મફત સ્પીચ ટુ ટેક્સ્ટ API
સ્પીચ ટુ ટેક્સ્ટ API ઑડિયોને ટેક્સ્ટમાં ફેરવે છે. Groq, Cloudflare, OVH, Mistral, Cohere અને અન્ય પ્રદાતાઓ મર્યાદા સાથે મફત ટ્રાન્સક્રિપ્શન આપે છે. FreeLLMAPI 13 મફત ટ્રાન્સક્રિપ્શન મૉડેલ એક OpenAI સાથે સુસંગત એન્ડપોઇન્ટ, /v1/audio/transcriptions પાછળ મૂકે છે. જ્યારે એક પ્રદાતા વિનંતી અટકાવે, ત્યારે રાઉટર આગલાનો પ્રયાસ કરે છે.
કોડ, મૉડેલ નામ અને લાઇવ કૅટલૉગ લેબલ અંગ્રેજીમાં બતાવવામાં આવે છે.
આજના મફત ટ્રાન્સક્રિપ્શન મૉડેલ
કોષ્ટક FreeLLMAPI કૅટલૉગના મફત ટ્રાન્સક્રિપ્શન મૉડેલ બતાવે છે. ડેટા લાઇવ કૅટલૉગમાંથી આવે છે. "Max upload" એ સૌથી મોટી ફાઇલ છે જે પ્રદાતા મફત ટાયર પર સ્વીકારે છે, જ્યારે કૅટલૉગ તે જાણતું હોય.
| મૉડેલ | પ્રદાતા | મહત્તમ અપલોડ | મફત મર્યાદા |
|---|---|---|---|
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 કૅટલૉગનો લાઇવ ડેટા (સંસ્કરણ 2026.11.19, તપાસ્યું 2026-11-19). મફત મર્યાદાઓ વારંવાર બદલાય છે. કૅટલૉગ દરરોજ તપાસવામાં આવે છે.
મોટાભાગની એન્ટ્રી OpenAI ના Whisper મૉડેલ છે, જે અલગ અલગ પ્રદાતાઓ હોસ્ટ કરે છે. કોષ્ટકમાં Cloudflare પર Deepgram Nova-3, Mistral નું Voxtral, Cohere Transcribe, અને થાઈ માટે Typhoon ASR પણ છે. ફક્ત Whisper મૉડેલની સરખામણી માટે, Free Whisper API વાંચો.
મૉડેલ પસંદ કરવા માટે આ નિયમ વાપરો:
- ઘણી ભાષાઓમાં સામાન્ય ટ્રાન્સક્રિપ્શન: Whisper Large v3 અથવા Whisper Large v3 Turbo. Turbo ઝડપી છે. Groq પર Large v3 નો શબ્દ ભૂલ દર ઓછો છે.
- સબટાઇટલ: Cloudflare Whisper મૉડેલ, કારણ કે તે VTT પાછું આપે છે.
- અરબી: Cohere Transcribe Arabic. થાઈ: Typhoon ASR.
- ફેલબેક: OVH Whisper. તેને કીની જરૂર નથી, પરંતુ તે પ્રતિ મિનિટ ફક્ત 2 વિનંતીઓ આપે છે.
પગલું 1: FreeLLMAPI ઇન્સ્ટોલ કરો અને કી ઉમેરો
FreeLLMAPI ઓપન સોર્સ છે. તે Docker માં તમારા કમ્પ્યુટર પર ચાલે છે. તમારી પ્રદાતા કી તમારા કમ્પ્યુટર પર રહે છે.
ઇન્સ્ટોલ કરો (macOS અથવા Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 પર ડેશબોર્ડ ખોલો. Keys પેજ પર Groq કી અને Cloudflare કી ઉમેરો. બંને પ્રદાતાઓ મફત કી આપે છે, અને બંને Whisper પીરસે છે. તે જ પેજ પરથી તમારી એકીકૃત કી કૉપિ કરો.
account_id:token સ્વરૂપમાં હોય છે. એકાઉન્ટ ID વિના ટોકન કામ કરતું નથી.પગલું 2: ઑડિયો ફાઇલ મોકલો
એન્ડપોઇન્ટ OpenAI API ની જેમ multipart/form-data અપલોડ લે છે. બે ફીલ્ડ જરૂરી છે: file અને model. રાઉટરને પ્રદાતા પસંદ કરવા દેવા માટે model=auto અથવા model=whisper-1 વાપરો.
