API распознавания арабской речи в 2026 году: как протестировать транскрипцию диалектов Персидского залива, Египта, Леванта и Магриба

API распознавания арабской речи преобразует записанную арабскую речь в текст на арабской графике, который ваше программное обеспечение может искать, резюмировать и хранить. Основная сложность заключается в диалектах: речь стран Персидского залива, Египта, Леванта и Магриба отличается от современного стандартного арабского языка, а говорящие часто используют английские слова. Выбирайте решение, тестируя коэффициент ошибок в словах (WER) на собственных аудиозаписях. BroadNet Inference API транскрибирует арабский язык на этих диалектах по цене $0.0042 за минуту аудио без сохранения ваших данных.

Эта таблица является сокращенной версией руководства. Используйте её как контрольный список при сравнении любых сервисов арабского распознавания речи.

Почему распознавание арабской речи сложнее, чем английской?

Распознавание арабской речи сложнее, так как единый письменный стандарт накладывается на множество разговорных диалектов, а в письменном арабском языке обычно опускаются краткие гласные. Система должна распознавать диалектные звуки и слова, а затем записывать их в орфографии, не имеющей единого стандарта.

Авторы статьи Open Universal Arabic ASR Leaderboard paper называют три причины: богатая морфология, разнообразие диалектов и отсутствие диакритических знаков в письменном тексте. Они также отмечают, что современный стандартный арабский язык используется в официальной обстановке, в то время как региональные диалекты различаются как по произношению, так и по словарному запасу.

На практике это создает четыре проблемы для системы транскрибации:

• Диалектная лексика. Спикеры из стран Персидского залива, Египта или Марокко используют повседневные слова, которые никогда не встречаются в новостном арабском языке.
• Варианты написания. Одно и то же диалектное слово может записываться несколькими способами.
• Переключение кодов. Спикеры переходят с арабского на английский или с арабского на французский прямо внутри одного предложения.
• Зашумленный аудиосигнал. Записи звонков, уличные записи и голосовые сообщения гораздо сложнее для обработки, чем студийная речь.

Цифры демонстрируют этот разрыв. Согласно Open Universal Arabic ASR Leaderboard, проверенному 8 ноября 2026 года, лучшая система показала результат около 5% WER на тестовом наборе Common Voice. Лучший результат на SADA, тестовом наборе из Саудовской Аравии с 10 диалектами, составил около 29%. Среди всех 39 систем показатели SADA достигали 89%.

Какие арабские диалекты представлены в вашем аудио?

Начните с перечисления диалектов, на которых на самом деле говорят ваши клиенты, а затем убедитесь, что ваш тестовый набор охватывает каждый из них.

Большинству покупателей требуется комбинация следующих групп:

• Залив (Халиджи): Саудовская Аравия, ОАЭ, Катар, Кувейт, Бахрейн и Оман, с выраженными региональными вариантами внутри Саудовской Аравии.
• Египетский: Египет, широко используется в региональном кино и на ТВ.
• Левантийский: Ливан, Иордания и Палестина.
• Иракский: отдельная группа, которую некоторые сервисы не выделяют отдельно.
• Магрибский: Марокко, Алжир и Тунис, с большим количеством заимствований из французского.
• Современный стандартный арабский: новости, речи, официальные объявления и чтение текстов.

Набор данных Casablanca dataset содержит транскрипции речи на 8 диалектах, включая эмиратский, египетский, иорданский, марокканский и алжирский, с метками переключения кодов. Корпус ArzEn содержит 12 часов спонтанной смешанной арабско-английской речи (code-switching) от 38 двуязычных говорящих.

Переключение кодов остается сложной задачей даже для мощных систем. В публичном двуязычном арабско-английском рейтинге лучшие системы набрали около 30% WER на смешанной египетской арабской и английской речи от ArzEn. Те же системы набрали около 6% на зачитанной арабской речи из FLEURS. Если ваши вызывающие абоненты смешивают языки, включите такую речь в тестирование.

Как измерить точность арабской транскрипции?

Измерьте коэффициент ошибок в словах (WER) и коэффициент ошибок в символах (CER) на выборке ваших собственных записей с эталонной транскрипцией, проверенной человеком. Публичные рейтинги помогают лишь сформировать краткий список решений.

WER подсчитывает количество слов, которые система заменяет, удаляет или вставляет, и делит на общее количество слов в эталоне. CER делает то же самое на уровне символов. CER полезен для арабского языка, так как небольшая разница в написании, например, хамза, считается целым неверным словом в WER, но лишь одним неверным символом в CER.

