah dengan mencantumkan dialek yang benar-benar digunakan oleh pelanggan Anda, lalu pastikan set pengujian Anda mencakup masing-masing dialek tersebut.

Sebagian besar pembeli membutuhkan kombinasi dari kelompok-kelompok ini:

• Teluk (Khaleeji): Arab Saudi, UEA, Qatar, Kuwait, Bahrain, dan Oman, dengan varian regional yang kuat di dalam Arab Saudi.
• Mesir: Mesir, dan banyak terdengar dalam film serta TV regional.
• Levantine: Lebanon, Yordania, dan Palestina.
• Irak: kelompok berbeda yang tidak dicantumkan secara terpisah oleh beberapa layanan.
• Maghrebi: Maroko, Aljazair, dan Tunisia, dengan banyak kata serapan bahasa Prancis.
• Modern Standard Arabic: berita, pidato, pengumuman resmi, dan teks bacaan.

Dataset Casablanca mengumpulkan transkripsi ucapan dalam 8 dialek, termasuk Emirat, Mesir, Yordania, Maroko, dan Aljazair, dengan label untuk peralihan kode (code-switching). Korpus ArzEn berisi 12 jam ucapan spontan peralihan kode bahasa Arab-Inggris Mesir dari 38 pembicara bilingual.

Code-switching tetap menjadi tantangan bahkan bagi sistem yang kuat. Pada papan peringkat dwibahasa Arab-Inggris publik, sistem terkemuka mencetak skor sekitar 30% WER pada ucapan campuran bahasa Arab Mesir dan bahasa Inggris dari ArzEn. Sistem yang sama mencetak skor sekitar 6% pada ucapan bahasa Arab yang dibacakan dari FLEURS. Jika penelepon Anda mencampur bahasa, sertakan ucapan tersebut dalam pengujian Anda.

Bagaimana cara Anda mengukur akurasi transkripsi bahasa Arab?

Ukur word error rate (WER) dan character error rate (CER) pada sampel rekaman Anda sendiri, dengan transkrip referensi yang telah diperiksa oleh manusia. Papan peringkat publik hanya membantu Anda menyusun daftar pendek.

WER menghitung kata yang diganti, dihapus, atau disisipkan oleh sistem, dibagi dengan jumlah kata dalam referensi. CER melakukan hal yang sama pada tingkat karakter. CER berguna untuk bahasa Arab karena perbedaan ejaan kecil, seperti hamza, dihitung sebagai satu kata yang salah sepenuhnya dalam WER tetapi hanya satu karakter yang salah dalam CER.

Ikuti langkah-langkah berikut:

1. 1Kumpulkan 1 hingga 3 jam audio asli per dialek: panggilan, pesan suara, atau media, dengan kualitas yang sama seperti yang akan Anda kirimkan saat produksi.
2. 2Minta penutur asli untuk menulis transkrip referensi dalam aksara Arab. Sepakati aturan ejaan sebelum mereka memulai.
3. 3Normalisasi kedua teks dengan cara yang sama sebelum penilaian. Makalah papan peringkat menghapus tanda baca dan diakritik, menormalisasi bentuk hamza dan madda, serta mengubah angka Arab Timur menjadi angka Barat.
4. 4Berikan skor pada setiap sistem menggunakan berkas yang sama dengan pengaturan yang sama, dan laporkan WER serta CER per dialek, bukan hanya satu rata-rata saja.
5. 5Periksa angka, nama, dan kode produk secara manual. WER yang rendah dapat menyembunyikan kesalahan satu digit yang jauh lebih penting daripada sepuluh kesalahan kecil.
6. 6Ulangi pengujian setiap beberapa bulan. Model baru sering muncul, dan peringkat papan peringkat dapat berubah.

Selalu catat kondisi di balik angka yang dipublikasikan. Papan peringkat menggunakan set pengujian multi-dialek seperti MASC, yang berisi sekitar 1.000 jam ucapan dari lebih dari 700 saluran YouTube, dan SADA. Skor pada ucapan pembacaan bersih tidak banyak memberikan informasi mengenai panggilan yang bising.

Apa lagi yang harus Anda periksa selain akurasi?

Periksa apa saja isi dari output tersebut, seberapa cepat ia tiba, format berkas apa saja yang diterima, dan di mana audio diproses. Detail ini menentukan apakah transkrip tersebut sesuai dengan alur kerja Anda.

