XERBA LABS · API de voz a texto en árabe, 18 personas · Túnez
Cómo una startup de voz a texto en árabe consiguió que los asistentes de IA citaran su propia documentación
+348 %
de altas en la API desde búsqueda y respuestas de IA
Túnez, Túnez · 12 meses · Tecnología y SaaS · plan Content Engine
01EL RETO
Las respuestas salían de las aceitunas de otro.
Los desarrolladores preguntan a la IA qué API de voz a texto en árabe usar, y las respuestas citaban la documentación de las grandes nubes. La de Xerba, nunca.
Los desarrolladores ya no empiezan en una página de resultados. Le preguntan a un asistente de IA qué API de voz a texto en árabe usar, pegan la respuesta en la terminal y siguen. Cuando lanzamos 140 prompts de ese tipo, diez veces cada uno, las respuestas se apoyaban en la documentación de los grandes proveedores de nube, que en su mayoría cubre el árabe estándar moderno y poco más.
Los modelos de Xerba entienden el tunecino, el marroquí y otras cinco variedades mejor que cualquier cosa que esas respuestas recomendaban. Pero la documentación nunca lo decía de una forma que un modelo pudiera extraer: sin definiciones, con títulos que eran nombres de campos, ejemplos que fallaban al pegarlos y promesas de precisión sin una sola cifra.
Punto de partida: Xerba aparecía citada en 3 de 140 prompts monitorizados.
LO QUE ENCONTRÓ LA AUDITORÍA DE LA COSECHA
0 / 61
Ninguna definición
Ninguna de las 61 páginas definía el término del que trataba. «Detección de dialecto» y «diarización» aparecían por todas partes y no se explicaban en ninguna.
73 %
Títulos con nombre de campo
El 73 % de los títulos eran sustantivos como «Parámetros» o «Descripción general». Los desarrolladores preguntan por tareas: transcribir una llamada, separar a dos hablantes.
4 / 38
Ejemplos que no funcionaban
Solo 4 de 38 ejemplos de código funcionaban tal cual. El resto usaba una cabecera de autenticación retirada, se saltaba los imports o terminaba en puntos suspensivos.
1 / 7
Un dialecto sobre el papel
El producto reconoce siete variedades del árabe; la documentación nombraba una. Sin una tabla de benchmarks, los asistentes no tenían nada que comparar y volvían a las páginas de las grandes nubes.
02LA ESTRATEGIA
Escribir documentación que un modelo pueda prensar.
Sobre nuestro plan Content Engine: contenido y trabajo de búsqueda con IA para equipos cuyos clientes preguntan a las máquinas antes que a las personas.
01DOCUMENTACIÓN QUE EMPIEZA POR LA DEFINICIÓN
61 páginas reescritasCada página empieza con una definición
Una respuesta de 40 a 60 palabras a «¿qué es…?» justo debajo del título, que nombra el término, el endpoint y sus límites. Se lee bien de un vistazo y sigue teniendo sentido cuando se recorta entera de la página.
02TÍTULOS POR TAREA
212 títulos por tareaTítulos formulados como tareas
«Parámetros» pasó a ser «Transcribir una llamada en tunecino». Cada título coincide con una pregunta que los desarrolladores escriben de verdad, y el párrafo de debajo responde solo a esa pregunta.
03EJEMPLOS EJECUTABLES
38 / 38 ejemplos pasanEjemplos que funcionan al pegarlos
Cada fragmento en curl, Python y Node se ejecuta contra la API real todas las noches; si un ejemplo falla, se bloquea el despliegue de la documentación. La salida esperada va justo debajo del código.
04TABLAS COMPARATIVAS
7 benchmarks por dialectoTablas con cifras reales
Tasa de error por palabra según el dialecto, latencia según la duración del archivo y una página comparativa honesta con todo su método. Los asistentes citan las tablas casi al pie de la letra, así que cada cifra tenía que poder defenderse.
03LA PRENSA DE EXTRACTABILIDAD
Pasa una página de la documentación por la prensa.
Los asistentes de IA no citan páginas, citan pasajes: una definición que se sostiene sola, un título que nombra la tarea, código que funciona, una tabla con cifras. Activa cada mejora y mira qué pasajes puede exprimir la prensa como citas.
Descripción general
Xerba ofrece soluciones de voz potentes e innovadoras para el mundo arabófono.
