API de transcrição de voz em árabe em 2026: como testar a transcrição dos dialetos do Golfo, egípcio, levantino e magrebino

Uma API de transcrição de voz em árabe converte a fala árabe gravada em texto com caracteres árabes que o seu software pode pesquisar, resumir e armazenar. A parte difícil é o dialeto: a fala do Golfo, egípcia, levantina e magrebina difere do Árabe Padrão Moderno, e os interlocutores misturam inglês. Escolha através do teste da taxa de erro de palavra no seu próprio áudio. O BroadNet Inference API transcreve árabe nestes dialetos por $0.0042 por minuto de áudio, sem armazenar o seu áudio.

Esta tabela é a versão resumida do guia. Utilize-a como uma lista de verificação ao comparar qualquer serviço de transcrição de árabe.

Porque é que o reconhecimento de fala em árabe é mais difícil do que em inglês?

O reconhecimento de fala em árabe é mais difícil porque um padrão escrito se sobrepõe a vários dialetos falados, e o árabe escrito geralmente omite as vogais curtas. Um sistema tem de ouvir os sons e palavras do dialeto e, depois, escrevê-los numa ortografia que não possui um padrão único.

Os autores do Open Universal Arabic ASR Leaderboard paper apontam três causas: morfologia rica, variação de dialetos e a falta de diacríticos no texto escrito. Notam também que o Árabe Padrão Moderno é utilizado em contextos formais, enquanto os dialetos regionais diferem tanto na pronúncia como no vocabulário.

Na prática, isto cria quatro problemas para um sistema de transcrição:

• Palavras de dialeto. Um interlocutor do Golfo, do Egito ou de Marrocos utiliza palavras quotidianas que nunca aparecem no árabe de notícias.
• Escolhas de ortografia. A mesma palavra de dialeto pode ser escrita de várias formas.
• Code-switching. Os interlocutores alternam entre o árabe e o inglês, ou entre o árabe e o francês, dentro de uma única frase.
• Áudio com ruído. Chamadas, gravações de rua e notas de voz são muito mais difíceis do que a fala de estúdio.

Os números mostram a lacuna. No Open Universal Arabic ASR Leaderboard, consultado a 8 de novembro de 2026, o melhor sistema obteve cerca de 5% WER no conjunto de teste Common Voice. A melhor pontuação no SADA, um conjunto de teste saudita com 10 dialetos, foi de cerca de 29%. Em todos os 39 sistemas, as pontuações SADA chegaram aos 89%.

Que dialetos árabes contêm os seus áudios?

Comece por listar os dialetos que os seus clientes realmente falam e, em seguida, certifique-se de que o seu conjunto de teste abrange cada um deles.

A maioria dos compradores necessita de uma mistura destes grupos:

• Golfo (Khaleeji): Arábia Saudita, Emirados Árabes Unidos, Qatar, Kuwait, Bahrein e Omã, com variantes regionais fortes dentro da Arábia Saudita.
• Egípcio: Egito, e amplamente ouvido em filmes e programas de TV regionais.
• Levantino: Líbano, Jordânia e Palestina.
• Iraquiano: um grupo distinto que alguns serviços não listam separadamente.
• Magrebino: Marrocos, Argélia e Tunísia, com muitos empréstimos do francês.
• Árabe Padrão Moderno: notícias, discursos, anúncios formais e textos lidos.

O conjunto de dados Casablanca recolhe fala transcrita em 8 dialetos, incluindo emirati, egípcio, jordaniano, marroquino e argelino, com etiquetas para code-switching. O corpus ArzEn contém 12 horas de fala espontânea com code-switching entre árabe egípcio e inglês de 38 falantes bilingues.

O code-switching continua a ser difícil até para sistemas robustos. Num leaderboard bilingue árabe-inglês público, os sistemas líderes obtiveram cerca de 30% WER em fala mista de árabe egípcio e inglês da ArzEn. Os mesmos sistemas obtiveram cerca de 6% em fala árabe lida de FLEURS. Se os seus chamadores misturarem línguas, inclua essa fala no seu teste.

Como mede a precisão da transcrição de árabe?

Meça a taxa de erro de palavra (WER) e a taxa de erro de caractere (CER) numa amostra das suas próprias gravações, com uma transcrição de referência verificada por um humano. Os leaderboards públicos servem apenas para ajudar a criar uma lista curta.

A WER conta as palavras que um sistema substitui, apaga ou insere, divididas pelo número de palavras na referência. A CER faz o mesmo ao nível do caractere. A CER é útil para o árabe porque uma pequena diferença ortográfica, como uma hamza, conta como uma palavra inteira errada em WER, mas apenas um caractere errado em CER.