• Label pembicara (diarization). Peninjauan kualitas panggilan perlu mengetahui siapa yang mengatakan apa. Jika sebuah layanan tidak melabeli pembicara, rekamlah panggilan dalam stereo dengan agen dan pelanggan pada saluran terpisah, lalu transkripsikan setiap saluran tersebut.
• Stempel waktu. Subtitel media dan pencarian audio memerlukan waktu kata atau segmen. Periksa format respons sebelum Anda membangunnya.
• Batch atau live. Analisis panggilan semalam memerlukan throughput. Agen suara live memerlukan jawaban yang cepat.
• Format dan ukuran file. Periksa format yang diterima dan ukuran file maksimum, serta rencanakan untuk membagi rekaman yang panjang.
• Retensi data. Tanyakan apakah audio atau transkrip disimpan, dicatat, atau digunakan untuk pelatihan, dan dapatkan jawabannya secara tertulis.
• Wilayah pemrosesan. Banyak bank, pemerintah, dan penyedia layanan kesehatan harus menyimpan data di negara atau wilayah tertentu. Tanyakan kepada tim hukum Anda aturan mana yang berlaku.

Di mana penggunaan Arabic speech to text memberikan keuntungan?

Transkripsi bahasa Arab memberikan keuntungan di mana pun orang sudah lebih banyak berbicara daripada mengetik: pusat kontak, arsip media, dan pesan suara. Dalam setiap kasus, transkrip tersebut menjadi data yang dapat Anda cari, periksa, dan masukkan ke dalam alat lainnya.

• QA pusat kontak. Transkripsikan setiap panggilan, bukan hanya sampel kecil. Cari kata-kata keluhan dan pastikan agen membacakan pernyataan yang diwajibkan.
• Media dan arsip. Buat wawancara, podcast, dan siaran dapat dicari.
• Catatan suara WhatsApp. Pelanggan sering kali mengirimkan catatan suara alih-alih mengetik. Mentranskripsinya memungkinkan tim dukungan atau agen AI untuk membaca, mengarahkan, dan menjawabnya.
• Agen suara. Agen AI hanya dapat bertindak dengan benar jika ia mendengar nomor telepon, jumlah, atau tanggal dengan benar.

Jika Anda sedang merencanakan agen AI di atas transkrip, baca panduan kami tentang platform AI agentic perusahaan dan agen AI siap pakai untuk perhotelan, ritel, dan layanan kesehatan.

Bagaimana cara BroadNet Inference API mentranskripsi bahasa Arab?

(BroadNet Inference API) adalah API yang menjalankan model ucapan, dokumen, dan obrolan pada GPU yang dioperasikan oleh BroadNet. Untuk audio bahasa Arab, Anda mengirimkan file ke endpoint transkripsi dengan model bahasa Arab dan language=ar, lalu Anda akan menerima kembali teks dalam aksara Arab. Ini menggunakan format permintaan chat-completions dan audio-transcriptions yang umum, sehingga pustaka klien yang sudah ada dapat berfungsi setelah Anda mengubah URL dasar.

Fakta-fakta ini berasal dari halaman resmi BroadNet.AI.

• Dialek. Model bahasa Arab mencakup dialek Teluk, Mesir, Levantine, Maghrebi, dan Bahasa Arab Standar Modern, menurut halaman Inference API.
• Aksara Arab. Situs tersebut menyatakan bahwa model bahasa Arab tetap menggunakan aksara Arab, sementara model multibahasa dapat beralih ke bahasa Inggris pada ucapan campuran. Model bahasa Arab direkomendasikan untuk bahasa Arab.
• Model. Model Arab ini adalah model open-weight dengan 2 miliar parameter di bawah lisensi Apache-2.0, yang dijalankan pada perangkat keras BroadNet.
• Akurasi terukur. Dalam tolok ukur BroadNet sendiri, model ini mencetak skor 21,1 WER pada ucapan dialek nyata (MASC), 23,4 pada set Teluk, Mesir, dan Levantine, serta 3,8 pada ucapan bacaan bersih (FLEURS Arab).
• Peringkat publik. Pada 8 November 2026, Open Universal Arabic ASR Leaderboard menempatkan model dasar yang sama di peringkat ke-4 dari 39 sistem, dengan rata-rata WER sebesar 24,19%.
• Kecepatan. BroadNet melaporkan 45x waktu nyata per aliran dan sekitar 190x waktu nyata saat Anda mengirim permintaan secara paralel.
• Fine-tune sesuai permintaan. Sebuah BroadNet fine-tune yang dilatih pada audio panggilan nyata menargetkan nomor telepon, jumlah, tanggal, kode pesanan, dan nama melalui saluran telepon serta dalam catatan suara yang bising. Ini diterbitkan sebagai ID model pribadi dan dapat disesuaikan lebih lanjut menggunakan rekaman Anda sendiri.
• Chat dan dokumen. API yang sama melayani model vision-language, termasuk Gemma 4 VL 26B, yang membaca dokumen bahasa Arab dan Inggris serta mengembalikan bidang JSON.

