ഹോം / ഗൈഡുകൾ / സൗജന്യ സ്പീച്ച് ടു ടെക്സ്റ്റ് API

സൗജന്യ സ്പീച്ച് ടു ടെക്സ്റ്റ് API

സ്പീച്ച് ടു ടെക്സ്റ്റ് API ഓഡിയോയെ ടെക്സ്റ്റാക്കി മാറ്റുന്നു. Groq, Cloudflare, OVH, Mistral, Cohere എന്നിവയും മറ്റ് ദാതാക്കളും പരിധികളോടെ സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ നൽകുന്നു. FreeLLMAPI 13 സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ മോഡലുകൾ ഒരൊറ്റ OpenAI-അനുയോജ്യ എൻഡ്‌പോയിന്റിന് പിന്നിൽ, /v1/audio/transcriptions, വയ്ക്കുന്നു. ഒരു ദാതാവ് അഭ്യർഥന നിർത്തുമ്പോൾ, റൂട്ടർ അടുത്തതിനെ പരീക്ഷിക്കുന്നു.

കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.

ഇന്നത്തെ സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ മോഡലുകൾ

പട്ടിക FreeLLMAPI കാറ്റലോഗിലെ സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ മോഡലുകൾ കാണിക്കുന്നു. ഡാറ്റ തത്സമയ കാറ്റലോഗിൽ നിന്നാണ്. "പരമാവധി അപ്‌ലോഡ്" എന്നത് കാറ്റലോഗിന് അറിയാമെങ്കിൽ, സൗജന്യ ടയറിൽ ദാതാവ് സ്വീകരിക്കുന്ന ഏറ്റവും വലിയ ഫയലാണ്.

മോഡൽദാതാവ്പരമാവധി അപ്‌ലോഡ്സൗജന്യ പരിധി
Whisper Large v3 Turbo (Groq)
whisper-large-v3-turbo
Groq25 MBfree tier - 25 MB uploads
Whisper Large v3 (Groq)
whisper-large-v3
Groq25 MBfree 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
Cohere25 MBfree evaluation key - 1,000 calls/month shared
Cohere Transcribe (03-2026)
cohere-transcribe-03-2026
Cohere25 MBFree evaluation key — 1,000 calls/month shared; language defaults to English
Voxtral Mini Transcribe 2 (Mistral)
voxtral-mini-2602
Mistral25 MBRenewing 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 Endpoints25 MBfree · anonymous 2 req/min per IP
Whisper Large v3 Turbo (OVH)
whisper-large-v3-turbo
OVH AI Endpoints25 MBfree · anonymous 2 req/min per IP
Typhoon ASR Realtime
typhoon-asr-realtime
Typhoon-Ongoing free research API (shared rate limits)
Typhoon Isan ASR Realtime
typhoon-isan-asr-realtime
Typhoon-Ongoing free research API (shared rate limits)

FreeLLMAPI കാറ്റലോഗിൽ നിന്നുള്ള തത്സമയ ഡാറ്റ (പതിപ്പ് 2026.11.19, 2026-11-19 ൽ പരിശോധിച്ചത്). സൗജന്യ പരിധികൾ പലപ്പോഴും മാറുന്നു. കാറ്റലോഗ് എല്ലാ ദിവസവും പരിശോധിക്കുന്നു.

മിക്ക എൻട്രികളും വിവിധ ദാതാക്കൾ ഹോസ്റ്റ് ചെയ്യുന്ന OpenAI-യുടെ Whisper മോഡലുകളാണ്. പട്ടികയിൽ Cloudflare-ലെ Deepgram Nova-3, Mistral-ന്റെ Voxtral, Cohere Transcribe, തായ് ഭാഷയ്ക്കുള്ള Typhoon ASR എന്നിവയും ഉണ്ട്. Whisper മോഡലുകളുടെ മാത്രം താരതമ്യത്തിന്, സൗജന്യ Whisper API വായിക്കുക.

മോഡൽ തിരഞ്ഞെടുക്കാൻ ഈ നിയമം ഉപയോഗിക്കുക:

  • പല ഭാഷകളിലെ പൊതു ട്രാൻസ്ക്രിപ്ഷൻ: Whisper Large v3 അല്ലെങ്കിൽ Whisper Large v3 Turbo. Turbo വേഗമേറിയതാണ്. Groq-ൽ Large v3-ന് കുറഞ്ഞ വേഡ് എറർ നിരക്ക് ഉണ്ട്.
  • സബ്ടൈറ്റിലുകൾ: ഒരു Cloudflare Whisper മോഡൽ, കാരണം അത് VTT നൽകുന്നു.
  • അറബിക്: Cohere Transcribe Arabic. തായ്: Typhoon ASR.
  • ഫോൾബാക്ക്: OVH Whisper. ഇതിന് കീ വേണ്ട, പക്ഷേ മിനിറ്റിൽ 2 അഭ്യർഥനകൾ മാത്രമേ അനുവദിക്കൂ.