Siga estes passos:

1. 1Recolha de 1 a 3 horas de áudio real por dialeto: chamadas, notas de voz ou ficheiros multimédia, com a mesma qualidade que irá enviar em produção.
2. 2Peça a falantes nativos para escreverem uma transcrição de referência em escrita árabe. Acorde as regras de ortografia antes de começarem.
3. 3Normalize ambos os textos da mesma forma antes da pontuação. O artigo do leaderboard remove a pontuação e os diacríticos, normaliza as formas hamza e madda e converte numerais árabes orientais em numerais ocidentais.
4. 4Avalie cada sistema utilizando os mesmos ficheiros e as mesmas definições, e reporte WER e CER por dialeto, e não apenas uma média.
5. 5Verifique números, nomes e códigos de produto manualmente. Um WER baixo pode ocultar um dígito errado que é mais importante do que dez pequenos erros.
6. 6Repita o teste de alguns em alguns meses. Surgem novos modelos frequentemente e as classificações do leaderboard mudam.

Registe sempre as condições por trás de um valor publicado. O leaderboard utiliza conjuntos de testes multidialeto como o MASC, que contém cerca de 1.000 horas de fala de mais de 700 canais do YouTube, e SADA. Uma pontuação baseada em fala de leitura limpa diz pouco sobre uma chamada com ruído.

O que mais deve verificar além da precisão?

Verifique o que o resultado contém, a rapidez com que chega, quais os formatos de ficheiro aceites e onde o áudio é processado. Estes detalhes determinam se uma transcrição se adequa ao seu fluxo de trabalho.

• Etiquetas de locutor (diarização). As revisões da qualidade das chamadas exigem saber quem disse o quê. Se um serviço não etiqueta os locutores, grave as chamadas em estéreo, com o agente e o cliente em canais separados, e transcreva cada canal.
• Marcas temporais. As legendas de media e a pesquisa de áudio necessitam de tempos por palavra ou segmento. Verifique o formato da resposta antes de iniciar o desenvolvimento.
• Lote ou em tempo real. A análise de chamadas durante a noite exige capacidade de processamento. Um agente de voz em tempo real necessita de respostas rápidas.
• Formatos e tamanho de ficheiro. Verifique os formatos aceites e o tamanho máximo do ficheiro, e planeie a divisão de gravações longas.
• Retenção de dados. Questione se o áudio ou as transcrições são armazenados, registados ou utilizados para treino, e obtenha a resposta por escrito.
• Região de processamento. Muitos bancos, governos e prestadores de saúde devem manter os dados num país ou região específica. Consulte a sua equipa jurídica sobre quais as regras aplicáveis.

Onde é que o speech-to-text para árabe traz retorno?

A transcrição de árabe traz retorno sempre que as pessoas falem mais do que escrevem: centros de contacto, arquivos de media e mensagens de voz. Em cada caso, a transcrição torna-se dados que pode pesquisar, verificar e integrar noutras ferramentas.

• QA de centros de contacto. Transcreva todas as chamadas, não apenas uma pequena amostra. Pesquise por palavras relacionadas com reclamações e verifique se os agentes leem as declarações obrigatórias.
• Media e arquivos. Torne entrevistas, podcasts e emissões pesquisáveis.
• Notas de voz de WhatsApp. Os clientes enviam frequentemente notas de voz em vez de escreverem. Transcrevê-las permite que uma equipa de suporte ou um agente de IA as leia, encaminhe e responda.
• Agentes de voz. Um agente de IA só consegue atuar corretamente se ouvir corretamente o número de telemóvel, o montante ou a data.

Se está a planear agentes de IA baseados em transcrições, leia os nossos guias sobre uma plataforma de IA agêntica empresarial e sobre agentes de IA prontos a usar para hotelaria, retalho e saúde.

Como é que o BroadNet Inference API transcreve árabe?

O BroadNet Inference API é um API que executa modelos de voz, documentos e chat em GPUs que a BroadNet opera. Para áudio em árabe, envia um ficheiro para o endpoint de transcrição com o modelo de árabe e language=ar, e recebe de volta o texto em escrita árabe. Utiliza o formato de pedido comum de chat-completions e audio-transcriptions, pelo que as bibliotecas de cliente existentes funcionam assim que alterar a URL base.

Estes factos provêm das próprias páginas da BroadNet.AI.

