LLM सह मोफत अनुवाद API
मोठी भाषा मॉडेल्स अनेक भाषांमध्ये चांगले अनुवाद करतात, आणि अनेक प्रोव्हायडर ती मोफत देतात. काही मोफत मॉडेल्स अनुवादासाठीच बनवलेली असतात, उदाहरणार्थ Cohere Command A Translate. हे मार्गदर्शक अनुवादासाठीची मोफत मॉडेल्स, बॅचमध्ये अनुवाद करणारा Python कोड आणि नियोजन करण्याच्या मर्यादा दाखवते. सर्व विनंत्या FreeLLMAPI मधून जातात, जे एका OpenAI-सुसंगत कीमागे 45 मोफत प्रोव्हायडर टियर एकत्र करते.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
अनुवादासाठी मोफत मॉडेल्स
काही मोफत मॉडेल्स अनेक भाषांसाठी किंवा एका भाषा प्रदेशासाठी प्रशिक्षित केलेली असतात. तक्त्यात आजच्या मोफत कॅटलॉगमधील बहुभाषिक आणि अनुवाद मॉडेल्स दाखवली आहेत.
| मॉडेल | मोफत उपलब्ध | संदर्भ | मोफत मर्यादा (सर्वोत्तम ऑफर) | साधने | व्हिजन |
|---|---|---|---|---|---|
| Typhoon 2.5 30B A3B Instruct | Typhoon | 131K | Ongoing free research API (shared rate limits) | होय | नाही |
| Qwen SEA-LION v4.5 27B | SEA-LION | 33K | 10 विनंत्या/मिनिट 10 RPM | नाही | नाही |
| Nemotron 3 Super 120B | SEA-LION | - | 10 विनंत्या/मिनिट 10 RPM | होय | नाही |
| Qwen SEA-LION v4 32B | SEA-LION | 33K | 10 विनंत्या/मिनिट 10 RPM | नाही | नाही |
| Llama SEA-LION v3 70B | SEA-LION | 131K | 10 विनंत्या/मिनिट 10 RPM | नाही | नाही |
| Gemma SEA-LION v4 27B | Cloudflare Workers AI, SEA-LION | 131K | 10 विनंत्या/मिनिट 10 RPM | नाही | नाही |
| Command A Translate | Cohere | 256K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस ~1-2M | होय | नाही |
| Tiny Aya Global | Cohere | 8K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस 1K calls/mo shared | नाही | नाही |
| North Small Translate | Cohere | 33K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस ~1-2M | नाही | नाही |
| Tiny Aya Earth | Cohere | 8K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस 1K calls/mo shared | नाही | नाही |
| Tiny Aya Fire | Cohere | 8K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस 1K calls/mo shared | नाही | नाही |
| Tiny Aya Water | Cohere | 8K | 20 विनंत्या/मिनिट 33 विनंत्या/दिवस 1K calls/mo shared | नाही | नाही |
जुळणाऱ्या 16 मोफत मॉडेलपैकी 12 दाखवले जात आहेत. सर्व मॉडेल पहा.