Выполните следующие шаги:

1. 1Соберите от 1 до 3 часов реального аудио для каждого диалекта: звонки, голосовые сообщения или медиафайлы, с тем же качеством, которое будет использоваться в промышленной эксплуатации.
2. 2Попросите носителей языка составить эталонную транскрипцию на арабской графике. Перед началом работы согласуйте правила орфографии.
3. 3Перед оценкой приведите оба текста к единому стандарту. В статье рейтинга пунктуация и диакритические знаки удаляются, формы hamza и madda нормализуются, а восточноарабские цифры переводятся в западные.
4. 4Оценивайте каждую систему на одних и тех же файлах с одинаковыми настройками; указывайте WER и CER для каждого диалекта отдельно, а не только среднее значение.
5. 5Проверяйте числа, имена и коды продуктов вручную. Низкий показатель WER может скрывать неверную цифру, которая важнее, чем десять мелких ошибок.
6. 6Повторяйте тестирование каждые несколько месяцев. Новые модели появляются часто, и позиции в рейтинге меняются.

Всегда указывайте условия, на которых получена опубликованная цифра. В рейтинге используются мульдиалектные тестовые наборы, такие как MASC, содержащий около 1 000 часов речи из более чем 700 каналов YouTube, и SADA. Оценка по чистой дикторской речи мало что говорит о зашумленном звонке.

Что еще следует проверять, помимо точности?

Проверьте состав выходных данных, скорость их получения, поддерживаемые форматы файлов и место обработки аудио. Эти детали определяют, подходит ли транскрипция для вашего рабочего процесса.

• Маркировка спикеров (диаризация). При контроле качества звонков важно понимать, кто именно говорит. Если сервис не маркирует спикеров, записывайте звонки в стерео, где агент и клиент находятся на разных каналах, а затем транскрибируйте каждый канал отдельно.
• Временные метки. Для субтитров в медиафайлах и поиска по аудио требуется привязка слов или сегментов ко времени. Проверьте формат ответа перед началом разработки.
• Пакетная или потоковая обработка. Для ночного анализа звонков важна пропускная способность. Для голосовых агентов в реальном времени важна скорость ответов.
• Форматы и размер файлов. Уточните поддерживаемые форматы и максимальный размер файла; заранее планируйте разделение длинных записей.
• Хранение данных. Уточните, сохраняются ли аудиозаписи или транскрипты, ведутся ли логи или используются ли они для обучения моделей, и получите ответ в письменном виде.
• Регион обработки. Многие банки, государственные учреждения и медицинские организации обязаны хранить данные в определенной стране или регионе. Проконсультируйтесь с вашим юридическим отделом о применимых правилах.

В каких случаях использование арабского распознавания речи (speech-to-text) наиболее выгодно?

Арабская транскрипция эффективна везде, где люди больше говорят, чем пишут: в контакт-центрах, медиаархивах и голосовых сообщениях. В каждом из этих случаев транскрипт становится данными, которые можно искать, проверять и интегрировать в другие инструменты.

• Контроль качества в контакт-центрах. Транскрибируйте каждый звонок, а не только небольшую выборку. Используйте поиск по ключевым словам жалоб и проверяйте, произносят ли агенты обязательные заявления.
• Медиа и архивы. Сделайте интервью, подкасты и радиоэфиры доступными для поиска.
• Голосовые сообщения WhatsApp. Клиенты часто отправляют голосовые сообщения вместо текста. Транскрибация позволяет службе поддержки или ИИ-агенту прочитать, маршрутизировать и ответить на них.
• Голосовые агенты. ИИ-агент может действовать корректно только в том случае, если он правильно распознает номер телефона, сумму или дату.

Если вы планируете внедрение ИИ-агентов на базе транскриптов, ознакомьтесь с нашими руководствами по платформе агентного ИИ для предприятий и готовым ИИ-агентам для гостиничного бизнеса, ритейла и здравоохранения.

Как BroadNet Inference API выполняет транскрибацию арабского языка?

BroadNet Inference API — это API, который запускает модели речи, документов и чатов на GPU, которыми управляет BroadNet. Для арабской аудиозаписи вы отправляете файл на эндпоинт транскрибации с использованием арабской модели и language=ar, после чего получаете текст на арабской графике. Он использует стандартный формат запросов chat-completions и audio-transcriptions, поэтому существующие клиентские библиотеки будут работать сразу после изменения базового URL.

Эти данные взяты с собственных страниц BroadNet.AI.