• Dialetos. O modelo de árabe abrange os dialetos do Golfo, egípcio, levantino, magrebino e o árabe padrão moderno, de acordo com a página de Inference API.
• Escrita árabe. O site afirma que o modelo de árabe mantém a escrita em árabe, enquanto o modelo multilingue pode transitar para inglês em fala mista. Recomenda-se o modelo de árabe para árabe.
• Modelo. O modelo de árabe é um modelo de pesos abertos com 2 mil milhões de parâmetros sob a licença Apache-2.0, servido em hardware BroadNet.
• Precisão medida. No benchmark da própria BroadNet, o modelo obteve 21.1 WER em fala de dialeto real (MASC), 23.4 num conjunto de Golfo, egípcio e levantino, e 3.8 em fala de leitura limpa (FLEURS árabe).
• Classificação pública. A 8 de novembro de 2026, o Open Universal Arabic ASR Leaderboard classificou o mesmo modelo base em 4.º lugar de 39 sistemas, com uma média de WER de 24,19%.
• Velocidade. A BroadNet reporta 45x em tempo real por stream e cerca de 190x em tempo real quando envia pedidos em paralelo.
• Ajuste fino sob pedido. Um ajuste fino da BroadNet treinado em áudio de chamadas reais foca-se em números de telefone, montantes, datas, códigos de encomenda e nomes através de linhas telefónicas e em notas de voz com ruído. É emitido como um ID de modelo privado e pode ser afinado adicionalmente com as suas próprias gravações.
• Chat e documentos. A mesma API serve modelos de visão e linguagem, incluindo Gemma 4 VL 26B, que leem documentos em árabe e inglês e devolvem campos JSON.

Relativamente aos dados, a declaração de tratamento de dados afirma que os prompts, áudio, imagens e transcrições são mantidos em memória para um pedido e depois descartados. O conteúdo não é registado nem utilizado para treino, e uma auditoria automatizada verifica esta configuração de hora em hora. A BroadNet mantém apenas registos sem conteúdo, tais como tempos, contagem de tokens e custos. O processamento é efetuado em hardware operado pela BroadNet nos Estados Unidos, e o processamento regional na região MENA ou na Europa está disponível sob pedido.

Para cargas de trabalho maiores ou regulamentadas, um endpoint privado oferece-lhe uma GPU ou nó reservado, o modelo escolhido (incluindo os ajustes finos em árabe), a sua própria chave e limites, e a região de que necessita.

Qual é o custo da transcrição de árabe na BroadNet?

O modelo público de árabe custa $0,0042 por minuto de áudio, o que equivale a cerca de $0,25 por hora. Novas contas recebem $5 de crédito gratuito, válido por 30 dias sem necessidade de cartão, o que, segundo a página de preços, cobre cerca de 19 horas de conversão de fala árabe em texto.

Por exemplo, 10.000 minutos de chamadas em árabe por mês custariam $42 no modelo público de árabe à taxa publicada. Preços por volume e capacidade reservada estão disponíveis sob pedido.

O que o BroadNet Inference API não faz

O API é um serviço de transcrição baseado em ficheiros e de alojamento de modelos, e alguns recursos que os compradores esperam não estão documentados.

• Sem etiquetas de locutor ou marcas de tempo documentadas. As páginas do modelo descrevem o resultado como texto em escrita árabe no JSON ou texto simples.
• Sem transcrição de streaming em direto documentada. Deve carregar um ficheiro de áudio por pedido. O streaming está documentado para chat, não para áudio.
• Lista de dialetos. O árabe iraquiano e outras variantes regionais não são nomeados separadamente no site. Teste-os com o seu próprio áudio.
• Formatos e tamanho. A referência para programadores documenta WAV e MP3 com um tamanho máximo de ficheiro de 26.214.400 bytes (25 MiB). A página do modelo também lista M4A, OGG e FLAC, mas a referência indica que outros contentores ainda não estão documentados para o API direto. Para maior segurança, converta as notas de voz WhatsApp para WAV ou MP3.
• Região predefinida. O processamento padrão é nos Estados Unidos. O processamento regional requer um pedido.
• Limites. Uma chave de pagamento por utilização permite 30 pedidos por minuto e 4 pedidos em simultâneo, e uma conta pode conter até 10 chaves em direto.
• Acesso a fine-tuning. O modelo de árabe ajustado por chamada não é de autoatendimento. Deve solicitá-lo enviando uma amostra do seu áudio.

Como começar?

Pode ouvir o modelo de árabe com a sua própria voz antes de criar uma conta.

