বিনামূল্যের speech to text API
একটি speech to text API অডিওকে লেখায় রূপান্তর করে। Groq, Cloudflare, OVH, Mistral, Cohere ও অন্য প্রোভাইডার সীমাসহ বিনামূল্যে ট্রান্সক্রিপশন দেয়। FreeLLMAPI 13টি বিনামূল্যের ট্রান্সক্রিপশন মডেল একটি OpenAI-সামঞ্জস্যপূর্ণ endpoint, /v1/audio/transcriptions-এর পেছনে রাখে। কোনো প্রোভাইডার অনুরোধ থামালে রাউটার পরেরটি চেষ্টা করে।
কোড, মডেলের নাম এবং লাইভ ক্যাটালগের লেবেল ইংরেজিতে দেখানো হয়।
আজকের বিনামূল্যের ট্রান্সক্রিপশন মডেল
টেবিলে FreeLLMAPI ক্যাটালগের বিনামূল্যের ট্রান্সক্রিপশন মডেলগুলো দেখানো হয়েছে। ডেটা লাইভ ক্যাটালগ থেকে আসে। "সর্বোচ্চ আপলোড" হলো বিনামূল্যের টিয়ারে প্রোভাইডার যে সবচেয়ে বড় ফাইল গ্রহণ করে, যখন ক্যাটালগ তা জানে।
| মডেল | প্রোভাইডার | সর্বোচ্চ আপলোড | বিনামূল্যের সীমা |
|---|---|---|---|
Whisper Large v3 Turbo (Groq)whisper-large-v3-turbo | Groq | 25 MB | free tier - 25 MB uploads |
Whisper Large v3 (Groq)whisper-large-v3 | Groq | 25 MB | free tier - 25 MB uploads |
Whisper Large v3 Turbo (Cloudflare Workers AI)@cf/openai/whisper-large-v3-turbo | Cloudflare Workers AI | - | Workers AI free allocation |
Whisper (Cloudflare Workers AI)@cf/openai/whisper | Cloudflare Workers AI | - | Workers AI free allocation |
Deepgram Nova-3 (Cloudflare Workers AI)@cf/deepgram/nova-3 | Cloudflare Workers AI | - | Workers AI free allocation |
Whisper Tiny English (Cloudflare Workers AI)@cf/openai/whisper-tiny-en | Cloudflare Workers AI | - | Workers AI free allocation |
Cohere Transcribe Arabic (07-2026)cohere-transcribe-arabic-07-2026 | Cohere | 25 MB | free evaluation key - 1,000 calls/month shared |
Cohere Transcribe (03-2026)cohere-transcribe-03-2026 | Cohere | 25 MB | Free evaluation key — 1,000 calls/month shared; language defaults to English |
Voxtral Mini Transcribe 2 (Mistral)voxtral-mini-2602 | Mistral | 25 MB | Renewing Mistral Free-mode monthly usage shared with Studio/API/Vibe; account-specific allowance. Paid overage may apply if enabled. |
Whisper Large v3 (OVH)whisper-large-v3 | OVH AI Endpoints | 25 MB | free · anonymous 2 req/min per IP |
Whisper Large v3 Turbo (OVH)whisper-large-v3-turbo | OVH AI Endpoints | 25 MB | free · anonymous 2 req/min per IP |
Typhoon ASR Realtimetyphoon-asr-realtime | Typhoon | - | Ongoing free research API (shared rate limits) |
Typhoon Isan ASR Realtimetyphoon-isan-asr-realtime | Typhoon | - | Ongoing free research API (shared rate limits) |
FreeLLMAPI ক্যাটালগের লাইভ ডেটা (সংস্করণ 2026.11.19, যাচাই: 2026-11-19)। বিনামূল্যের সীমা প্রায়ই বদলায়। ক্যাটালগ প্রতিদিন যাচাই করা হয়।
বেশিরভাগ এন্ট্রি বিভিন্ন প্রোভাইডার দ্বারা হোস্ট করা OpenAI-র Whisper মডেল। টেবিলে Cloudflare-এর Deepgram Nova-3, Mistral-এর Voxtral, Cohere Transcribe এবং থাই ভাষার জন্য Typhoon ASR-ও আছে। শুধু Whisper মডেলের তুলনার জন্য পড়ুন Free Whisper API।
মডেল বাছাইয়ের জন্য এই নিয়মটি ব্যবহার করুন:
- অনেক ভাষায় সাধারণ ট্রান্সক্রিপশন: Whisper Large v3 বা Whisper Large v3 Turbo। Turbo দ্রুত। Groq-এ Large v3-এর word error rate কম।