Mengenai data, pernyataan penanganan data menyatakan bahwa prompt, audio, gambar, dan transkrip disimpan dalam memori untuk satu permintaan dan kemudian dihapus. Konten tidak dicatat atau digunakan untuk pelatihan, dan audit otomatis memeriksa konfigurasi ini setiap jam. BroadNet hanya menyimpan catatan tanpa konten seperti waktu, jumlah token, dan biaya. Pemrosesan terjadi pada perangkat keras yang dioperasikan oleh BroadNet di Amerika Serikat, dan pemrosesan regional di MENA atau Eropa tersedia berdasarkan permintaan.

Untuk beban kerja yang lebih besar atau yang diatur, endpoint pribadi memberi Anda GPU atau node khusus, model pilihan Anda (termasuk fine-tune bahasa Arab), kunci dan batasan Anda sendiri, serta wilayah yang Anda butuhkan.

Berapa biaya transkripsi bahasa Arab di BroadNet?

Model bahasa Arab publik berbiaya $0,0042 per menit audio, atau sekitar $0,25 per jam. Akun baru mendapatkan kredit gratis $5, berlaku selama 30 hari tanpa perlu kartu, yang menurut halaman harga dapat mencakup sekitar 19 jam speech-to-text bahasa Arab.

Sebagai contoh, 10.000 menit panggilan bahasa Arab per bulan akan memakan biaya $42 pada model bahasa Arab publik dengan tarif yang dipublikasikan. Harga berdasarkan volume dan kapasitas cadangan tersedia berdasarkan permintaan.

Apa yang tidak dilakukan oleh BroadNet Inference API

API adalah layanan transkripsi berbasis file dan penyajian model, dan beberapa fitur yang diharapkan pembeli tidak didokumentasikan.

• Tidak ada label pembicara atau stempel waktu yang didokumentasikan. Halaman model mendeskripsikan output sebagai teks aksara Arab dalam JSON atau teks biasa.
• Tidak ada dokumentasi transkripsi streaming langsung. Anda mengunggah satu file audio per permintaan. Streaming didokumentasikan untuk chat, bukan audio.
• Daftar dialek. Bahasa Arab Irak dan variasi regional lainnya tidak disebutkan secara terpisah di situs ini. Uji dialek tersebut dengan audio Anda sendiri.
• Format dan ukuran. Dokumen referensi pengembang mencantumkan WAV dan MP3 dengan ukuran file maksimum 26.214.400 byte (25 MiB). Halaman model juga mencantumkan M4A, OGG, dan FLAC, tetapi referensi menyatakan bahwa kontainer lain belum didokumentasikan untuk API secara langsung. Ubah catatan suara WhatsApp ke WAV atau MP3 agar lebih aman.
• Wilayah default. Pemrosesan standar dilakukan di Amerika Serikat. Pemrosesan regional memerlukan permintaan khusus.
• Batasan. Kunci pay-as-you-go memungkinkan 30 permintaan per menit dan 4 permintaan sekaligus, dan satu akun dapat menampung hingga 10 kunci live.
• Penyesuaian akses. Model bahasa Arab yang disesuaikan dengan panggilan tidak bersifat mandiri. Anda dapat memintanya dengan mengirimkan sampel audio Anda.

Bagaimana cara memulainya?

Anda dapat mendengarkan model bahasa Arab menggunakan suara Anda sendiri sebelum membuat akun.

1. 1Buka voice playground. Rekam ucapan hingga satu menit atau unggah catatan suara. Tidak diperlukan pendaftaran atau kartu.
2. 2Buat akun di inference.broadnet.ai dengan Google atau tautan masuk melalui email. Kredit $5 akan ditambahkan tanpa memerlukan kartu.
3. 3Buat kunci API di akun Anda. Tambahkan alamat IP server Anda agar kunci tersebut ditolak jika diakses dari tempat lain.
4. 4Ikuti developer reference: atur URL dasar ke https://inference.broadnet.ai/v1 dan gunakan pustaka klien apa pun yang mendukung format chat-completions umum.
5. 5Kirim setiap file ke /v1/audio/transcriptions dengan ID model bahasa Arab dan language=ar. Tanpa language=ar, model mungkin menulis bahasa Arab dalam huruf Latin.
6. 6Jalankan pengujian WER dan CER Anda per dialek, lalu minta model yang telah disesuaikan untuk panggilan (call-tuned model) atau endpoint privat jika Anda membutuhkannya.

