واجهة Nemotron 3.5 Transcribe API: تفريغ ساعة صوتية مقابل 12 سنتًا

يكلف نسخ تسجيل مدته ساعة واحدة باستخدام واجهة Nemotron 3.5 Transcribe الجديدة من NVIDIA 12 سنتًا. هذا هو سعر DeepInfra البالغ 0.002 دولار في الدقيقة لأفضل نموذج مفتوح الأوزان على لوحة Hugging Face Open ASR Leaderboard، وهو نموذج يعيد أيضًا الطوابع الزمنية للكلمات وتسميات المتحدثين واللغة المكتشفة في الاستدعاء نفسه.

يشرح هذا الدليل كيفية الحصول على مفتاح API، وإرسال طلبك الأول، وقراءة الاستجابة، وكتابة المطالبات من أجل تسميات المتحدثين والمصطلحات المتخصصة، والحفاظ على تكاليف يمكن التنبؤ بها. تم التحقق من كل ما يلي في 29 أكتوبر 2026 مقابل صفحة نموذج DeepInfra، وقائمة OpenRouter، وبطاقة النموذج الرسمية.

هل تبحث عن مسار بتكلفة 0 دولار بدلًا من ذلك؟ اقرأ كيفية استخدام Nemotron 3.5 Transcribe مجانًا.

ما الذي تمنحك إياه واجهة Nemotron 3.5 Transcribe API

أصدرت NVIDIA نموذج Nemotron 3.5 Transcribe (NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) في 28 أكتوبر 2026. إنه نموذج كلام مفتوح الأوزان بإجمالي 34 مليار معامل ونحو 4.3 مليار معامل نشط، مبني على نموذج لغوي هجين Mamba-2 وTransformer بمزيج خبراء مع مشفّر ASR ومشفّر متحدث مضافين.

من نقطة نهاية واحدة تحصل على:

النسخ بـ 40 لغة
ملفات يصل طولها إلى ساعة واحدة
طوابع زمنية للكلمات وطوابع زمنية للمقاطع
نصوص منسوبة إلى المتحدثين مع ما يصل إلى ثمانية متحدثين
ترجمة الكلام عبر 31 لغة من وإلى الإنجليزية
مطالبات سياقية للأسماء والمنتجات والمصطلحات المتخصصة
تحديد اللغة

على Open ASR Leaderboard (محدّثة في 28 أكتوبر 2026) يسجل متوسط 5.33% WER، في المرتبة التاسعة من 61 نموذجًا والأول بين النماذج ذات الأوزان العامة. النماذج الثمانية التي تسبقه هي واجهات تجارية مغلقة.

إنه نموذج غير متصل. أرسل ملفات مسجلة، وليس بثًا مباشرًا.

أين تستدعيه، وكم يكلف

بهذه الأسعار، تكلف 1000 ساعة من الصوت نحو 120 دولارًا. للمقارنة، كانت OpenAI Whisper API تفرض تاريخيًا 0.006 دولار في الدقيقة، أي ثلاثة أضعاف سعر DeepInfra، ويحتل whisper-large-v3 المرتبة 41 على اللوحة نفسها بنسبة 7.16% WER.

Screenshot of the DeepInfra model page for NVIDIA-Nemotron-3.5-Transcribe-30B-A4B showing the $0.00200 per minute price and the Zero retention badge

الخطوة 1: احصل على مفتاح DeepInfra API

أنشئ حسابًا على deepinfra.com.
افتح لوحة التحكم وأنشئ مفتاح API.
أضف وسيلة دفع أو أرصدة. تتطلب صفحة النموذج تسجيل الدخول حتى للعرض التجريبي في المتصفح.
صدّر المفتاح في الصدفة:

export DEEPINFRA_API_KEY="your_key_here"

احتفظ بالمفتاح خارج التحكم في المصدر. إذا كنت تعمل عبر وكيل برمجي، فضع المفتاح في بيئة الوكيل، لا في مطالبة.

الخطوة 2: انسخ ملفك الأول

تتلقى نقطة نهاية الاستدلال الأصلية لدى DeepInfra تحميلًا متعدد الأجزاء multipart مع حقل audio. هذا هو شكل الطلب الدقيق من صفحة API الخاصة بها:

curl -X POST \
  -H "Authorization: bearer $DEEPINFRA_API_KEY" \
  -F audio=@interview.mp3 \
  'https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B'

يقبل النموذج WAV أو FLAC أو MP3 أو OGG أو أي تنسيق يُفكّ إلى PCM أحادي القناة بتردد 16 kHz. إذا كانت لديك ملفات M4A أو فيديو، حوّلها باستخدام FFmpeg أولًا:

ffmpeg -i call.m4a -ar 16000 -ac 1 call.wav

الخطوة 3: اقرأ الاستجابة

توثّق DeepInfra شكل الاستجابة هذا (القيم أدناه توضيحية):