ഘട്ടം 1: FreeLLMAPI ഇൻസ്റ്റാൾ ചെയ്ത് കീകൾ ചേർക്കുക

FreeLLMAPI ഓപ്പൺ സോഴ്സ് ആണ്. ഇത് Docker-ൽ നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ ദാതാവ് കീകൾ കമ്പ്യൂട്ടറിൽ തന്നെ തുടരുന്നു.

ഇൻസ്റ്റാൾ ചെയ്യുക (macOS അല്ലെങ്കിൽ Linux)

curl -fsSL https://freellmapi.co/install.sh | bash

http://localhost:3001-ൽ ഡാഷ്‌ബോർഡ് തുറക്കുക. Keys പേജിൽ ഒരു Groq കീയും ഒരു Cloudflare കീയും ചേർക്കുക. രണ്ട് ദാതാക്കളും സൗജന്യ കീകൾ നൽകുന്നു, രണ്ടും Whisper സേവനം നൽകുന്നു. അതേ പേജിൽ നിന്ന് നിങ്ങളുടെ ഏകീകൃത കീ പകർത്തുക.

Cloudflare കീ ഫോർമാറ്റ്: ഒരു Cloudflare Workers AI കീ account_id:token എന്ന രൂപത്തിലാണ്. അക്കൗണ്ട് ID ഇല്ലാത്ത ടോക്കൺ പ്രവർത്തിക്കില്ല.

ഘട്ടം 2: ഒരു ഓഡിയോ ഫയൽ അയയ്ക്കുക

എൻഡ്‌പോയിന്റ് OpenAI API പോലെ multipart/form-data അപ്‌ലോഡ് സ്വീകരിക്കുന്നു. file, model എന്നീ രണ്ട് ഫീൽഡുകൾ നിർബന്ധമാണ്. റൂട്ടർ ദാതാവിനെ തിരഞ്ഞെടുക്കാൻ model=auto അല്ലെങ്കിൽ model=whisper-1 ഉപയോഗിക്കുക.

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=json

Python (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)

പ്രതികരണത്തിൽ X-Provider ഹെഡറും X-Model ഹെഡറും ഉണ്ട്. ട്രാൻസ്ക്രിപ്റ്റ് ഉണ്ടാക്കിയ ദാതാവും മോഡലും ഈ ഹെഡറുകൾ കാണിക്കുന്നു.

ഓപ്ഷനുകളും ഔട്ട്പുട്ട് ഫോർമാറ്റുകളും

ഫീൽഡ്മൂല്യങ്ങൾകുറിപ്പുകൾ
fileഒരു ഓഡിയോ ഫയൽനിർബന്ധം. FreeLLMAPI വഴി ഓരോ അപ്‌ലോഡിനും പരമാവധി 25 MB
modelauto, whisper-1 അല്ലെങ്കിൽ ഒരു മോഡൽ IDനിർബന്ധം. ഒരു മോഡൽ ID ഒരു ദാതാവിന്റെ വരി മാത്രം ഉറപ്പിക്കുന്നു
response_formatjson, text, verbose_json, vttസ്ഥിരസ്ഥിതി json. srt പിശക് 400 നൽകുന്നു
languageഭാഷാ കോഡ്, ഉദാഹരണത്തിന് enഓപ്ഷണൽ. ഭാഷ അറിയുമ്പോൾ ഇത് സജ്ജമാക്കുക
promptടെക്സ്റ്റ്ഓപ്ഷണൽ. പേരുകളും പ്രത്യേക പദങ്ങളും നൽകുക
temperature0 മുതൽ 1 വരെഓപ്ഷണൽ. സ്ഥിരമായ ഔട്ട്പുട്ടിന് 0 നിലനിർത്തുക
  • verbose_json ദാതാവ് സെഗ്മെന്റുകൾ നൽകുമ്പോൾ സമയങ്ങളോടുകൂടിയ സെഗ്മെന്റുകൾ നൽകുന്നു. ദാതാവിന് സെഗ്മെന്റുകൾ ഇല്ലെങ്കിൽ, ലളിതമായ JSON ഘടന ലഭിക്കുന്നു.
  • vtt സബ്ടൈറ്റിലുകൾ സ്വന്തമായി അവ നിർമ്മിക്കുന്ന ദാതാക്കളിൽ നിന്ന് മാത്രമേ വരൂ. കാറ്റലോഗിൽ ഇവ Cloudflare Whisper മോഡലുകളാണ്.
  • srt നിരസിക്കപ്പെടുന്നു. ക്രമീകരിച്ച ഒരു ദാതാവും SRT സ്വന്തമായി നിർമ്മിക്കുന്നില്ല, ഗേറ്റ്‌വേ അത് പരിവർത്തനം ചെയ്യുന്നുമില്ല.