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
| मॉडेल कुटुंब | कशासाठी बनवले | स्रोत |
|---|---|---|
| Command A Translate (Cohere) | 23 भाषांमध्ये अनुवाद, ज्यात Arabic, Chinese, Hindi, Japanese, Persian आणि Ukrainian यांचा समावेश आहे | Cohere changelog, 28 ऑगस्ट 2025 |
| Aya Expanse (Cohere) | 23 भाषांमध्ये बहुभाषिक चॅट | Cohere docs |
| SEA-LION (AI Singapore) | दक्षिण-पूर्व आशियाई भाषा, 11 किंवा अधिक | sea-lion.ai |
| Typhoon | Thai | opentyphoon.ai |
सर्वसाधारण मॉडेल्सही चांगले अनुवाद करतात, मुख्यतः मोठ्या भाषांमध्ये. आज सर्वात मजबूत मोफत सर्वसाधारण मॉडेल्स ही आहेत:
| मॉडेल | मोफत उपलब्ध | संदर्भ | मोफत मर्यादा (सर्वोत्तम ऑफर) | साधने | व्हिजन |
|---|---|---|---|---|---|
| GLM 5.3 | APINex, UnoRouter | 1M | 5 विनंत्या/मिनिट 10M weighted tokens/day shared across APINex free routes; 4x token multiplier; 5 requests/minute/account | होय | नाही |
| GLM 5.3 Flash | APINex, BlazeAPI, NVIDIA NIM +1 अधिक | 1M | 40 विनंत्या/मिनिट 40 RPM | होय | होय |
| Gemini 3.8 Flash | APINex, Google AI Studio | 1M | 5 विनंत्या/मिनिट 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | होय | होय |
| Qwen3.8 Flash Next | AMD Radeon Cloud, BlazeAPI, ElectronHub | 262K | Recurring daily account allowance | होय | नाही |
| Qwen3.8 Flash | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
| Deepseek V4.1 Flash | APINex | 1M | 5 विनंत्या/मिनिट 10M weighted tokens/day shared across APINex free routes; 3x token multiplier; 5 requests/minute/account | नाही | नाही |
| Gemini 3.7 Flash | Google AI Studio | 1M | 10 विनंत्या/मिनिट 20 विनंत्या/दिवस 250,000 टोकन/मिनिट ~3M | होय | होय |
| GPT-5.6 Luna | ElectronHub | 1M | $0.25/week shared recurring credit | होय | होय |
जुळणाऱ्या 184 मोफत मॉडेलपैकी 8 दाखवले जात आहेत. सर्व मॉडेल पहा.
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
प्रत्येक मॉडेलची तुमच्या स्वतःच्या मजकुरासह आणि भाषा जोड्यांसह चाचणी करा. जोड्यांनुसार गुणवत्ता खूप बदलते. इंग्रजी ते स्पॅनिशसाठी चांगले असलेले मॉडेल Thai ते Vietnamese साठी कमकुवत असू शकते.
गेटवे सेट करा
FreeLLMAPI इन्स्टॉल करा, डॅशबोर्डच्या Keys पृष्ठावर तुमच्या मोफत प्रोव्हायडर की जोडा आणि एकत्रित की कॉपी करा. वरील अनुवाद मॉडेल्ससाठी Cohere, SEA-LION किंवा NVIDIA ची की जोडा. सर्वसाधारण मॉडेल्ससाठी Google, Groq किंवा Mistral च्या की जोडा.
एक अनुवाद इन्स्टॉल करा आणि तपासा
curl -fsSL https://freellmapi.co/install.sh | bash
curl http://localhost:3001/v1/chat/completions \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{
"model": "command-a-translate-08-2025",
"temperature": 0,
"messages": [
{"role": "system", "content": "Translate the user text into German. Return only the translation."},
{"role": "user", "content": "Your order has shipped."}
]
}'निश्चित मॉडेल ID प्रत्येक वेळी एकसारखी अनुवाद शैली देतो. ते मॉडेल त्याच्या मोफत मर्यादेवर पोहोचल्यावर विनंती अयशस्वी होते, जोपर्यंत तेच मॉडेल दुसऱ्या प्रोव्हायडरवर मोफत नाही. इतर मॉडेल्सवर सुरू ठेवण्यासाठी, फॉलबॅक साखळी प्रोफाइल तयार करा, उदाहरणार्थ translate, आणि त्यात तुमची निवडलेली मॉडेल्स क्रमाने ठेवा. मग मॉडेल म्हणून auto:translate वापरा.
