XERBA LABS · Arabic speech-to-text API, 18 na tao · Tunis
Paano napa-quote ng isang Arabic speech-to-text startup sa mga AI assistant ang sarili nitong docs
+348%
na API sign-up mula sa search at AI answer
Tunis, Tunisia · 12 buwan · Teknolohiya at SaaS · Content Engine plan
01ANG HAMON
Sa oliba ng iba piniga ang mga sagot.
Tinatanong ng mga developer sa AI assistant kung aling Arabic speech-to-text API ang gagamitin, at docs ng malalaking cloud ang sinisipi. Hindi kailanman ang manipis na docs ng Xerba.
Hindi na sa results page nagsisimula ang mga developer. Tinatanong nila ang AI assistant kung aling Arabic speech-to-text API ang gagamitin, idinidikit ang sagot sa terminal, at tuloy na. Nang patakbuhin namin ang 140 ganitong prompt, tig-sampung beses, nakasandal ang mga sagot sa docs ng malalaking cloud provider, na karamihan ay Modern Standard Arabic lang ang saklaw.
Mas mahusay ang mga model ng Xerba sa Tunisian, Moroccan at lima pang variety kaysa sa kahit anong inirerekomenda ng mga sagot na iyon. Pero hindi ito sinabi ng docs sa anyong mapupulot ng model: walang depinisyon, pangalan ng field ang mga heading, pumapalya ang mga sample pag idinikit, at walang kahit isang numero ang mga pahayag tungkol sa accuracy.
Baseline: nasipi ang Xerba sa 3 sa 140 na sinusubaybayang prompt.
ANG NAKITA NG AUDIT SA “ANIHAN”
0 / 61
Walang depinisyon
Wala ni isa sa 61 docs page ang nagbigay ng depinisyon ng terminong tinatalakay nito. Nasa lahat ng dako ang “dialect detection” at “diarization” pero walang nagpaliwanag.
73%
Mga heading na pangalan ng field
73% ng mga heading ay pangngalan gaya ng “Parameters” o “Overview”. Pero gawain ang tanong ng mga developer: i-transcribe ang isang tawag, paghiwalayin ang dalawang nagsasalita.
4 / 38
Mga sample na hindi tumatakbo
4 lang sa 38 code sample ang tumakbo nang ganoon mismo. Ang iba ay gumamit ng retiradong auth header, kulang ang import, o nagtapos sa ellipsis.
1 / 7
Isang dialect sa papel
Pitong variety ng Arabic ang kaya ng produkto; isa lang ang binanggit ng docs. Walang benchmark table, kaya walang maikumpara ang mga assistant at bumalik sila sa mga page ng malalaking cloud.
02ANG ESTRATEHIYA
Sumulat ng docs na kayang pigain ng model.
Nakabatay sa aming Content Engine plan: content at AI-search na trabaho para sa mga team na ang mga customer ay nagtatanong muna sa makina bago sa tao.
01DOCS NA NAUUNA ANG DEPINISYON
61 page ang isinulat muliNagsisimula sa depinisyon ang bawat page
Isang 40–60 salitang sagot sa “ano ang…?” sa ilalim mismo ng title, na nagsasabi ng termino, ng endpoint at ng mga limitasyon nito. Madaling basahin ng taong nagmamadali at buo pa rin kahit hugutin mula sa page.
02HEADING NA NAKABATAY SA GAWAIN
212 task headingMga heading na nakasulat bilang gawain
Ang “Parameters” ay naging “Mag-transcribe ng recording ng tawag sa Tunisian”. Tumutugma ang bawat heading sa tanong na talagang tina-type ng developer, at iyon lang ang sinasagot ng talata sa ilalim nito.
03SAMPLE NA TUMATAKBO AGAD
38 / 38 sample ang pasadoMga sample na tumatakbo agad pag idinikit
Pinapatakbo gabi-gabi laban sa live API ang bawat snippet sa curl, Python at Node; kapag may pumalyang sample, hindi makaka-deploy ang docs. Nasa ilalim mismo ng code ang inaasahang output.
04COMPARISON TABLE
7 dialect benchmarkMga table na may totoong numero
Word error rate kada dialect, latency ayon sa haba ng file, at isang tapat na comparison page na buo ang metodolohiya. Halos salita-por-salitang sinisipi ng mga assistant ang mga table, kaya kailangang maipagtanggol ang bawat numero.
03ANG EXTRACTABILITY PRESS
Ipadaan sa press ang isang docs page.
Hindi buong page ang sinisipi ng mga AI assistant, kundi mga passage: depinisyong kayang tumayo nang mag-isa, heading na nagsasabi ng gawain, code na tumatakbo, table na may numero. I-on isa-isa ang bawat fix at tingnan kung aling mga passage ang kayang pigain ng press bilang citation.
