Lumaktaw sa nilalaman
Get Ranked On TopHalimbawang case studyContent Engine plan

Isang kathang-isip na negosyo. Ang mga numero ay modeladong senaryo, hindi resulta ng kliyente.

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

Gumigiling ang bato, umaagos ang langis: bawat patak ay isang passage na puwedeng i-quote ng AI assistant.

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”

  1. 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.

  2. 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.

  3. 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.

  4. 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.

  1. 01DOCS NA NAUUNA ANG DEPINISYON

    61 page ang isinulat muli

    Nagsisimula 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.

  2. 02HEADING NA NAKABATAY SA GAWAIN

    212 task heading

    Mga 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.

  3. 03SAMPLE NA TUMATAKBO AGAD

    38 / 38 sample ang pasado

    Mga 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.

  4. 04COMPARISON TABLE

    7 dialect benchmark

    Mga 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.

Mga fix na ilalapat
xerba.example/docs/transcribelumang bersyon
  1. Overview

    Nagbibigay ang Xerba ng makapangyarihan at makabagong speech solution para sa mundong nagsasalita ng Arabic.

    1 · Extractability 14/100Naiwan sa sapal

    Slogan ito, hindi depinisyon: walang masisipi ang model bilang katotohanan.

  2. Parameters

    audio, dialect, diarize, callback_url. Tingnan ang API reference para sa detalye.

    2 · Extractability 22/100Naiwan sa sapal

    Walang tanong na tumutugma sa “Parameters”.

  3. 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 sapal

    Placeholder na code: hindi magrerekomenda ang assistant ng hindi nito ma-verify.

  4. Accuracy

    Sinusuportahan ng Xerba ang maraming Arabic dialect na may nangungunang accuracy sa industriya.

    4 · Extractability 17/100Naiwan sa sapal

    Pang-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. 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.

  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

Mga sinusubaybayang AI prompt na sumisipi sa Xerba
46 sa 1403B1B6B12

+348%

API sign-up mula sa search at AI answer
18842B1B6B12

1,900 → 11,400

Organic click sa docs / buwan
11,4001,900B1B6B12

19 → 6 min

Oras hanggang sa unang transcript
Dati19 minNgayon6 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

Gaano kadalas nasipi ang Xerba sa sampung run ng bawat prompt, buwan 0 at buwan 12.
Prompt, gaya ng pagka-typeBuwan 0Buwan 12Bahagi ng mga run
best api for tunisian arabic speech to text0 / 109 / 10
arabic speech recognition api with dialect detection1 / 108 / 10
how to transcribe moroccan darija audio in python0 / 107 / 10
arabic stt api word error rate comparison0 / 106 / 10
API transcription arabe dialecte tunisien0 / 109 / 10
speaker diarization arabic call center api0 / 105 / 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