• Диалекты. Согласно странице Inference API, арабская модель охватывает заливский, египетский, левантийский, магрибский диалекты и современный стандартный арабский язык.
• Арабская графика. На сайте указано, что арабская модель сохраняет арабскую графику, в то время как мультиязычная модель может переходить на английский при смешанной речи. Для арабского языка рекомендуется использовать арабскую модель.
• Модель. Арабская модель является моделью с открытыми весами (open-weight) объемом 2 миллиарда параметров под лицензией Apache-2.0 и работает на оборудовании BroadNet.
• Измеренная точность. В собственном бенчмарке BroadNet модель набрала 21.1 WER на реальной диалектной речи (MASC), 23.4 на наборе данных по заливскому, египетскому и левантийскому диалектам и 3.8 на чистой дикторской речи (FLEURS арабский).
• Публичный рейтинг. 8 ноября 2026 года в Open Universal Arabic ASR Leaderboard та же базовая модель заняла 4-е место среди 39 систем со средним показателем WER 24,19%.
• Скорость. BroadNet сообщает о скорости в 45 раз выше реального времени на один поток и примерно в 190 раз выше реального времени при параллельной отправке запросов.
• Дообучение по запросу. Модель BroadNet, прошедшая дообучение на реальных аудиозаписях звонков, распознает номера телефонов, суммы, даты, коды заказов и имена в телефонных линиях и шумных голосовых сообщениях. Она выпускается под идентификатором частной модели и может быть дообучена на ваших собственных записях.
• Чат и документы. Та же модель API обслуживает мультимодальные модели (vision-language models), включая Gemma 4 VL 26B, которые считывают документы на арабском и английском языках и возвращают поля JSON.

Согласно заявлению об обработке данных, промпты, аудио, изображения и транскрипции хранятся в памяти только на время выполнения одного запроса, после чего удаляются. Контент не регистрируется и не используется для обучения, а автоматизированный аудит проверяет эту конфигурацию каждый час. BroadNet сохраняет только записи без контента, такие как временные метки, количество токенов и стоимость. Обработка осуществляется на оборудовании под управлением BroadNet в США; по запросу доступна региональная обработка в регионе MENA или Европе.

Для более крупных или регулируемых рабочих нагрузок выделенный эндпоинт (private endpoint) предоставляет вам зарезервированный GPU или узел, выбранную модель (включая дообученные арабские модели), ваш собственный ключ и лимиты, а также необходимый регион.

Сколько стоит транскрибация арабского языка на BroadNet?

Публичная арабская модель стоит $0,0042 за минуту аудио, что составляет примерно $0,25 за час. Новым аккаунтам предоставляется $5 бесплатного кредита, действительного в течение 30 дней без необходимости привязки карты; согласно странице с ценами, этого хватит примерно на 19 часов преобразования арабской речи в текст.

Например, 10 000 минут арабских звонков в месяц будут стоить $42 при использовании публичной арабской модели по опубликованному тарифу. Цены на объемы и зарезервированные мощности предоставляются по запросу.

Чего не делает BroadNet Inference API

API — это сервис транскрибации на основе файлов и обслуживания моделей; некоторые функции, которые ожидают покупатели, не описаны в документации.

• Нет документированных меток спикеров или временных меток. На страницах моделей результат описывается как текст на арабской графике в формате JSON или как обычный текст.
• Нет документированной транскрибации потокового аудио в реальном времени. Вы загружаете один аудиофайл на один запрос. Потоковая передача (streaming) описана для чатов, а не для аудио.
• Список диалектов. Иракский арабский и другие региональные варианты не указаны на сайте отдельно. Протестируйте их с помощью собственных аудиофайлов.
• Форматы и размер. В документации для разработчиков указаны форматы WAV и MP3 с максимальным размером файла 26,214,400 байт (25 MiB). На странице модели также перечислены M4A, OGG и FLAC, но в справочнике указано, что другие контейнеры для прямого использования API пока не документированы. Для надежности конвертируйте голосовые заметки WhatsApp в WAV или MP3.
• Регион по умолчанию. Стандартная обработка выполняется в США. Для региональной обработки требуется отдельный запрос.
• Лимиты. Ключ с оплатой по факту использования (pay-as-you-go) позволяет выполнять 30 запросов в минуту и до 4 запросов одновременно; на одном аккаунте может быть до 10 активных ключей.
• Доступ к дообучению (fine-tune). Арабская модель, дообученная под конкретные задачи, не доступна в режиме самообслуживания. Для её получения необходимо отправить запрос вместе с образцом вашего аудио.

Как начать работу?

Вы можете послушать арабскую модель, используя собственный голос, еще до создания аккаунта.