സൗജന്യ പരിധികളും അവയ്ക്കുള്ളിൽ നിൽക്കുന്ന വിധവും

സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ പരിധികൾ വ്യത്യസ്ത യൂണിറ്റുകൾ ഉപയോഗിക്കുന്നു. ചില ദാതാക്കൾ അഭ്യർഥനകൾ എണ്ണുന്നു. മറ്റു ചിലർ ഓഡിയോ സമയമോ പ്രതിദിന കംപ്യൂട്ട് ബജറ്റോ എണ്ണുന്നു.

ദാതാക്കളുടെ ഡോക്യുമെന്റേഷനിൽ നിന്നുള്ള പരിധികൾ, 2026-11-19 ൽ പരിശോധിച്ചത്
ദാതാവ്സൗജന്യ പരിധി (ഔദ്യോഗികം)നിങ്ങൾക്ക് അതിന്റെ അർത്ഥം
Groqസൗജന്യ ടയറിൽ ഓരോ ഫയലിനും 25 MB. 10 സെക്കൻഡിൽ താഴെയുള്ള അഭ്യർഥനകൾ 10 സെക്കൻഡായി ബിൽ ചെയ്യുന്നുവേഗമേറിയത്. ചെറുതും ഇടത്തരവുമായ ഫയലുകൾക്ക് നല്ല ആദ്യ തിരഞ്ഞെടുപ്പ്
Cloudflare Workers AIദിവസം 10,000 neurons. Whisper Large v3 Turbo ഓഡിയോ മിനിറ്റിന് 46.63 neurons ഉപയോഗിക്കുന്നുമറ്റ് Workers AI മോഡലുകൾ ബജറ്റ് ഉപയോഗിക്കുന്നില്ലെങ്കിൽ, ഏകദേശം ദിവസം 214 ഓഡിയോ മിനിറ്റ്
OVH AI Endpointsകീ ഇല്ലാതെ, ഓരോ IP വിലാസത്തിനും മോഡലിനും മിനിറ്റിൽ 2 അഭ്യർഥനകൾമന്ദഗതിയിലുള്ള ഫോൾബാക്ക്. ബാച്ചുകൾക്ക് ഇത് ഉപയോഗിക്കരുത്
Cohereട്രയൽ കീ: എല്ലാ എൻഡ്‌പോയിന്റുകൾക്കുമായി മാസം 1,000 API കോളുകൾകോളുകൾ ചാറ്റും എംബെഡിംഗുകളുമായി പങ്കിടുന്നു
  • രണ്ടോ അതിലധികമോ ദാതാക്കളിൽ നിന്നുള്ള കീകൾ ചേർക്കുക. Groq 429 പിശക് നൽകുമ്പോൾ, റൂട്ടർ ഫയൽ അടുത്ത ദാതാവിന് അയയ്ക്കുന്നു.
  • വലിയ ഫയലുകൾ അപ്‌ലോഡിന് മുമ്പ് പരിവർത്തനം ചെയ്യുക. Groq പറയുന്നത് അതിന്റെ മോഡലുകൾ ഓഡിയോ 16 kHz മോണോയിലേക്ക് കുറയ്ക്കുന്നു എന്നാണ്. ഫയൽ ചെറുതാക്കാൻ ഇത് നിങ്ങൾ തന്നെ ചെയ്യുക.
  • ഏകദേശം 25 MB-യിൽ കൂടുതലുള്ള ഓഡിയോ ഭാഗങ്ങളായി വിഭജിക്കുക. ഓരോ ഭാഗവും ട്രാൻസ്ക്രൈബ് ചെയ്ത്, പിന്നെ ടെക്സ്റ്റ് ചേർക്കുക.

ffmpeg ഉപയോഗിച്ച് ഫയൽ ചെറുതാക്കുക (16 kHz മോണോ FLAC)

ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a flac interview.flac

പ്രശ്നപരിഹാരം

പ്രശ്നംകാരണംപരിഹാരം
പിശക് 413 file_too_largeഫയൽ 25 MB-യെക്കാൾ വലുതാണ്16 kHz മോണോയിലേക്ക് മാറ്റുക, അല്ലെങ്കിൽ ഫയൽ വിഭജിക്കുക
പിശക് 400 model ആവശ്യമാണ്ഫോമിൽ model ഫീൽഡ് ഇല്ല-F model=auto ചേർക്കുക
പിശക് 400 unsupported_formatനിങ്ങൾ srt ആവശ്യപ്പെട്ടുvtt, json, text അല്ലെങ്കിൽ verbose_json ഉപയോഗിക്കുക
പിശക് 503 no_transcription_modelsട്രാൻസ്ക്രിപ്ഷൻ മോഡൽ ഒന്നും പ്രവർത്തനക്ഷമമല്ലഒരു Groq അല്ലെങ്കിൽ Cloudflare കീ ചേർക്കുക, പിന്നെ കാറ്റലോഗ് സമന്വയത്തിനായി കാത്തിരിക്കുക
പേരുകൾക്ക് തെറ്റായ വാക്കുകൾമോഡലിന് ആ പദങ്ങൾ അറിയില്ലprompt ഫീൽഡിൽ പേരുകൾ അയയ്ക്കുക
ശൂന്യമായ vtt ഔട്ട്പുട്ട്ദാതാവ് VTT നിർമ്മിക്കുന്നില്ലഒരു Cloudflare Whisper മോഡൽ ID ഉറപ്പിക്കുക
ഇവയെല്ലാം ഒരൊറ്റ കീ വഴി ഉപയോഗിക്കുക. FreeLLMAPI ഒരു ഓപ്പൺ-സോഴ്സ്, സ്വയം ഹോസ്റ്റ് ചെയ്യാവുന്ന റൂട്ടറാണ്. ഇത് ഈ സൗജന്യ ടയറുകളെല്ലാം ഒരൊറ്റ OpenAI-അനുയോജ്യ എൻഡ്‌പോയിന്റിനു പിന്നിൽ വയ്ക്കുന്നു. ഒരു മോഡലിന്റെ നിരക്ക് പരിധി എത്തുമ്പോൾ മറ്റൊന്നിലേക്ക് മാറുന്നു. കാറ്റലോഗ് ബ്രൗസ് ചെയ്യുക അല്ലെങ്കിൽ തത്സമയമാക്കുക.

പതിവ് ചോദ്യങ്ങൾ

സൗജന്യ സ്പീച്ച് ടു ടെക്സ്റ്റ് API ഉണ്ടോ?

ഉണ്ട്. Groq, Cloudflare Workers AI, OVH, Mistral, Cohere എന്നിവ പരിധികളോടെ സൗജന്യ ട്രാൻസ്ക്രിപ്ഷൻ നൽകുന്നു. FreeLLMAPI 13 സൗജന്യ മോഡലുകൾ ഒരൊറ്റ OpenAI-അനുയോജ്യ എൻഡ്‌പോയിന്റിന് പിന്നിൽ വയ്ക്കുന്നു.

ഓഡിയോ ഫയലിന്റെ പരമാവധി വലുപ്പം എത്രയാണ്?

FreeLLMAPI 25 MB വരെയുള്ള അപ്‌ലോഡുകൾ സ്വീകരിക്കുന്നു. Groq അതിന്റെ സൗജന്യ ടയറിലും 25 MB അനുവദിക്കുന്നു. ദീർഘമായ ഓഡിയോയ്ക്ക്, അത് 16 kHz മോണോയിലേക്ക് മാറ്റുക അല്ലെങ്കിൽ ഭാഗങ്ങളായി വിഭജിക്കുക.

സൗജന്യ സ്പീച്ച് ടു ടെക്സ്റ്റ് API-യിൽ നിന്ന് സബ്ടൈറ്റിലുകൾ ലഭിക്കുമോ?

ലഭിക്കും. response_format-നെ vtt ആയി സജ്ജമാക്കുക. Cloudflare Whisper മോഡലുകൾ മാത്രമേ VTT സ്വന്തമായി നിർമ്മിക്കുന്നുള്ളൂ. SRT ലഭ്യമല്ല.

സൗജന്യ സ്പീച്ച് ടു ടെക്സ്റ്റ് API OpenAI Python SDK-യോടൊപ്പം പ്രവർത്തിക്കുമോ?

പ്രവർത്തിക്കും. base_url http://localhost:3001/v1 ആയി സജ്ജമാക്കുക, file-ഉം model="auto"-ഉം നൽകി client.audio.transcriptions.create വിളിക്കുക.

അനുബന്ധ ഗൈഡുകൾ

ഉറവിടങ്ങൾ

എല്ലാ ഗൈഡുകളും · എല്ലാ സൗജന്യ മോഡലുകളും കാണുക