{
  "text": "Hello World",
  "segments": [
    { "id": 0, "start": 0.0, "end": 1.0, "text": "Hello" },
    { "id": 1, "start": 4.0, "end": 5.0, "text": "World" }
  ],
  "language": "en",
  "words": [
    { "start": 0.0, "end": 1.0, "text": "Hello" },
    { "start": 4.0, "end": 5.0, "text": "World" }
  ],
  "duration": 5.0,
  "inference_status": { "status": "succeeded", "runtime_ms": 0, "cost": 0.0 }
}

ما الغرض من كل حقل:

text هو النص الكامل. خزّنه.
segments يمنحك مقاطع موقوتة. استخدمها للترجمات (SRT أو VTT).
words يمنحك توقيتًا لكل كلمة. استخدمه لتمييز بأسلوب الكاريوكي أو بحث ينتقل إلى الثانية الدقيقة.
language هو رمز اللغة المكتشفة. تحقق منه في الاختبارات؛ فاللغة الخاطئة عطل شائع في المقاطع القصيرة.
inference_status.cost يبلغ عن تكلفة الاستدعاء. سجّله لتتبع الإنفاق لكل ملف.

Diagram of a multipart POST to DeepInfra's Nemotron 3.5 Transcribe endpoint and the response fields text, segments, words and language with what each one is used for

الخطوة 4: استدعِه من Python

import os
import requests

URL = "https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B"

def transcribe(path: str) -> dict:
    with open(path, "rb") as f:
        r = requests.post(
            URL,
            headers={"Authorization": f"bearer {os.environ['DEEPINFRA_API_KEY']}"},
            files={"audio": f},
            timeout=600,
        )
    r.raise_for_status()
    return r.json()

result = transcribe("interview.mp3")
print(result["language"], len(result["words"]), "words")
print(result["text"][:500])

عيّن مهلة طويلة. يمكن لساعة كاملة من الكلام الكثيف أن تولّد نحو 20,000 رمز إخراج، وتحذّر بطاقة النموذج من أن المهام الطويلة تستغرق وقتًا.

تدرج DeepInfra أيضًا تبويب “OpenAI Speech-to-Text” للنموذج، لذا من المحتمل أن يتمكن كود OpenAI SDK الذي يستدعي audio.transcriptions من الإشارة إلى عنوان URL الأساسي المتوافق مع OpenAI لدى DeepInfra. تحقق من ذلك التبويب للحصول على عنوان URL الأساسي الدقيق قبل تبديل كود الإنتاج.

المطالبات: حرفي، نظيف، متحدثون، مصطلحات

ما يميز Nemotron 3.5 Transcribe عن واجهات ASR الأقدم هو أنه يقبل التعليمات. المطالبات الموصى بها من NVIDIA، كما هي مدرجة في صفحة DeepInfra:

ما تريده	التعليمات
كلمات حرفية	`Audio transcription. Language: as spoken. Wording: verbatim, including fillers and repetitions. Formatting: punctuation and capitalization. Output: transcript only.`
نص مقروء	`Audio transcription. Language: as spoken. Wording: omit fillers and accidental repetitions; keep the remaining spoken wording unchanged. Formatting: punctuation and capitalization. Output: transcript only.`
مفردات المجال	`Transcribe with punctuation and capitalization. Context terms: <names and terms>.`
من قال ماذا	`Transcribe verbatim, including fillers. ... Start every speaker turn with <spk:0>, <spk:1>, etc. Keep one stable tag per speaker.`
الترجمة	`Please translate the given speech to <target language>.`

استخدم temperature 0 مع إيقاف التفكير للنسخ والترجمة وتحديد اللغة، وأبقِ مطالبة النظام فارغة.

المصطلحات السياقية مجدية. تُبلغ NVIDIA عن انخفاض WER في ContextASR-Bench من 3.33% بدون سياق إلى 1.71% مع سياق دقيق، ومن 12.54% إلى 9.58% في Earnings22 السياقي. لاستدعاء أرباح، مرّر أسماء الشركات ورموزها وأسماء المديرين التنفيذيين.

تحقق من تبويب مخطط الإدخال في DeepInfra للحقل الذي يحمل التعليمة على نقطة النهاية الأصلية. على خادم مستضاف ذاتيًا، توضع التعليمة في رسالة الدردشة بجوار الصوت، كما هو موضح في دليل الإعداد المحلي.

استخدام OpenRouter بدلًا من ذلك

إذا كنت تستخدم OpenRouter بالفعل لنماذج اللغة الكبيرة، فيمكنك الاحتفاظ بمفتاح واحد وفاتورة واحدة. معرّف النموذج هو nvidia/nemotron-3.5-transcribe، بسعر 0.000033 دولار في الثانية، مع DeepInfra كمزوّد وحيد مدرج في 29 أكتوبر 2026 (جهوزية 100%، ونحو ثانية واحدة من زمن الاستجابة آنذاك). انسخ تنسيق الطلب من تبويب API الخاص بالنموذج على OpenRouter، لأن نقاط نهاية الصوت تختلف عن إكمالات الدردشة.

