API speech-to-text per l'arabo nel 2026: come testare la trascrizione dei dialetti del Golfo, egiziano, levantino e magrebino

Un'API speech-to-text per l'arabo converte il parlato arabo registrato in testo in caratteri arabi che il software può ricercare, riassumere e archiviare. La parte difficile è il dialetto: il parlato del Golfo, egiziano, levantino e magrebino differisce dall'arabo standard moderno e gli interlocutori mescolano l'inglese. Scegli il servizio testando il tasso di errore delle parole (word error rate) sui propri audio. Il BroadNet Inference API trascrive l'arabo in questi dialetti a $0.0042 al minuto audio, senza memorizzare i file audio.

Questa tabella è la versione breve della guida. Utilizzatela come checklist quando confrontate qualsiasi servizio di trascrizione araba.

Perché il riconoscimento vocale dell'arabo è più difficile rispetto all'inglese?

Il riconoscimento vocale dell'arabo è più complesso perché uno standard scritto si sovrappone a molti dialetti parlati, e l'arabo scritto solitamente omette le vocali brevi. Un sistema deve quindi percepire i suoni e le parole dei dialetti, per poi trascriverli con un'ortografia che non segue un unico standard.

Gli autori del Open Universal Arabic ASR Leaderboard paper indicano tre cause: la ricca morfologia, la variazione dialettale e la mancanza di segni diacritici nel testo scritto. Notano inoltre che l'arabo standard moderno viene utilizzato in contesti formali, mentre i dialetti regionali differiscono sia nella pronuncia che nel vocabolario.

In pratica, ciò crea quattro problemi per un sistema di trascrizione:

• Parole dialettali. Un parlante del Golfo, egiziano o marocchino utilizza termini quotidiani che non compaiono mai nell'arabo dei telegiornali.
• Scelte ortografiche. La stessa parola dialettale può essere scritta in diversi modi.
• Code-switching. Gli interlocutori passano dall'arabo all'inglese, o dall'arabo al francese, all'interno della stessa frase.
• Audio disturbato. Chiamate, registrazioni stradali e note vocali sono molto più difficili rispetto al parlato in studio.

I numeri evidenziano il divario. Sulla Open Universal Arabic ASR Leaderboard, consultata l'8 novembre 2026, il miglior sistema ha ottenuto circa il 5% WER sul set di test Common Voice. Il punteggio migliore su SADA, un set di test saudita con 10 dialetti, è stato di circa il 29%. Tra tutti i 39 sistemi, i punteggi SADA sono arrivati fino all'89%.

Quali dialetti arabi sono presenti nel tuo audio?

Inizia elencando i dialetti effettivamente parlati dai tuoi clienti, quindi assicurati che il tuo set di test li copra tutti.

La maggior parte degli acquirenti necessita di un mix di questi gruppi:

• Golfo (Khaleeji): Arabia Saudita, Emirati Arabi Uniti, Qatar, Kuwait, Bahrain e Oman, con forti varianti regionali all'interno dell'Arabia Saudita.
• Egiziano: Egitto, ampiamente utilizzato nel cinema e nella TV regionale.
• Levantino: Libano, Giordania e Palestina.
• Iraqueno: un gruppo distinto che alcuni servizi non elencano separatamente.
• Magrebino: Marocco, Algeria e Tunisia, con molti prestiti linguistici dal francese.
• Arabo standard moderno: notizie, discorsi, annunci formali e testi letti.

Il dataset Casablanca raccoglie parlato trascritto in 8 dialetti, tra cui emiratino, egiziano, giordano, marocchino e algerino, con etichette per il code-switching. Il corpus ArzEn contiene 12 ore di parlato spontaneo in code-switching tra arabo egiziano e inglese da parte di 38 parlanti bilingui.

Il code-switching rimane difficile anche per i sistemi avanzati. In una classifica pubblica bilingue arabo-inglese, i sistemi leader hanno ottenuto circa il 30% di WER sul parlato misto arabo egiziano e inglese di ArzEn. Gli stessi sistemi hanno ottenuto circa il 6% sul parlato arabo letto di FLEURS. Se i vostri chiamanti alternano le lingue, includete quel parlato nei vostri test.

Come si misura l'accuratezza della trascrizione in arabo?

Misurate il tasso di errore delle parole (WER) e il tasso di errore dei caratteri (CER) su un campione delle vostre registrazioni, utilizzando una trascrizione di riferimento verificata da un essere umano. Le classifiche pubbliche servono solo ad aiutarvi a stilare una lista ristretta.

WER calcola le parole che un sistema sostituisce, elimina o inserisce, divise per il numero di parole nel riferimento. CER esegue lo stesso calcolo a livello di carattere. CER è utile per l'arabo perché una piccola differenza di ortografia, come una hamza, conta come un'intera parola errata in WER, ma solo come un carattere errato in CER.