BroadNet.AI adalah salah satu merek dari Grup BroadNet. Untuk penerapan agen di atas transkripsi, lihat BroadNet AI dan catatan BroadNet.AI mengenai variasi dialek Arab di 14 pasar.

Coba sendiri pada audio Anda hari ini. Buka Inference API BroadNet, rekam pesan suara dalam dialek pelanggan Anda, dan baca transkripsinya dalam hitungan detik. Kemudian gunakan kredit gratis $5 untuk menguji sekitar 19 jam panggilan asli Anda. Kunjungi BroadNet.AI untuk membandingkan platform lengkapnya.

Pertanyaan yang sering diajukan

Apa API speech-to-text bahasa Arab terbaik?

API speech-to-text bahasa Arab terbaik adalah yang memiliki tingkat kesalahan terendah pada audio Anda sendiri, dalam dialek Anda, dengan harga yang dapat Anda pertahankan. Papan peringkat publik sering berubah, jadi gunakan hanya untuk membuat daftar pendek. Kemudian uji 2 atau 3 layanan pada rekaman yang sama. Inference API BroadNet menawarkan demo browser gratis dan kredit $5 untuk jenis pengujian ini.

Apakah pengenalan ucapan dapat memahami dialek bahasa Arab?

Ya, model pengenalan ucapan modern dapat mentranskripsi dialek utama bahasa Arab, tetapi akurasinya sangat bervariasi tergantung pada dialek dan kualitas rekaman. Tolok ukur publik menunjukkan tingkat kesalahan yang jauh lebih tinggi pada ucapan dialek Saudi dibandingkan pada ucapan yang dibaca. Bahasa Arab Teluk, Mesir, Levantine, dan Maghrebi kini umum didukung. Variasi regional yang lebih kecil mungkin memerlukan pengujian atau model yang telah disesuaikan.

Seberapa akurat speech-to-text bahasa Arab?

Akurasi bergantung pada audionya. Pada ucapan pembacaan yang jernih, sistem yang kuat dapat mencapai tingkat kesalahan kata (word error rate) satu digit. Pada panggilan yang bising dan percakapan dialek, tingkat kesalahan sebesar 20% hingga 30% atau lebih adalah hal yang umum, bahkan untuk sistem terkemuka. Ukur WER dan CER pada rekaman Anda sendiri, dan periksa angka serta nama secara manual.

Bagaimana cara saya mentranskripsi catatan suara WhatsApp dalam bahasa Arab?

Ekspor atau terima file catatan suara, konversikan ke format WAV atau MP3, lalu kirimkan ke API transkripsi bahasa Arab dengan pengaturan bahasa ke bahasa Arab. Gunakan model yang mempertahankan skrip Arab, sehingga teks dapat berfungsi untuk pencarian dan perutean. Pada BroadNet Inference API, setiap file dapat berukuran hingga 25 MiB, dan audio tidak disimpan setelah permintaan selesai.

Apakah speech-to-text bahasa Arab dapat menangani bahasa Arab yang bercampur dengan bahasa Inggris?

Banyak sistem yang bisa, tetapi ucapan campuran bahasa Arab dan bahasa Inggris masih menjadi salah satu kasus tersulit. Pada papan peringkat bilingual publik, sistem terkemuka mencetak skor sekitar 30% WER pada code-switched bahasa Arab Mesir dan bahasa Inggris. Sertakan ucapan campuran dalam pengujian Anda, dan pastikan kata-kata bahasa Arab tetap dalam skrip Arab.

Apakah audio saya disimpan saat saya menggunakan BroadNet Inference API?

Tidak. BroadNet.AI menyatakan bahwa audio, prompt, dan transkrip disimpan dalam memori untuk satu permintaan dan kemudian dihapus. Konten tidak dicatat atau digunakan untuk pelatihan, dan audit otomatis memeriksa hal ini setiap jam. BroadNet hanya menyimpan catatan tanpa konten seperti waktu, jumlah token, dan biaya. Pemrosesan dilakukan di Amerika Serikat, dengan opsi MENA atau Eropa berdasarkan permintaan.

Berapa biaya speech to text bahasa Arab di BroadNet?

Model transkripsi bahasa Arab publik berbiaya $0,0042 per menit audio, atau sekitar $0,25 per jam. Model fine-tune yang dilatih pada audio panggilan berbiaya $0,005 per menit dan tersedia berdasarkan permintaan. Akun baru mendapatkan kredit gratis $5, berlaku selama 30 hari tanpa kartu, yang mencakup sekitar 19 jam audio bahasa Arab.