Python सह बॅचमध्ये अनुवाद करा
प्रत्येक स्ट्रिंगसाठी एक विनंती तुमची विनंती मर्यादा लवकर संपवते. 20 ते 50 लहान स्ट्रिंग एकाच विनंतीत JSON यादी म्हणून पाठवा. कोड तपासतो की उत्तरात तेवढ्याच संख्येचे आयटम आणि तेच प्लेसहोल्डर आहेत. तपासणी अयशस्वी झाल्यास, कोड स्ट्रिंग एकेक करून अनुवादित करतो.
translate.py
import json
import os
import re
import time
import openai
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:3001/v1",
api_key=os.environ["FREELLMAPI_API_KEY"],
max_retries=3,
timeout=90,
)
MODEL = "auto:translate" # a profile with your translation models
PLACEHOLDER = re.compile(r"\{[^}]+\}|%\w|<[^>]+>") # {name}, %s, <b>
SYSTEM = (
"You are a professional translator. Translate each string into {lang}. "
"Keep placeholders such as {{name}}, %s and HTML tags exactly as they are. "
"Use this glossary: {glossary}. "
"Return only a JSON array of strings, in the same order and with the same length."
)
def chat(messages):
for attempt in range(6):
try:
resp = client.chat.completions.create(model=MODEL, messages=messages, temperature=0)
return resp.choices[0].message.content or ""
except openai.RateLimitError as err:
header = err.response.headers.get("retry-after", "")
time.sleep(min(int(header) if header.isdigit() else 2 ** attempt, 120))
raise RuntimeError("Rate limited on every provider")
def same_placeholders(src: str, dst: str) -> bool:
return sorted(PLACEHOLDER.findall(src)) == sorted(PLACEHOLDER.findall(dst))
def parse_list(text: str):
text = text.strip().removeprefix("```json").removeprefix("```").removesuffix("```")
return json.loads(text)
def translate_batch(strings, lang, glossary="none"):
system = SYSTEM.format(lang=lang, glossary=glossary)
try:
out = parse_list(chat([
{"role": "system", "content": system},
{"role": "user", "content": json.dumps(strings, ensure_ascii=False)},
]))
if len(out) == len(strings) and all(same_placeholders(s, d) for s, d in zip(strings, out)):
return out
except (json.JSONDecodeError, TypeError):
pass
# Fallback: one string per request
return [translate_one(s, system) for s in strings]
def translate_one(s, system):
text = chat([
{"role": "system", "content": system},
{"role": "user", "content": json.dumps([s], ensure_ascii=False)},
])
try:
return str(parse_list(text)[0])
except (json.JSONDecodeError, TypeError, IndexError, KeyError):
return text.strip() # keep the raw answer; review it later
def translate_all(strings, lang, size=30, glossary="none"):
result = []
for i in range(0, len(strings), size):
result.extend(translate_batch(strings[i:i + size], lang, glossary))
return result
if __name__ == "__main__":
ui = ["Welcome back, {name}!", "You have %s new messages.", "<b>Save</b> your changes"]
print(translate_all(ui, "French", glossary="messages = messages; Save = Enregistrer"))अनुवादासाठी temperature=0 वापरा. त्यामुळे आउटपुट रनांमध्ये अधिक स्थिर राहते. अनुवाद फाइल किंवा डेटाबेसमध्ये सेव्ह करा, आणि फक्त नवीन किंवा बदललेल्या स्ट्रिंगचा अनुवाद करा.
शब्दकोश, शैली आणि लांब दस्तऐवज
- शब्दकोश: सिस्टम मेसेजमध्ये उत्पादनांची नावे आणि निश्चित शब्द यादी करा. मॉडेलला कोणते शब्द अनुवादित करू नयेत ते सांगा.
- शैली: भाषाशैली सांगा, उदाहरणार्थ जर्मनमध्ये औपचारिक "Sie" किंवा फ्रेंचमध्ये अनौपचारिक "tu".
- संदर्भ: मजकूर कुठे दिसेल ते एका ओळीत जोडा, उदाहरणार्थ "banking app मधील बटण लेबल्स". संदर्भाशिवाय लहान स्ट्रिंग अनेकदा अस्पष्ट असतात.