1. 1Откройте голосовую песочницу. Запишите до одной минуты речи или загрузите голосовое сообщение. Регистрация и привязка карты не требуются.
2. 2Создайте аккаунт на inference.broadnet.ai с помощью Google или ссылки для входа по электронной почте. Кредит в размере $5 будет начислен без привязки карты.
3. 3Создайте ключ API в своем аккаунте. Добавьте IP-адреса ваших серверов, чтобы доступ по этому ключу был запрещен из любых других источников.
4. 4Следуйте справочнику разработчика: установите базовый URL на https://inference.broadnet.ai/v1 и используйте любую клиентскую библиотеку, поддерживающую стандартный формат chat-completions.
5. 5Отправляйте каждый файл на /v1/audio/transcriptions, указывая ID арабской модели и language=ar. Без language=ar модель может записывать арабский текст латиницей.
6. 6Проведите тестирование WER и CER для каждого диалекта, а затем запросите модель, настроенную под звонки, или приватный эндпоинт, если они вам потребуются.

BroadNet.AI — один из брендов группы BroadNet. Для развертывания агентов на базе транскрибации см. BroadNet AI и заметки BroadNet.AI о вариациях арабских диалектов на 14 рынках.

Попробуйте это на своем аудио уже сегодня. Откройте Inference API BroadNet, запишите голосовое сообщение на диалекте ваших клиентов и получите расшифровку за считанные секунды. Затем используйте бесплатный кредит в $5, чтобы протестировать около 19 часов ваших реальных звонков. Посетите BroadNet.AI, чтобы ознакомиться со всей платформой.

Часто задаваемые вопросы

Какая технология API для преобразования арабской речи в текст является лучшей?

Лучшая технология API для преобразования арабской речи в текст — это та, которая показывает минимальный уровень ошибок на ваших собственных аудиозаписях, с учетом ваших диалектов и по доступной вам цене. Публичные рейтинги часто меняются, поэтому используйте их только для составления краткого списка. Затем протестируйте 2 или 3 сервиса на одних и тех же записях. BroadNet Inference API предоставляет бесплатную демо-версию в браузере и кредит в размере $5 для проведения подобных тестов.

Может ли распознавание речи понимать арабские диалекты?

Да, современные модели распознавания речи могут транскрибировать основные арабские диалекты, но точность сильно варьируется в зависимости от диалекта и качества записи. Публичные бенчмарки показывают гораздо более высокий уровень ошибок для саудовского диалекта по сравнению с дикторской речью. Заливский, египетский, левантийский и магрибский диалекты арабского языка сейчас поддерживаются повсеместно. Менее распространенные региональные варианты могут потребовать тестирования или дообученной модели.

Насколько точна технология преобразования арабской речи в текст?

Точность зависит от аудиозаписи. При чистой дикторской речи мощные системы достигают однозначного процента ошибок в словах. При шумных звонках и разговорах на диалектах уровень ошибок в 20–30% и выше является обычным явлением даже для ведущих систем. Измеряйте WER и CER на своих собственных записях и проверяйте цифры и имена вручную.

Как мне транскрибировать арабские голосовые сообщения WhatsApp?

Экспортируйте или получите файл голосового сообщения, конвертируйте его в формат WAV или MP3 и отправьте в арабский сервис транскрибации API, установив язык на арабский. Используйте модель, которая сохраняет арабскую письменность, чтобы текст можно было использовать для поиска и маршрутизации. В BroadNet Inference API размер каждого файла может составлять до 25 MiB, при этом аудио не сохраняется после выполнения запроса.

Обрабатывает ли технология преобразования арабской речи в текст смешанную арабскую и английскую речь?

Многие системы могут это делать, но смешанная арабская и английская речь все еще остается одним из самых сложных случаев. В публичном двуязычном рейтинге ведущие системы набрали около 30% WER на смешанной (code-switching) египетской арабской и английской речи. Включите смешанную речь в свой тест и убедитесь, что арабские слова остаются на арабской письменности.

Сохраняется ли мой аудиофайл при использовании BroadNet Inference API?

Нет. BroadNet.AI заявляет, что аудио, подсказки и транскрипции хранятся в памяти только в течение одного запроса, после чего удаляются. Контент не регистрируется и не используется для обучения, а автоматизированный аудит проверяет это каждый час. BroadNet сохраняет только записи без содержания, такие как временные метки, количество токенов и стоимость. Обработка происходит в США, по запросу — в регионе MENA или Европе.

Сколько стоит преобразование арабской речи в текст на BroadNet?

Публичная модель транскрибации арабского языка стоит $0.0042 за минуту аудио, что составляет около $0.25 за час. Дообученная модель (fine-tune), обученная на аудиозаписях звонков, стоит $0.005 за минуту и предоставляется по запросу. Новым аккаунтам предоставляется $5 бесплатного кредита без привязки карты, действующего 30 дней, что покрывает около 19 часов арабского аудио.