Seguire questi passaggi:

1. 1Raccogliere da 1 a 3 ore di audio reale per ogni dialetto: chiamate, note vocali o file multimediali, con la stessa qualità che verrà inviata in produzione.
2. 2Far scrivere una trascrizione di riferimento in caratteri arabi da madrelingua. Concordare le regole di ortografia prima di iniziare.
3. 3Normalizzare entrambi i testi nello stesso modo prima della valutazione. Il leaderboard paper rimuove punteggiatura e diacritici, normalizza le forme hamza e madda e converte le cifre arabo-orientali in cifre occidentali.
4. 4Valutare ogni sistema utilizzando gli stessi file e le stesse impostazioni, riportando WER e CER per ogni dialetto, non solo una media.
5. 5Controllare manualmente numeri, nomi e codici prodotto. Un valore basso di WER può nascondere una cifra errata che conta più di dieci piccoli errori.
6. 6Ripetere il test ogni pochi mesi. Nuovi modelli appaiono spesso e le posizioni in classifica cambiano.

Annotare sempre le condizioni alla base di un dato pubblicato. La classifica utilizza set di test multi-dialetto come MASC, che contiene circa 1.000 ore di parlato provenienti da oltre 700 canali YouTube, e SADA. Un punteggio basato su parlato pulito dice poco riguardo a una chiamata rumorosa.

Cosa altro si dovrebbe controllare oltre all'accuratezza?

Verificare il contenuto dell'output, la velocità di ricezione, i formati file accettati e dove viene elaborato l'audio. Questi dettagli determinano se una trascrizione è adatta al proprio workflow.

• Etichette degli interlocutori (diarizzazione). Per le analisi della qualità delle chiamate è fondamentale sapere chi ha detto cosa. Se un servizio non etichetta gli interlocutori, registrate le chiamate in stereo separando l'agente dal cliente su canali distinti, per poi trascrivere ogni singolo canale.
• Timestamp. Per i sottotitoli multimediali e la ricerca audio sono necessari i tempi delle parole o dei segmenti. Verificate il formato della risposta prima di procedere con l'integrazione.
• Batch o live. L'analisi delle chiamate durante la notte richiede un alto throughput. Un agente vocale live necessita invece di risposte rapide.
• Formati e dimensioni dei file. Verificate i formati accettati e la dimensione massima dei file, e pianificate la suddivisione delle registrazioni più lunghe.
• Conservazione dei dati. Chiedete se gli audio o le trascrizioni vengono archiviati, registrati o utilizzati per l'addestramento, e richiedete una conferma scritta.
• Regione di elaborazione. Molte banche, enti governativi e fornitori sanitari devono conservare i dati in un determinato paese o regione. Consultate il vostro ufficio legale per sapere quali regole si applicano.

Quando conviene utilizzare lo speech-to-text in arabo?

La trascrizione in arabo è vantaggiosa laddove le persone parlano più di quanto scrivano: contact center, archivi multimediali e messaggi vocali. In ogni caso, la trascrizione diventa un dato ricercabile, verificabile e integrabile in altri strumenti.

• QA per i contact center. Trascrivete ogni singola chiamata, non solo un piccolo campione. Cercate parole chiave relative ai reclami e verificate che gli agenti leggano le dichiarazioni obbligatorie.
• Media e archivi. Rendete ricercabili interviste, podcast e trasmissioni.
• Note vocali WhatsApp. I clienti spesso inviano note vocali invece di scrivere. Trascriverle consente a un team di supporto o a un agente AI di leggerle, smistarle e rispondere.
• Agenti vocali. Un agente AI può agire correttamente solo se rileva correttamente il numero di telefono, l'importo o la data.

Se stai pianificando l'implementazione di agenti AI basati su trascrizioni, consulta le nostre guide su una piattaforma AI agentica enterprise e sugli agenti AI turnkey per hospitality, retail e healthcare.

In che modo l'Inference API BroadNet trascrive l'arabo?

Il BroadNet Inference API è un API che esegue modelli di parlato, documenti e chat su GPU gestite da BroadNet. Per l'audio in arabo, è sufficiente inviare un file all'endpoint di trascrizione utilizzando il modello arabo e language=ar per ricevere il testo in caratteri arabi. Utilizza il comune formato di richiesta chat-completions e audio-transcriptions, pertanto le librerie client esistenti sono già operative una volta modificato l'URL di base.

Queste informazioni provengono dalle pagine ufficiali di BroadNet.AI.