المقايضة: يضيف OpenRouter قفزة شبكة، واليوم لا يوجد تجاوز فشل بين المزوّدين لأن مزوّدًا واحدًا فقط يخدم النموذج.

حافظ على تكاليف يمكن التنبؤ بها

اقتطع الصمت أولًا. أنت تدفع لكل دقيقة من الصوت، لا لكل دقيقة من الكلام. قطع الصمت من التسجيلات يقلل الفاتورة.
اخلط القنوات وأعد أخذ العينات. 16 kHz أحادي القناة هو ما يستخدمه النموذج على أي حال؛ إرسال ستيريو 48 kHz يضيف فقط وقت رفع.
جمّع حسب الملف، لا حسب القطعة. يتعامل النموذج مع ساعة في طلب واحد. تقسيم ملف إلى قطع 30 ثانية يكسر تسميات المتحدثين والسياق.
سجّل inference_status.cost. اجمعها لكل عميل أو لكل مهمة.
استضف ذاتيًا عند تجاوز حجم ثابت. تعالج NIM المحسّنة من NVIDIA ما يصل إلى 2,238 ثانية من الصوت في الثانية على بطاقة RTX PRO 6000 Blackwell واحدة. إذا كنت تنسخ آلاف الساعات شهريًا، فوحدة معالجة رسومات مستأجرة واحدة تتغلب على التسعير لكل دقيقة. لاحظ أن مسار vLLM مفتوح المصدر يُتوقع أن يكون أبطأ بنحو مرتين من رقم NIM هذا.

دع وكيلك البرمجي يختبره باستخدام Apidog CLI

تفشل واجهات النسخ بهدوء: استجابة 200 مع text فارغ، أو مقطع إسباني يُكتشف كبرتغالي، أو words مفقود بعد تحديث مزوّد. بدلًا من فحص JSON يدويًا، دع وكيلك البرمجي يكتب ويشغّل الفحوصات باستخدام Apidog CLI.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

ثم أعطِ وكيلك مطالبة واحدة:

In Apidog project <id>, add the DeepInfra endpoint POST
https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
with a multipart "audio" field and a bearer token from {{DEEPINFRA_API_KEY}}.
Create a test case per file in samples/ (en.mp3, es.mp3, two-speakers.wav) asserting
status 200, non-empty "text", the expected "language", and "words" length > 0.
Run them against the prod environment and report failures with the response body.

يقرأ الوكيل المخطط، ويتحقق من حمولته، ويكتب الحالات ويشغّلها:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

أضف -r junit وسيصبح الأمر نفسه بوابة CI. راجع Apidog CLI في خط أنابيب CI/CD وApidog CLI في Claude Code للإعداد الكامل.

الأسئلة الشائعة

ما سعر واجهة Nemotron 3.5 Transcribe API؟ 0.002 دولار في الدقيقة على DeepInfra و0.000033 دولار في الثانية على OpenRouter، اعتبارًا من 29 أكتوبر 2026. أي نحو 0.12 دولار لكل ساعة صوت على أي منهما.

هل يوجد مفتاح API مجاني؟ لم نجد واحدًا. النموذج ليس على build.nvidia.com بعد. المسارات المجانية هي Space التجريبي من NVIDIA والاستضافة الذاتية؛ راجع الدليل المجاني.

ما الحد الأقصى لطول الملف؟ ساعة واحدة لكل طلب، مع سياق 65,536 رمزًا.

هل تبث الواجهة النتائج؟ لا. إنه نموذج غير متصل يعيد النص عند انتهاء الملف.

ما اللغات المدعومة؟ 40 لغة، مصنّفة في ثلاث فئات. تشمل اللغات الـ13 “الرائدة” الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية والهندية والكورية والروسية والبولندية. اليابانية والتركية والأوكرانية “جاهزة للإنتاج”. الصينية الماندرين والعربية “مدعومتان”.

كيف يُقارن بواجهات الكلام الأخرى؟ راجع ترتيب أفضل نماذج تحويل الكلام إلى نص مفتوحة المصدر لدينا، وتجميعة أفضل واجهات تحويل النص إلى كلام والكلام إلى نص الأقدم.

ابدأ النسخ

احصل على مفتاح DeepInfra، وأرسل أمر curl واحدًا مع ملف MP3، وستحصل على نص موقوت وموسوم باللغة مقابل 0.002 دولار في الدقيقة. أضف مصطلحات سياقية لمجالك، واستخدم مطالبة المتحدثين للاجتماعات، ودع وكيلك يشغّل فحوصات Apidog عند كل إصدار حتى لا يصل انحدار صامت أبدًا.