मोफत स्पीच टू टेक्स्ट API
स्पीच टू टेक्स्ट API ऑडिओचे मजकुरात रूपांतर करते. Groq, Cloudflare, OVH, Mistral, Cohere आणि इतर प्रदाते मर्यादांसह मोफत ट्रान्स्क्रिप्शन देतात. FreeLLMAPI 13 मोफत ट्रान्स्क्रिप्शन मॉडेल्स एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवते, /v1/audio/transcriptions. एखादा प्रदाता विनंती थांबवतो तेव्हा राउटर पुढच्या प्रदात्याचा प्रयत्न करतो.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
आज मोफत ट्रान्स्क्रिप्शन मॉडेल्स
तक्त्यात FreeLLMAPI कॅटलॉगमधील मोफत ट्रान्स्क्रिप्शन मॉडेल्स आहेत. डेटा थेट कॅटलॉगमधून येतो. "कमाल अपलोड" म्हणजे प्रदाता मोफत टियरवर स्वीकारणारी सर्वात मोठी फाइल, जेव्हा कॅटलॉगला ती माहीत असते.
| मॉडेल | प्रदाता | कमाल अपलोड | मोफत मर्यादा |
|---|---|---|---|
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 कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
बहुतेक नोंदी वेगवेगळ्या प्रदात्यांनी होस्ट केलेली OpenAI ची Whisper मॉडेल्स आहेत. तक्त्यात Cloudflare वरील Deepgram Nova-3, Mistral चे Voxtral, Cohere Transcribe आणि थाई भाषेसाठी Typhoon ASR देखील आहेत. फक्त Whisper मॉडेल्सची तुलना हवी असल्यास Free Whisper API वाचा.
मॉडेल निवडण्यासाठी हा नियम वापरा:
- अनेक भाषांमधील सामान्य ट्रान्स्क्रिप्शन: Whisper Large v3 किंवा Whisper Large v3 Turbo. Turbo जलद आहे. Groq वर Large v3 चा शब्द त्रुटी दर कमी आहे.
- सबटायटल्स: Cloudflare Whisper मॉडेल, कारण ते VTT परत देते.
- अरबी: Cohere Transcribe Arabic. थाई: Typhoon ASR.
- फॉलबॅक: OVH Whisper. त्याला की लागत नाही, पण ते प्रति मिनिट फक्त 2 विनंत्यांना परवानगी देते.
पायरी 1: FreeLLMAPI इन्स्टॉल करा आणि की जोडा
FreeLLMAPI ओपन सोर्स आहे. ते Docker मध्ये तुमच्या संगणकावर चालते. तुमच्या प्रदात्यांच्या की तुमच्या संगणकावरच राहतात.
इन्स्टॉल करा (macOS किंवा Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 वर डॅशबोर्ड उघडा. Keys पेजवर Groq ची की आणि Cloudflare ची की जोडा. दोन्ही प्रदाते मोफत की देतात आणि दोन्ही Whisper पुरवतात. त्याच पेजवरून तुमची एकत्रित की कॉपी करा.
account_id:token या स्वरूपात असते. अकाउंट ID शिवाय टोकन काम करत नाही.पायरी 2: ऑडिओ फाइल पाठवा
एंडपॉइंट OpenAI API प्रमाणेच multipart/form-data अपलोड घेतो. दोन फील्ड आवश्यक आहेत: file आणि model. राउटरला प्रदाता निवडू देण्यासाठी model=auto किंवा model=whisper-1 वापरा.
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)प्रतिसादात X-Provider हेडर आणि X-Model हेडर असतात. हे हेडर दाखवतात की ट्रान्स्क्रिप्ट कोणत्या प्रदात्याने आणि मॉडेलने तयार केले.
पर्याय आणि आउटपुट स्वरूपे
| फील्ड | मूल्ये | टिपा |
|---|---|---|
file | एक ऑडिओ फाइल | आवश्यक. FreeLLMAPI द्वारे प्रत्येक अपलोडसाठी कमाल 25 MB |
model | auto, whisper-1 किंवा मॉडेल ID | आवश्यक. मॉडेल ID एका प्रदाता पंक्तीला निश्चित करते |
response_format | json, text, verbose_json, vtt | डीफॉल्ट json आहे. srt त्रुटी 400 परत करते |
language | भाषा कोड, उदाहरणार्थ en | ऐच्छिक. भाषा माहीत असल्यास सेट करा |
prompt | मजकूर | ऐच्छिक. नावे आणि विशेष शब्द द्या |
temperature | 0 ते 1 | ऐच्छिक. स्थिर आउटपुटसाठी 0 ठेवा |
- verbose_json प्रदाता सेगमेंट परत देतो तेव्हा वेळेसह सेगमेंट देते. प्रदात्याकडे सेगमेंट नसल्यास तुम्हाला साधा JSON आकार मिळतो.
- vtt सबटायटल्स फक्त ती मूळतः तयार करणाऱ्या प्रदात्यांकडून येतात. कॅटलॉगमध्ये, हे Cloudflare Whisper मॉडेल्स आहेत.
- srt नाकारले जाते. कोणताही कॉन्फिगर केलेला प्रदाता SRT मूळतः तयार करत नाही, आणि गेटवे ते रूपांतरित करत नाही.