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)પ્રતિભાવમાં X-Provider હેડર અને X-Model હેડર હોય છે. આ હેડર બતાવે છે કે ટ્રાન્સક્રિપ્ટ કયા પ્રદાતા અને મૉડેલે બનાવી.
વિકલ્પો અને આઉટપુટ ફોર્મેટ
| ફીલ્ડ | મૂલ્યો | નોંધ |
|---|---|---|
file | એક ઑડિયો ફાઇલ | જરૂરી. FreeLLMAPI દ્વારા દરેક અપલોડ માટે મહત્તમ 25 MB |
model | auto, whisper-1 અથવા મૉડેલ ID | જરૂરી. મૉડેલ ID એક પ્રદાતા પંક્તિને પિન કરે છે |
response_format | json, text, verbose_json, vtt | ડિફૉલ્ટ json છે. srt ભૂલ 400 આપે છે |
language | ભાષા કોડ, ઉદાહરણ તરીકે en | વૈકલ્પિક. ભાષા જાણતા હો ત્યારે સેટ કરો |
prompt | ટેક્સ્ટ | વૈકલ્પિક. નામો અને વિશેષ શબ્દો આપો |
temperature | 0 થી 1 | વૈકલ્પિક. સ્થિર આઉટપુટ માટે 0 રાખો |
- verbose_json પ્રદાતા સેગમેન્ટ પાછા આપે ત્યારે સમય સાથે સેગમેન્ટ આપે છે. જો પ્રદાતા પાસે સેગમેન્ટ ન હોય, તો તમને સામાન્ય JSON આકાર મળે છે.
- vtt સબટાઇટલ ફક્ત તે પ્રદાતાઓ તરફથી આવે છે જે તેને મૂળભૂત રીતે બનાવે છે. કૅટલૉગમાં, આ Cloudflare Whisper મૉડેલ છે.
- srt નકારવામાં આવે છે. કોઈ ગોઠવેલ પ્રદાતા SRT મૂળભૂત રીતે બનાવતો નથી, અને ગેટવે તેને રૂપાંતરિત કરતું નથી.
મફત મર્યાદા અને તેમાં કેવી રીતે રહેવું
મફત ટ્રાન્સક્રિપ્શન મર્યાદા અલગ અલગ એકમો વાપરે છે. કેટલાક પ્રદાતાઓ વિનંતીઓ ગણે છે. બીજા ઑડિયો સમય અથવા દૈનિક કમ્પ્યુટ બજેટ ગણે છે.
| પ્રદાતા | મફત મર્યાદા (સત્તાવાર) | તમારા માટે તેનો અર્થ |
|---|---|---|
| Groq | મફત ટાયર પર દરેક ફાઇલ માટે 25 MB. 10 સેકન્ડથી ઓછી વિનંતીઓ 10 સેકન્ડ તરીકે ગણાય છે | ઝડપી. ટૂંકી અને મધ્યમ ફાઇલો માટે સારી પ્રથમ પસંદગી |
| Cloudflare Workers AI | દરરોજ 10,000 neurons. Whisper Large v3 Turbo દરેક ઑડિયો મિનિટ માટે 46.63 neurons વાપરે છે | દરરોજ લગભગ 214 ઑડિયો મિનિટ, જો બીજું કોઈ Workers AI મૉડેલ બજેટ વાપરતું ન હોય |
| OVH AI Endpoints | કી વિના, દરેક IP સરનામા અને મૉડેલ માટે પ્રતિ મિનિટ 2 વિનંતીઓ | ધીમું ફેલબેક. બૅચ માટે તેનો ઉપયોગ કરશો નહીં |
| Cohere | ટ્રાયલ કી: બધા એન્ડપોઇન્ટ માટે દર મહિને 1,000 API કૉલ | કૉલ ચેટ અને એમ્બેડિંગ સાથે વહેંચાય છે |
- બે કે વધુ પ્રદાતાઓની કી ઉમેરો. જ્યારે Groq 429 ભૂલ મોકલે, ત્યારે રાઉટર ફાઇલ આગલા પ્રદાતાને મોકલે છે.