- लांब दस्तऐवज: परिच्छेदांच्या सीमेवर विभाजित करा. प्रत्येक भाग मागील परिच्छेद संदर्भ म्हणून पाठवा, आणि फक्त नवीन भाग अनुवादित करा.
- एका दस्तऐवजासाठी एकच मॉडेल: दस्तऐवज ID सह
X-Session-Idहेडर पाठवा. FreeLLMAPI एक सत्र 30 मिनिटांसाठी एकाच मॉडेलवर ठेवते, त्यामुळे संज्ञा सारख्या राहतात.
FreeLLMAPI मध्ये एकसारख्या विनंत्यांसाठी ऐच्छिक रिस्पॉन्स कॅशे आहे. कॅशे हिट झाल्यास प्रोव्हायडर कोटा वापरला जात नाही. X-FreeLLM-Cache हेडरने तुम्ही एका विनंतीसाठी ते चालू किंवा बंद करू शकता. temperature=0 सह, तीच स्ट्रिंग आणि तीच सूचना एकच विनंती देतात, त्यामुळे पुनरावृत्ती होणाऱ्या स्ट्रिंग कॅशेमधून येतात.
गुणवत्ता आपोआप तपासा
साधी तपासणी बहुतेक चुकीचे अनुवाद व्यक्ती वाचण्यापूर्वी शोधते. प्रत्येक बॅचनंतर त्या चालवा आणि फक्त अयशस्वी स्ट्रिंग पुनरावलोकन यादीत पाठवा.
- प्लेसहोल्डर: अनुवादात स्रोतासारखेच प्लेसहोल्डर आणि टॅग असले पाहिजेत. वरील कोड हे आधीच तपासतो.
- लांबी: स्रोताच्या लांबीच्या एक तृतीयांशपेक्षा कमी किंवा तिप्पटपेक्षा जास्त असलेला अनुवाद अनेकदा चुकीचा असतो.
- अनुवादित न झालेला मजकूर: आउटपुट इनपुटसारखेच असल्यास, मॉडेलने त्याचा अनुवाद केलेला नाही.
- परत-अनुवाद: महत्त्वाच्या मजकुरासाठी, निकाल वेगळ्या मॉडेलसह स्रोत भाषेत परत अनुवादित करा. शब्द नव्हे, अर्थ तुलना करा.
पुनरावलोकनासाठी स्ट्रिंग शोधा
def needs_review(src: str, dst: str) -> bool:
ratio = len(dst) / max(len(src), 1)
return (
not same_placeholders(src, dst)
or dst.strip() == src.strip()
or ratio < 0.33
or ratio > 3.0
)
review = [(s, d) for s, d in zip(ui, translated) if needs_review(s, d)]परत-अनुवादासाठी, तुमच्या अनुवाद प्रोफाइलमध्ये नसलेला निश्चित मॉडेल ID पिन करा. वेगळे मॉडेल पहिल्या मॉडेलच्या चुका पुन्हा करण्याची शक्यता कमी असते.