1 · Extractabilidad 14/100Se queda en el orujoUn eslogan, no una definición: nada que un modelo pueda citar como dato.
Parámetros
audio, dialect, diarize, callback_url. Consulta la referencia de la API para más detalles.
2 · Extractabilidad 22/100Se queda en el orujo«Parámetros» no responde a ninguna pregunta que alguien haga.
Inicio rápido
Inicializa el cliente con tu clave y llama a transcribe con tus opciones.
client = Xerba(key) result = client.transcribe(file, ...)
3 · Extractabilidad 9/100Se queda en el orujoCódigo de relleno: un asistente no recomienda lo que no puede verificar.
Precisión
Xerba admite muchos dialectos árabes con una precisión líder del sector.
4 · Extractabilidad 17/100Se queda en el orujo«Líder del sector» es un adjetivo, no una prueba.
En este modelo, los asistentes citan los pasajes con 70 puntos o más.
Pasajes exprimidos
0 de 4
Lo que responde un asistente
Prompt del desarrollador
which api should i use for tunisian arabic speech to text?
Las API de voz generalistas de la nube admiten sobre todo el árabe estándar moderno; la cobertura de dialectos varía según el proveedor.[1]
Ninguna de las fuentes describe una opción específica para dialectos, así que una API de nube generalista es la sugerencia segura.
Fuentes
- 1.Documentación de voz a texto de nubes generalistas
0 de 4 pasajes exprimidos. Xerba no aparece citada.
04MES A MES
Doce meses, de la cosecha a la botella.
MESES 1–201
Cosecha
Auditoría
Rastreamos las 61 páginas, lanzamos 140 prompts de desarrolladores diez veces cada uno en cuatro asistentes y registramos cada fuente que citaban.
3 de 140 prompts citan a Xerba
MES 302
Lavado
Estructura
Fusionamos guías duplicadas, dimos a cada página una sola función y una sola URL, y escribimos el glosario al que enlaza el resto de la documentación.
4 de 140 prompts citan a Xerba
MESES 4–603
Molienda
Reescritura
Introducciones que empiezan por la definición y títulos por tarea en las 61 páginas; primero las guías de tunecino y marroquí, porque nadie más las había escrito.
14 de 140 prompts citan a Xerba
MESES 7–804
Prensado
Ejemplos y tablas
Ejemplos en tres lenguajes probados cada noche, tablas de benchmarks por dialecto y una página comparativa con todo su método.
25 de 140 prompts citan a Xerba
MESES 9–1005
Decantación
Medición
Las pruebas mensuales de prompts mostraban qué pasajes se citaban y cuáles solo se parafraseaban; los débiles se reescribieron, no se rellenaron.
36 de 140 prompts citan a Xerba
MESES 11–1206
Embotellado
Efecto acumulado
Nuevas guías para centros de llamadas y archivos de medios, versiones en francés de las 20 páginas principales y un changelog público que los asistentes ya citan.
46 de 140 prompts citan a Xerba
05RESULTADOS
Un año después, las respuestas manan de la propia documentación de Xerba.
3 → 46 de 140
+348 %
1900 → 11.400
19 → 6 min
Escenario modelado para un negocio ficticio — no es un resultado de un cliente. Los rankings, las citas en IA y el tráfico nunca están garantizados; consulta nuestros Términos.
SEIS DE LOS 140 PROMPTS MONITORIZADOS
| Prompt, tal como se escribió | Mes 0 | Mes 12 | Proporción de ejecuciones |
|---|---|---|---|
| best api for tunisian arabic speech to text | 0 / 10 | 9 / 10 | |
| arabic speech recognition api with dialect detection | 1 / 10 | 8 / 10 | |
| how to transcribe moroccan darija audio in python | 0 / 10 | 7 / 10 | |
| arabic stt api word error rate comparison | 0 / 10 | 6 / 10 | |
| API transcription arabe dialecte tunisien | 0 / 10 | 9 / 10 | |
| speaker diarization arabic call center api | 0 / 10 | 5 / 10 |
Un prompt cuenta como cita de Xerba cuando al menos cinco de sus diez ejecuciones citan la documentación.
TU DOCUMENTACIÓN, PRENSADA
Consigue un plan como este
Si los desarrolladores preguntan a un asistente de IA antes de abrir tu documentación, empieza con el plan Content Engine o cuéntanos qué hace tu API.
← Todos los casos