Overview
Nagbibigay ang Xerba ng makapangyarihan at makabagong speech solution para sa mundong nagsasalita ng Arabic.
1 · Extractability 14/100Naiwan sa sapalSlogan ito, hindi depinisyon: walang masisipi ang model bilang katotohanan.
Parameters
audio, dialect, diarize, callback_url. Tingnan ang API reference para sa detalye.
2 · Extractability 22/100Naiwan sa sapalWalang tanong na tumutugma sa “Parameters”.
Quick start
I-initialise ang client gamit ang inyong key, saka tawagin ang transcribe kasama ang inyong mga option.
client = Xerba(key) result = client.transcribe(file, ...)
3 · Extractability 9/100Naiwan sa sapalPlaceholder na code: hindi magrerekomenda ang assistant ng hindi nito ma-verify.
Accuracy
Sinusuportahan ng Xerba ang maraming Arabic dialect na may nangungunang accuracy sa industriya.
4 · Extractability 17/100Naiwan sa sapalPang-uri ang “nangungunang”, hindi ebidensiya.
Sa model na ito, sinisipi ng mga assistant ang mga passage na may score na 70 pataas.
Mga napigang passage
0 sa 4
Ang isinasagot ng assistant
Prompt ng developer
which api should i use for tunisian arabic speech to text?
Karamihan sa mga pangkalahatang cloud speech API ay Modern Standard Arabic ang suportado; iba-iba ang saklaw sa dialect depende sa provider.[1]
Walang source na naglalarawan ng opsiyong espesyal para sa dialect, kaya ang pangkalahatang cloud API ang ligtas na mungkahi.
Mga source
- 1.Speech-to-text docs ng pangkalahatang cloud
0 sa 4 passage ang napiga na. Hindi nasipi ang Xerba.
04BUWAN-BUWAN
Labindalawang buwan, mula anihan hanggang bote.
BUWAN 1–201
Anihan
Audit
Na-crawl ang lahat ng 61 docs page, pinatakbo ang 140 developer prompt nang tig-sampung beses sa apat na assistant, at itinala ang bawat source na sinipi nila.
3 sa 140 prompt ang sumisipi sa Xerba
BUWAN 302
Hugas
Istruktura
Pinagsama ang magkakaparehong guide, binigyan ang bawat page ng iisang trabaho at iisang URL, at isinulat ang glossary na nili-link-an ng iba pang docs.
4 sa 140 prompt ang sumisipi sa Xerba
BUWAN 4–603
Giling
Muling pagsulat
Mga intro na nauuna ang depinisyon at mga task heading sa lahat ng 61 page; inuna ang mga guide sa Tunisian at Moroccan dahil wala pang ibang sumulat nito.
14 sa 140 prompt ang sumisipi sa Xerba
BUWAN 7–804
Piga
Sample at table
Mga sample sa tatlong language na tine-test gabi-gabi, mga dialect benchmark table, at isang comparison page na buo ang metodolohiya.
25 sa 140 prompt ang sumisipi sa Xerba
BUWAN 9–1005
Pagpapalinaw
Pagsukat
Ipinakita ng buwanang prompt run kung aling mga passage ang sinisipi at alin ang pina-paraphrase lang; isinulat muli ang mahihina, hindi pinahaba.
36 sa 140 prompt ang sumisipi sa Xerba
BUWAN 11–1206
Pagbobote
Pagpapatong
Mga bagong guide para sa call centre at media archive, French na bersyon ng top 20 page, at isang pampublikong changelog na sinisipi na ngayon ng mga assistant.
46 sa 140 prompt ang sumisipi sa Xerba
05MGA RESULTA
Makalipas ang isang taon, sa sariling docs na ng Xerba umaagos ang mga sagot.
3 → 46 sa 140
+348%
1,900 → 11,400
19 → 6 min
Modelled na senaryo para sa isang kathang-isip na negosyo — hindi resulta ng totoong kliyente. Hindi kailanman garantisado ang ranking, AI citation at traffic; tingnan ang aming Terms.
ANIM SA 140 SINUSUBAYBAYANG PROMPT
| Prompt, gaya ng pagka-type | Buwan 0 | Buwan 12 | Bahagi ng mga run |
|---|---|---|---|
| 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 |
Itinuturing na sumisipi sa Xerba ang isang prompt kapag hindi bababa sa lima sa sampung run nito ang sumipi sa docs.
ANG INYONG DOCS, PINIGA
Kumuha ng ganitong plano
Kung nagtatanong muna sa AI assistant ang mga developer bago buksan ang inyong docs, magsimula sa Content Engine plan, o sabihin sa amin kung ano ang ginagawa ng inyong API.
← Lahat ng case study