- সাবটাইটেল: একটি Cloudflare Whisper মডেল, কারণ এটি VTT ফেরত দেয়।
- আরবি: Cohere Transcribe Arabic। থাই: Typhoon ASR।
- ফলব্যাক: OVH Whisper। এর কী লাগে না, কিন্তু প্রতি মিনিটে শুধু 2টি অনুরোধ অনুমোদিত।
ধাপ 1: FreeLLMAPI ইনস্টল করুন এবং কী যোগ করুন
FreeLLMAPI ওপেন সোর্স। এটি Docker-এ আপনার কম্পিউটারে চলে। আপনার প্রোভাইডার কী আপনার কম্পিউটারেই থাকে।
ইনস্টল করুন (macOS বা Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001-এ ড্যাশবোর্ড খুলুন। Keys পেজে একটি Groq কী ও একটি Cloudflare কী যোগ করুন। দুটি প্রোভাইডারই বিনামূল্যের কী দেয়, এবং দুটিই Whisper সেবা দেয়। একই পেজ থেকে আপনার একীভূত কী কপি করুন।
account_id:token। অ্যাকাউন্ট ID ছাড়া টোকেন কাজ করে না।ধাপ 2: একটি অডিও ফাইল পাঠান
endpoint OpenAI API-র মতোই একটি multipart/form-data আপলোড নেয়। দুটি ফিল্ড আবশ্যক: file ও model। রাউটারকে প্রোভাইডার বেছে নিতে দিতে model=auto বা model=whisper-1 ব্যবহার করুন।
curl
curl http://localhost:3001/v1/audio/transcriptions \
-H "Authorization: Bearer <unified-key>" \
-F [email protected] \
-F model=auto \
-F language=en \
-F response_format=jsonPython (OpenAI SDK)
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("meeting.mp3", "rb") as audio:
result = client.audio.transcriptions.create(
model="auto", # or a model id, e.g. "whisper-large-v3-turbo"
file=audio,
language="en", # optional ISO-639-1 code; improves accuracy
prompt="FreeLLMAPI, Groq", # optional: names and terms in the audio
)
print(result.text)উত্তরে একটি X-Provider header ও একটি X-Model header থাকে। এই header গুলো দেখায় কোন প্রোভাইডার ও মডেল ট্রান্সক্রিপ্টটি তৈরি করেছে।
বিকল্প ও আউটপুট ফরম্যাট
| ফিল্ড | মান | নোট |
|---|---|---|
file | একটি অডিও ফাইল | আবশ্যক। FreeLLMAPI-র মাধ্যমে প্রতিটি আপলোডের সর্বোচ্চ 25 MB |
model | auto, whisper-1 বা একটি model id | আবশ্যক। একটি model id একটি প্রোভাইডার সারিকে নির্দিষ্ট করে |
response_format | json, text, verbose_json, vtt | ডিফল্ট json। srt ত্রুটি 400 ফেরত দেয় |
language | ভাষা কোড, উদাহরণস্বরূপ en | ঐচ্ছিক। ভাষা জানা থাকলে সেট করুন |
prompt | লেখা | ঐচ্ছিক। নাম ও বিশেষ শব্দ দিন |
temperature | 0 থেকে 1 | ঐচ্ছিক। স্থির আউটপুটের জন্য 0 রাখুন |
- verbose_json প্রোভাইডার সেগমেন্ট ফেরত দিলে সময়সহ সেগমেন্ট দেয়। প্রোভাইডারের সেগমেন্ট না থাকলে আপনি সাধারণ JSON কাঠামো পান।
- vtt সাবটাইটেল শুধু সেইসব প্রোভাইডার থেকে আসে যারা সেগুলো নিজে তৈরি করে। ক্যাটালগে এগুলো হলো Cloudflare Whisper মডেল।
- srt প্রত্যাখ্যাত হয়। কোনো কনফিগার করা প্রোভাইডার SRT নিজে তৈরি করে না, এবং গেটওয়েও তা রূপান্তর করে না।
বিনামূল্যের সীমা ও সীমার ভেতরে থাকার উপায়
বিনামূল্যের ট্রান্সক্রিপশন সীমার একক ভিন্ন। কিছু প্রোভাইডার অনুরোধ গণনা করে। অন্যরা অডিও সময় বা দৈনিক কম্পিউট বাজেট গণনা করে।
| প্রোভাইডার | বিনামূল্যের সীমা (সরকারি) | আপনার জন্য এর অর্থ |
|---|---|---|
| Groq | বিনামূল্যের টিয়ারে প্রতি ফাইল 25 MB। 10 সেকেন্ডের কম অনুরোধ 10 সেকেন্ড হিসেবে বিল হয় | দ্রুত। ছোট ও মাঝারি ফাইলের জন্য ভালো প্রথম পছন্দ |