1. 1Abra o playground de voz. Grave até um minuto de fala ou carregue uma nota de voz. Não é necessário registo ou cartão.
2. 2Crie uma conta em inference.broadnet.ai com Google ou através de um link de início de sessão enviado por e-mail. O crédito de $5 é adicionado sem necessidade de cartão.
3. 3Crie uma chave API na sua conta. Adicione os endereços IP do seu servidor para que a chave seja rejeitada em qualquer outro local.
4. 4Siga a referência para programadores: defina a URL base para https://inference.broadnet.ai/v1 e utilize qualquer biblioteca de cliente que suporte o formato comum de chat-completions.
5. 5Envie cada ficheiro para /v1/audio/transcriptions com o ID do modelo de árabe e language=ar. Sem language=ar, o modelo poderá escrever árabe em caracteres latinos.
6. 6Execute o seu teste de WER e CER por cada dialeto e, se necessário, solicite o modelo ajustado para chamadas ou um endpoint privado.

A BroadNet.AI é uma das marcas do Grupo BroadNet. Para implementações de agentes baseadas em transcrição, consulte BroadNet AI e as notas da BroadNet.AI sobre a variação de dialetos árabes em 14 mercados.

Experimente hoje mesmo com o seu próprio áudio. Abra o Inference API BroadNet, grave uma nota de voz no dialeto dos seus clientes e leia a transcrição em segundos. Depois, utilize o crédito gratuito de $5 para testar cerca de 19 horas das suas chamadas reais. Visite BroadNet.AI para comparar a plataforma completa.

Perguntas frequentes

Qual é o melhor API de speech-to-text em árabe?

O melhor API de speech-to-text em árabe é aquele que apresenta a menor taxa de erro nos seus próprios áudios, nos seus dialetos, a um preço que consiga sustentar. As tabelas de classificação públicas mudam frequentemente, por isso utilize-as apenas para criar uma lista de seleção. Depois, teste 2 ou 3 serviços com as mesmas gravações. O BroadNet Inference API oferece uma demonstração gratuita no navegador e 5 $ de crédito para este tipo de teste.

O reconhecimento de voz consegue compreender dialetos árabes?

Sim, os modelos modernos de reconhecimento de voz conseguem transcrever os principais dialetos árabes, mas a precisão varia muito consoante o dialeto e a qualidade da gravação. Os benchmarks públicos mostram taxas de erro muito mais elevadas no discurso em dialeto saudita do que no discurso lido. O árabe do Golfo, egípcio, levantino e magrebino é agora comumente suportado. Variedades regionais mais pequenas podem necessitar de testes ou de um modelo afinado.

Qual é a precisão do speech-to-text em árabe?

A precisão depende do áudio. Em discursos lidos e limpos, os sistemas robustos atingem taxas de erro de palavras de um único dígito. Em chamadas com ruído e conversas em dialeto, taxas de erro de 20% a 30% ou mais são comuns, mesmo para os sistemas líderes. Meça WER e CER nas suas próprias gravações e verifique números e nomes manualmente.

Como transcrevo notas de voz WhatsApp em árabe?

Exporte ou receba o ficheiro da nota de voz, converta-o para WAV ou MP3 e envie-o para um API de transcrição árabe com o idioma definido para árabe. Utilize um modelo que mantenha o alfabeto árabe, para que o texto funcione para pesquisa e encaminhamento. No BroadNet Inference API, cada ficheiro pode ter até 25 MiB, e o áudio não é armazenado após o pedido.

O speech-to-text em árabe lida com árabe misturado com inglês?

Muitos sistemas conseguem, mas o discurso misto de árabe e inglês continua a ser um dos casos mais difíceis. Numa tabela de classificação bilingue pública, os sistemas líderes obtiveram cerca de 30% WER em árabe egípcio com alternância de código (code-switching) e inglês. Inclua o discurso misto no seu teste e verifique se as palavras árabes permanecem no alfabeto árabe.

O meu áudio é armazenado quando utilizo o BroadNet Inference API?

Não. A BroadNet.AI estabelece que o áudio, os comandos e as transcrições são mantidos em memória apenas para uma solicitação e depois descartados. O conteúdo não é registado nem utilizado para treino, e uma auditoria automatizada verifica isto de hora em hora. A BroadNet mantém apenas registos sem conteúdo, tais como tempos, contagem de tokens e custos. O processamento é efetuado nos Estados Unidos, com a possibilidade de MENA ou Europa mediante solicitação.

Qual é o custo da conversão de fala árabe em texto na BroadNet?

O modelo público de transcrição de árabe custa $0.0042 por minuto de áudio, cerca de $0.25 por hora. Um modelo de ajuste fino (fine-tune) treinado em áudio de chamadas custa $0.005 por minuto e está disponível mediante solicitação. Novas contas recebem $5 de crédito gratuito, válido por 30 dias sem necessidade de cartão, o que cobre cerca de 19 horas de áudio em árabe.