• Dialetti. Il modello arabo copre l'arabo del Golfo, egiziano, levantino, magrebino e l'arabo standard moderno, secondo la pagina Inference API.
• Caratteri arabi. Il sito indica che il modello arabo mantiene la scrittura in caratteri arabi, mentre il modello multilingue può passare all'inglese in caso di parlato misto. Si raccomanda l'uso del modello arabo per la lingua araba.
• Modello. Il modello arabo è un modello open-weight con 2 miliardi di parametri sotto licenza Apache-2.0, erogato su hardware BroadNet.
• Accuratezza misurata. Nel benchmark proprietario di BroadNet, il modello ha ottenuto un punteggio di 21.1 WER sul parlato dialettale reale (MASC), 23.4 su un set di dialetti del Golfo, egiziano e levantino, e 3.8 sul parlato letto chiaramente (FLEURS arabo).
• Classifica pubblica. L'8 novembre 2026, l'Open Universal Arabic ASR Leaderboard ha posizionato lo stesso modello base al 4° posto su 39 sistemi, con una media WER del 24,19%.
• Velocità. BroadNet riporta una velocità di 45x in tempo reale per stream e circa 190x in tempo reale quando si inviano richieste in parallelo.
• Fine-tuning su richiesta. Un fine-tuning BroadNet addestrato su audio di chiamate reali punta a numeri di telefono, importi, date, codici ordine e nomi su linee telefoniche e in note vocali rumorose. Viene rilasciato come ID modello privato e può essere ulteriormente ottimizzato sulle proprie registrazioni.
• Chat e documenti. Lo stesso API serve modelli vision-language, inclusi Gemma 4 VL 26B, che leggono documenti in arabo e inglese e restituiscono campi JSON.

Per quanto riguarda i dati, la dichiarazione sul trattamento dei dati specifica che prompt, audio, immagini e trascrizioni vengono mantenuti in memoria per una singola richiesta e poi eliminati. I contenuti non vengono registrati né utilizzati per l'addestramento, e un audit automatizzato verifica questa configurazione ogni ora. BroadNet conserva solo record privi di contenuti, come tempistiche, conteggio dei token e costi. L'elaborazione avviene su hardware gestito da BroadNet negli Stati Uniti, ed è disponibile su richiesta l'elaborazione regionale in MENA o Europa.

Per carichi di lavoro più ampi o regolamentati, un endpoint privato offre una GPU o un nodo riservato, il modello scelto (inclusi i fine-tune in arabo), la propria chiave e i propri limiti, e la regione desiderata.

Quanto costa la trascrizione in arabo su BroadNet?

Il modello pubblico in arabo costa $0,0042 al minuto di audio, ovvero circa $0,25 all'ora. I nuovi account ricevono $5 di credito gratuito, validi per 30 giorni senza necessità di carta di credito; la pagina dei prezzi indica che tale credito copre circa 19 ore di speech-to-text in arabo.

Ad esempio, 10.000 minuti di chiamate in arabo al mese costerebbero $42 con il modello arabo pubblico alla tariffa pubblicata. Prezzi basati sul volume e sulla capacità riservata disponibili su richiesta.

Cosa non fa il servizio BroadNet Inference API

Il API è un servizio di trascrizione basato su file e di serving del modello; alcune funzionalità attese dagli acquirenti non sono documentate.

• Nessuna etichetta del parlatore o timestamp documentati. Le pagine del modello descrivono l'output come testo in caratteri arabi in JSON o testo semplice.
• Nessuna trascrizione live streaming documentata. Si carica un solo file audio per richiesta. Lo streaming è documentato per la chat, non per l'audio.
• Elenco dei dialetti. L'arabo iracheno e altre varianti regionali non sono indicati separatamente sul sito. Testateli con i vostri file audio.
• Formati e dimensioni. La documentazione per gli sviluppatori indica WAV e MP3 con una dimensione massima del file di 26.214.400 byte (25 MiB). La pagina del modello elenca anche M4A, OGG e FLAC, ma il riferimento indica che altri contenitori non sono ancora documentati per il API diretto. Per sicurezza, convertite i messaggi vocali WhatsApp in WAV o MP3.
• Regione predefinita. L'elaborazione standard avviene negli Stati Uniti. L'elaborazione regionale richiede una richiesta specifica.
• Limiti. Una chiave pay-as-you-go consente 30 richieste al minuto e 4 richieste simultanee; un account può contenere fino a 10 chiavi live.
• Accesso al fine-tuning. Il modello arabo ottimizzato per le chiamate non è self-service. È possibile richiederlo fornendo un campione del proprio audio.

Come iniziare?

È possibile ascoltare il modello arabo con la propria voce prima di creare un account.