| Cloudflare Workers AI | প্রতিদিন 10,000 neuron। Whisper Large v3 Turbo প্রতি অডিও মিনিটে 46.63 neuron ব্যবহার করে | অন্য কোনো Workers AI মডেল বাজেট ব্যবহার না করলে প্রতিদিন প্রায় 214 অডিও মিনিট |
| OVH AI Endpoints | কী ছাড়া, প্রতি IP ঠিকানা ও মডেলের জন্য প্রতি মিনিটে 2টি অনুরোধ | ধীর ফলব্যাক। ব্যাচের জন্য ব্যবহার করবেন না |
| Cohere | ট্রায়াল কী: সব endpoint মিলিয়ে প্রতি মাসে 1,000টি API কল | কলগুলো চ্যাট ও embedding-এর সাথে ভাগ হয় |
- দুই বা তার বেশি প্রোভাইডার থেকে কী যোগ করুন। Groq 429 ত্রুটি পাঠালে রাউটার ফাইলটি পরের প্রোভাইডারে পাঠায়।
- আপলোডের আগে বড় ফাইল রূপান্তর করুন। Groq বলে যে তার মডেল অডিওকে 16 kHz mono-তে নামিয়ে আনে। ফাইল ছোট করতে এটি নিজে করুন।
- প্রায় 25 MB-র বেশি অডিও অংশে ভাগ করুন। প্রতিটি অংশ ট্রান্সক্রাইব করুন, তারপর লেখা জোড়া লাগান।
ffmpeg দিয়ে ফাইল ছোট করুন (16 kHz mono FLAC)
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a flac interview.flacসমস্যা সমাধান
| সমস্যা | কারণ | সমাধান |
|---|---|---|
ত্রুটি 413 file_too_large | ফাইলটি 25 MB-র বড় | 16 kHz mono-তে রূপান্তর করুন, অথবা ফাইলটি ভাগ করুন |
ত্রুটি 400 model is required | ফর্মে কোনো model ফিল্ড নেই | -F model=auto যোগ করুন |
ত্রুটি 400 unsupported_format | আপনি srt চেয়েছিলেন | vtt, json, text বা verbose_json ব্যবহার করুন |
ত্রুটি 503 no_transcription_models | কোনো ট্রান্সক্রিপশন মডেল সক্রিয় নেই | একটি Groq বা Cloudflare কী যোগ করুন, তারপর ক্যাটালগ সিঙ্কের জন্য অপেক্ষা করুন |
| নামের জন্য ভুল শব্দ | মডেল শব্দগুলো জানে না | prompt ফিল্ডে নামগুলো পাঠান |
খালি vtt আউটপুট | প্রোভাইডার VTT তৈরি করে না | একটি Cloudflare Whisper model id নির্দিষ্ট করুন |
সাধারণ প্রশ্ন
বিনামূল্যের কোনো speech to text API আছে কি?
হ্যাঁ। Groq, Cloudflare Workers AI, OVH, Mistral ও Cohere সীমাসহ বিনামূল্যে ট্রান্সক্রিপশন দেয়। FreeLLMAPI 13টি বিনামূল্যের মডেল একটি OpenAI-সামঞ্জস্যপূর্ণ endpoint-এর পেছনে রাখে।
সর্বোচ্চ অডিও ফাইলের আকার কত?
FreeLLMAPI 25 MB পর্যন্ত আপলোড গ্রহণ করে। Groq-ও বিনামূল্যের টিয়ারে 25 MB অনুমোদন দেয়। দীর্ঘ অডিওর জন্য এটি 16 kHz mono-তে রূপান্তর করুন, অথবা অংশে ভাগ করুন।
বিনামূল্যের speech to text API থেকে কি সাবটাইটেল পাওয়া যায়?
হ্যাঁ। response_format-কে vtt-তে সেট করুন। শুধু Cloudflare Whisper মডেল নিজে VTT তৈরি করে। SRT পাওয়া যায় না।
বিনামূল্যের speech to text API কি OpenAI Python SDK-র সাথে কাজ করে?
হ্যাঁ। base_url-কে http://localhost:3001/v1-এ সেট করুন এবং একটি file ও model="auto" সহ client.audio.transcriptions.create কল করুন।
সম্পর্কিত গাইড
- বিনামূল্যের Whisper API
- ফ্রি টেক্সট টু স্পিচ API
- free groq api
- free cloudflare api
- OVH AI Endpoints বিনামূল্যের API
উৎস
- FreeLLMAPI README: supported endpoints (যাচাই: 20 November 2026)
- Groq docs: Speech to text (যাচাই: 20 November 2026)
- Cloudflare Workers AI pricing (যাচাই: 20 November 2026)
- Cloudflare Workers AI: whisper-large-v3-turbo (যাচাই: 20 November 2026)
- OVHcloud AI Endpoints capabilities (যাচাই: 20 November 2026)
- Cohere docs: rate limits (যাচাই: 20 November 2026)