- અપલોડ પહેલાં મોટી ફાઇલો રૂપાંતરિત કરો. Groq કહે છે કે તેના મૉડેલ ઑડિયોને 16 kHz mono પર ડાઉનસેમ્પલ કરે છે. ફાઇલ નાની કરવા માટે આ જાતે કરો.
- લગભગ 25 MB થી લાંબા ઑડિયોને ભાગોમાં વિભાજિત કરો. દરેક ભાગનું ટ્રાન્સક્રિપ્શન કરો, પછી ટેક્સ્ટ જોડો.
ffmpeg વડે ફાઇલ નાની કરો (16 kHz mono FLAC)
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a flac interview.flacસમસ્યા નિવારણ
| સમસ્યા | કારણ | ઉકેલ |
|---|---|---|
ભૂલ 413 file_too_large | ફાઇલ 25 MB કરતાં મોટી છે | 16 kHz mono માં રૂપાંતરિત કરો, અથવા ફાઇલ વિભાજિત કરો |
ભૂલ 400 model જરૂરી છે | ફોર્મમાં કોઈ model ફીલ્ડ નથી | -F model=auto ઉમેરો |
ભૂલ 400 unsupported_format | તમે srt માંગ્યું | vtt, json, text અથવા verbose_json વાપરો |
ભૂલ 503 no_transcription_models | કોઈ ટ્રાન્સક્રિપ્શન મૉડેલ સક્ષમ નથી | Groq અથવા Cloudflare કી ઉમેરો, પછી કૅટલૉગ સિંક થવાની રાહ જુઓ |
| નામો માટે ખોટા શબ્દો | મૉડેલ શબ્દો જાણતું નથી | prompt ફીલ્ડમાં નામો મોકલો |
ખાલી vtt આઉટપુટ | પ્રદાતા VTT બનાવતો નથી | Cloudflare Whisper મૉડેલ ID પિન કરો |
વારંવાર પૂછાતા પ્રશ્નો
શું કોઈ મફત સ્પીચ ટુ ટેક્સ્ટ API છે?
હા. Groq, Cloudflare Workers AI, OVH, Mistral અને Cohere મર્યાદા સાથે મફત ટ્રાન્સક્રિપ્શન આપે છે. FreeLLMAPI 13 મફત મૉડેલ એક OpenAI સાથે સુસંગત એન્ડપોઇન્ટ પાછળ મૂકે છે.
ઑડિયો ફાઇલનું મહત્તમ કદ કેટલું છે?
FreeLLMAPI 25 MB સુધીના અપલોડ સ્વીકારે છે. Groq પણ તેના મફત ટાયર પર 25 MB મંજૂર કરે છે. લાંબા ઑડિયો માટે, તેને 16 kHz mono માં રૂપાંતરિત કરો અથવા ભાગોમાં વિભાજિત કરો.
શું મફત સ્પીચ ટુ ટેક્સ્ટ API માંથી સબટાઇટલ મળી શકે?
હા. response_format ને vtt પર સેટ કરો. ફક્ત Cloudflare Whisper મૉડેલ મૂળભૂત રીતે VTT બનાવે છે. SRT ઉપલબ્ધ નથી.
શું મફત સ્પીચ ટુ ટેક્સ્ટ API OpenAI Python SDK સાથે કામ કરે છે?
હા. base_url ને http://localhost:3001/v1 પર સેટ કરો, અને ફાઇલ અને model="auto" સાથે client.audio.transcriptions.create કૉલ કરો.
સંબંધિત માર્ગદર્શિકાઓ
સ્રોતો
- FreeLLMAPI README: supported endpoints (તપાસ્યું 20 November 2026)
- Groq docs: Speech to text (તપાસ્યું 20 November 2026)
- Cloudflare Workers AI pricing (તપાસ્યું 20 November 2026)
- Cloudflare Workers AI: whisper-large-v3-turbo (તપાસ્યું 20 November 2026)
- OVHcloud AI Endpoints capabilities (તપાસ્યું 20 November 2026)
- Cohere docs: rate limits (તપાસ્યું 20 November 2026)