मोफत मर्यादा आणि त्यात राहण्याचे मार्ग
मोफत ट्रान्स्क्रिप्शन मर्यादा वेगवेगळी एकके वापरतात. काही प्रदाते विनंत्या मोजतात. इतर ऑडिओ वेळ किंवा दैनंदिन संगणन बजेट मोजतात.
| प्रदाता | मोफत मर्यादा (अधिकृत) | तुमच्यासाठी त्याचा अर्थ |
|---|---|---|
| Groq | मोफत टियरवर प्रत्येक फाइलसाठी 25 MB. 10 सेकंदांखालील विनंत्या 10 सेकंद म्हणून बिल केल्या जातात | जलद. लहान आणि मध्यम फाइलसाठी चांगली पहिली निवड |
| Cloudflare Workers AI | दररोज 10,000 neurons. Whisper Large v3 Turbo प्रत्येक ऑडिओ मिनिटाला 46.63 neurons वापरते | दररोज सुमारे 214 ऑडिओ मिनिटे, जर इतर Workers AI मॉडेल बजेट वापरत नसतील तर |
| OVH AI Endpoints | प्रत्येक IP पत्ता आणि मॉडेलसाठी प्रति मिनिट 2 विनंत्या, की शिवाय | संथ फॉलबॅक. बॅचसाठी वापरू नका |
| Cohere | ट्रायल की: सर्व एंडपॉइंटसाठी दर महिन्याला 1,000 API कॉल | कॉल चॅट आणि एम्बेडिंगसोबत शेअर होतात |
- दोन किंवा अधिक प्रदात्यांच्या की जोडा. Groq 429 त्रुटी पाठवतो तेव्हा राउटर फाइल पुढच्या प्रदात्याकडे पाठवतो.
- मोठ्या फाइल अपलोड करण्यापूर्वी रूपांतरित करा. Groq सांगते की त्यांची मॉडेल्स ऑडिओला 16 kHz mono मध्ये खाली आणतात. फाइल लहान करण्यासाठी हे स्वतः करा.
- सुमारे 25 MB पेक्षा मोठ्या ऑडिओचे भाग करा. प्रत्येक भाग ट्रान्स्क्राइब करा, मग मजकूर जोडा.
ffmpeg ने फाइल लहान करा (16 kHz mono FLAC)
ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a flac interview.flacसमस्या निवारण
| समस्या | कारण | उपाय |
|---|---|---|
त्रुटी 413 file_too_large | फाइल 25 MB पेक्षा मोठी आहे | 16 kHz mono मध्ये रूपांतरित करा, किंवा फाइलचे भाग करा |
त्रुटी 400 model आवश्यक आहे | फॉर्ममध्ये model फील्ड नाही | -F model=auto जोडा |
त्रुटी 400 unsupported_format | तुम्ही srt मागितले | vtt, json, text किंवा verbose_json वापरा |
त्रुटी 503 no_transcription_models | कोणतेही ट्रान्स्क्रिप्शन मॉडेल सक्षम नाही | Groq किंवा Cloudflare ची की जोडा, मग कॅटलॉग सिंक होण्याची वाट पहा |
| नावांसाठी चुकीचे शब्द | मॉडेलला शब्द माहीत नाहीत | नावे prompt फील्डमध्ये पाठवा |
रिकामे vtt आउटपुट | प्रदाता VTT तयार करत नाही | Cloudflare Whisper मॉडेल ID निश्चित करा |
वारंवार विचारले जाणारे प्रश्न
मोफत स्पीच टू टेक्स्ट API आहे का?
होय. Groq, Cloudflare Workers AI, OVH, Mistral आणि Cohere मर्यादांसह मोफत ट्रान्स्क्रिप्शन देतात. FreeLLMAPI 13 मोफत मॉडेल्स एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवते.
ऑडिओ फाइलचा कमाल आकार किती आहे?
FreeLLMAPI 25 MB पर्यंतचे अपलोड स्वीकारते. Groq त्याच्या मोफत टियरवर देखील 25 MB परवानगी देते. लांब ऑडिओसाठी ते 16 kHz mono मध्ये रूपांतरित करा किंवा भागांमध्ये विभागा.
मोफत स्पीच टू टेक्स्ट API वरून सबटायटल्स मिळू शकतात का?
होय. response_format ला vtt सेट करा. फक्त Cloudflare Whisper मॉडेल्स VTT मूळतः तयार करतात. SRT उपलब्ध नाही.
मोफत स्पीच टू टेक्स्ट API OpenAI Python SDK सोबत काम करते का?
होय. base_url ला http://localhost:3001/v1 सेट करा आणि file आणि model="auto" सह client.audio.transcriptions.create कॉल करा.
संबंधित मार्गदर्शक
स्रोत
- FreeLLMAPI README: supported endpoints (तपासले 20 November 2026)
- Groq docs: Speech to text (तपासले 20 November 2026)
- Cloudflare Workers AI pricing (तपासले 20 November 2026)
- Cloudflare Workers AI: whisper-large-v3-turbo (तपासले 20 November 2026)
- OVHcloud AI Endpoints capabilities (तपासले 20 November 2026)
- Cohere docs: rate limits (तपासले 20 November 2026)