मर्यादा आणि प्रामाणिक तडजोडी
मोफत टियर अॅप स्ट्रिंग, सपोर्ट उत्तरे, अंतर्गत दस्तऐवज आणि चाचण्यांसाठी चांगले आहेत. या मर्यादांचे नियोजन करा:
| मर्यादा | अनुवादावर परिणाम | काय करावे |
|---|---|---|
| प्रति मिनिट आणि प्रति दिवस विनंत्या | मोठी फाइल संपूर्ण दैनिक कोटा वापरू शकते | प्रति विनंती 20 ते 50 स्ट्रिंग बॅच करा. अधिक प्रोव्हायडरच्या की जोडा. |
| विशेष मॉडेल्सवर कमी दैनिक मर्यादा | काही अनुवाद मॉडेल्स दिवसाला कमी विनंत्यांना परवानगी देतात | त्यांना प्रोफाइलमध्ये पहिले ठेवा, त्यानंतर सर्वसाधारण मॉडेल्स ठेवा |
| failover नंतर वेगळी मॉडेल्स | बॅचनुसार शैली आणि संज्ञा बदलू शकतात | शब्दकोश आणि X-Session-Id हेडर वापरा |
| SLA नाही | दिवसभर विलंब बदलतो | निश्चित वेळेत उत्तर द्यावे लागणाऱ्या रिअल-टाइम अनुवादासाठी मोफत टियर वापरू नका |
| डेटा अटी | काही मोफत टियर मॉडेल्स प्रशिक्षित करण्यासाठी प्रॉम्प्ट वापरू शकतात | त्या प्रोव्हायडरकडे गोपनीय मजकूर पाठवू नका |
मशीन अनुवाद चुकीचा असू शकतो. प्रकाशित करण्यापूर्वी कायदेशीर, वैद्यकीय आणि मार्केटिंग मजकुराचे मूळ भाषिकाकडून पुनरावलोकन करून घ्या. साखळीतील प्रत्येक की तिच्या मर्यादेवर असताना, गेटवे Retry-After हेडरसह 429 परत करतो. वरील कोड थांबतो आणि पुन्हा प्रयत्न करतो.
वारंवार विचारले जाणारे प्रश्न
LLM वर आधारित मोफत अनुवाद API आहे का?
हो. अनेक प्रोव्हायडर बहुभाषिक LLM मोफत देतात, ज्यात Cohere Command A Translate सारखी अनुवाद मॉडेल्स आहेत. FreeLLMAPI ती एका OpenAI-सुसंगत कीद्वारे पुरवते.
अनुवादासाठी कोणते मोफत LLM सर्वोत्तम आहे?
ते भाषा जोडीवर अवलंबून आहे. Command A Translate 23 भाषा कव्हर करते, SEA-LION दक्षिण-पूर्व आशियाई भाषांसाठी आणि Typhoon Thai साठी बनवले आहे. तुमच्या स्वतःच्या मजकुरासह चाचणी करा.
रेट लिमिट न गाठता अनेक स्ट्रिंगचा अनुवाद कसा करायचा?
एका विनंतीत 20 ते 50 स्ट्रिंग JSON यादी म्हणून पाठवा, temperature 0 वापरा, निकाल कॅशे करा आणि अधिक प्रोव्हायडरच्या की जोडा.
LLM अनुवादांमध्ये प्लेसहोल्डर आणि HTML टॅग कसे ठेवायचे?
मॉडेलला ते अचूक ठेवण्यास सांगा, मग प्रत्येक अनुवाद तपासा. प्लेसहोल्डर जुळले नाहीत, तर ती स्ट्रिंग पुन्हा किंवा एकटी अनुवादित करा.
उत्पादनासाठी मोफत LLM अनुवाद पुरेसा आहे का?
अॅप स्ट्रिंग आणि अंतर्गत मजकुरासाठी, शब्दकोश आणि तपासण्या असल्यास, बहुतेक वेळा हो. कायदेशीर, वैद्यकीय आणि मार्केटिंग मजकुराचे मूळ भाषिकाकडून पुनरावलोकन करून घ्या.
संबंधित मार्गदर्शक
- Python मध्ये मोफत LLM API
- मोफत LLM API तुमच्या डेटावर प्रशिक्षण घेतात का?
- मोफत LLM API रेट मर्यादा
- मोफत OpenAI-सुसंगत API बेस URL
- व्यावसायिक वापरासाठी मोफत LLM API
स्रोत
- Cohere changelog: Command A Translate (23 languages) (तपासले 20 November 2026)
- Cohere docs: Aya (Aya Expanse, 23 languages) (तपासले 20 November 2026)
- AI Singapore: SEA-LION (तपासले 20 November 2026)
- Typhoon: Thai language models (तपासले 20 November 2026)
- FreeLLMAPI docs: REST API (routing profiles, response cache header) (तपासले 20 November 2026)