1. 1Apri il voice playground. Registra fino a un minuto di parlato o carica una nota vocale. Non è richiesta alcuna registrazione o carta di credito.
2. 2Crea un account su inference.broadnet.ai tramite Google o un link di accesso inviato via email. Il credito di $5 viene aggiunto senza necessità di carta.
3. 3Crea una chiave API nel tuo account. Aggiungi gli indirizzi IP del tuo server per impedire l'utilizzo della chiave da qualsiasi altro luogo.
4. 4Segui il developer reference: imposta l'URL di base su https://inference.broadnet.ai/v1 e utilizza qualsiasi libreria client che supporti il formato standard chat-completions.
5. 5Invia ogni file a /v1/audio/transcriptions specificando l'ID del modello arabo e language=ar. Senza language=ar, il modello potrebbe scrivere l'arabo utilizzando caratteri latini.
6. 6Esegui il test WER e CER per ogni dialetto, quindi richiedi il modello ottimizzato per le chiamate o un endpoint privato, se necessario.

BroadNet.AI è uno dei brand del Gruppo BroadNet. Per l'implementazione di agenti basati sulla trascrizione, consulta BroadNet AI e le note di BroadNet.AI sulla variazione dei dialetti arabi in 14 mercati.

Provalo oggi stesso con il tuo audio. Apri l'interfaccia BroadNet Inference API, registra una nota vocale nel dialetto dei tuoi clienti e leggi la trascrizione in pochi secondi. Successivamente, utilizza il credito gratuito di $5 per testare circa 19 ore delle tue chiamate reali. Visita BroadNet.AI per confrontare l'intera piattaforma.

Domande frequenti

Qual è il miglior API speech-to-text per l'arabo?

Il miglior API speech-to-text per l'arabo è quello che presenta il tasso di errore più basso sui propri file audio, nei propri dialetti, a un prezzo sostenibile. Le classifiche pubbliche cambiano spesso, quindi utilizzale solo per creare una lista ristretta. Successivamente, testa 2 o 3 servizi sugli stessi file audio. Il BroadNet Inference API offre una demo gratuita via browser e 5 $ di credito per questo tipo di test.

Il riconoscimento vocale è in grado di comprendere i dialetti arabi?

Sì, i moderni modelli di riconoscimento vocale possono trascrivere i principali dialetti arabi, ma la precisione varia molto in base al dialetto e alla qualità della registrazione. I benchmark pubblici mostrano tassi di errore molto più elevati per il dialetto saudita rispetto al parlato letto. I dialetti del Golfo, egiziano, levantino e magrebino sono ormai comunemente supportati. Le varianti regionali minori potrebbero richiedere dei test o un modello ottimizzato.

Quanto è accurato lo speech-to-text per l'arabo?

L'accuratezza dipende dall'audio. Su un parlato letto e pulito, i sistemi avanzati raggiungono tassi di errore delle parole a una sola cifra. Su chiamate rumorose e conversazioni in dialetto, tassi di errore del 20% o 30% o superiori sono comuni, anche per i sistemi leader. Misura WER e CER sulle tue registrazioni e verifica manualmente numeri e nomi.

Come trascrivo i messaggi vocali WhatsApp in arabo?

Esporta o ricevi il file del messaggio vocale, convertilo in WAV o MP3 e invialo a un API di trascrizione araba impostando la lingua su arabo. Utilizza un modello che mantenga lo script arabo, in modo che il testo sia utilizzabile per la ricerca e l'instradamento. Su BroadNet Inference API, ogni file può essere fino a 25 MiB e l'audio non viene memorizzato dopo la richiesta.

Lo speech-to-text per l'arabo gestisce l'arabo misto all'inglese?

Molti sistemi sono in grado di farlo, ma il parlato misto arabo-inglese rimane uno dei casi più difficili. In una classifica bilingue pubblica, i sistemi leader hanno ottenuto circa il 30% di WER sull'arabo egiziano con code-switching e inglese. Includi il parlato misto nei tuoi test e verifica che le parole arabe rimangano in script arabo.

Il mio audio viene memorizzato quando utilizzo BroadNet Inference API?

No. BroadNet.AI dichiara che l'audio, i prompt e le trascrizioni vengono mantenuti in memoria per una singola richiesta e poi eliminati. I contenuti non vengono registrati né utilizzati per l'addestramento, e un audit automatizzato verifica questo processo ogni ora. BroadNet conserva solo record privi di contenuti, come tempistiche, conteggio dei token e costi. L'elaborazione avviene negli Stati Uniti, con opzione MENA o Europa su richiesta.

Quanto costa il servizio di speech-to-text in arabo su BroadNet?

Il modello pubblico di trascrizione in arabo costa $0.0042 per minuto di audio, circa $0.25 l'ora. Un modello fine-tune addestrato su audio di chiamate costa $0.005 al minuto ed è disponibile su richiesta. I nuovi account ricevono $5 di credito gratuito, validi per 30 giorni senza carta di credito, che coprono circa 19 ore di audio in arabo.