मोफत Whisper API
Whisper हे OpenAI चे खुले भाषण ओळख मॉडेल आहे. तुम्ही ते Groq, Cloudflare Workers AI आणि OVH AI Endpoints वर मोफत चालवू शकता, प्रत्येकाच्या स्वतःच्या मर्यादांसह. FreeLLMAPI हे Whisper होस्ट एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवते. तुमचा कोड /v1/audio/transcriptions ला कॉल करतो, आणि एक होस्ट मर्यादेवर पोहोचल्यास राउटर पुढील होस्टकडे जातो.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
Whisper कुठे मोफत आहे
तक्त्यात FreeLLMAPI कॅटलॉगमधील सर्व मोफत ट्रान्सक्रिप्शन मॉडेल्स थेट कॅटलॉगमधून दाखवली आहेत. Whisper च्या ओळी त्या आहेत ज्यांच्या मॉडेल ID मध्ये whisper आहे.
| 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.
| होस्ट | Whisper मॉडेल्स | मोफत मर्यादा (अधिकृत) | सर्वोत्तम वापर |
|---|---|---|---|
| Groq | Whisper Large v3, Whisper Large v3 Turbo | मोफत टियरवर प्रत्येक फाइलसाठी 25 MB. 10 सेकंदांपेक्षा कमी ऑडिओ 10 सेकंद मोजला जातो | वेग आणि अचूकता |
| Cloudflare Workers AI | Whisper Large v3 Turbo, Whisper, Whisper Tiny English मॉडेल्स | दररोज 10,000 न्यूरॉन्स. Large v3 Turbo प्रत्येक ऑडिओ मिनिटाला 46.63 न्यूरॉन्स वापरते | VTT उपशीर्षके, दररोज सुमारे 214 ऑडिओ मिनिटे |
| OVH AI Endpoints | Whisper Large v3, Whisper Large v3 Turbo | प्रति IP पत्ता आणि मॉडेल प्रति मिनिट 2 विनंत्या, कीशिवाय | साइन-अप शिवाय फॉलबॅक |
Groq आणि Cloudflare च्या की एकत्र जोडा. Groq 429 त्रुटी पाठवतो तेव्हा राउटर तीच फाइल साखळीतील पुढील होस्टकडे पाठवतो. OVH हा चांगला शेवटचा फॉलबॅक आहे, कारण त्याची अनामिक मर्यादा कमी आहे. प्रत्येक होस्टच्या मोफत मर्यादा वेगळ्या आहेत, त्यामुळे प्रत्येक अतिरिक्त की क्षमता वाढवते.
Whisper Large v3 की Large v3 Turbo?
Groq दोन्ही मॉडेल्ससाठी शब्द त्रुटी दर (WER) प्रकाशित करते. कमी WER म्हणजे चुकीचे शब्द कमी.
| मॉडेल | Groq वर WER | Groq वर भाषांतर | कधी निवडा |
|---|---|---|---|
whisper-large-v3 | 10.3% | होय | अचूकता सर्वात महत्त्वाची असते, उदाहरणार्थ नावे, संख्या आणि उच्चार |
whisper-large-v3-turbo | 12% | नाही | स्पष्ट भाषणासाठी जलद निकाल हवे असतात |
Cloudflare वरील Whisper Tiny English लहान आहे आणि फक्त इंग्रजीला समर्थन देते. ते फक्त लहान, स्पष्ट इंग्रजी ऑडिओसाठी वापरा. दोन्ही मोठी मॉडेल्स बहुभाषिक आहेत.
/v1/audio/transcriptions आहे. /v1/audio/translations एंडपॉइंट नाही. इतर भाषांमधून इंग्रजी मिळवण्यासाठी आधी ट्रान्सक्राइब करा, मग चॅट मॉडेलने मजकूर भाषांतरित करा.पायरी 1: FreeLLMAPI इन्स्टॉल करा आणि की जोडा
FreeLLMAPI ओपन सोर्स आहे. ते तुमच्या संगणकावर Docker मध्ये 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. Cloudflare ची की account_id:token या स्वरूपात असते. OVH Whisper ला कोणतीही की लागत नाही. त्याच पेजवरून तुमची एकत्रित की कॉपी करा.
पायरी 2: Whisper ने ट्रान्सक्राइब करा
फाइल multipart/form-data म्हणून पाठवा. राउटरला निवड करू देण्यासाठी model=auto किंवा model=whisper-1 वापरा. एक मॉडेल निश्चित करण्यासाठी त्याची ID पाठवा. whisper-large-v3-turbo ही ID Groq आणि OVH वरील ओळींशी जुळते, त्यामुळे फेलओव्हर त्याच मॉडेलवर राहतो.
curl: Whisper Large v3 Turbo निश्चित करा
curl http://localhost:3001/v1/audio/transcriptions \
-H "Authorization: Bearer <unified-key>" \
-F [email protected] \
-F model=whisper-large-v3-turbo \
-F response_format=verbose_jsonPython: Cloudflare Whisper वरून उपशीर्षके
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
with open("lecture.mp3", "rb") as audio:
vtt = client.audio.transcriptions.create(
model="@cf/openai/whisper-large-v3-turbo", # Cloudflare makes VTT natively
file=audio,
response_format="vtt",
)
open("lecture.vtt", "w", encoding="utf-8").write(vtt)लांब रेकॉर्डिंग: संकुचित करा आणि विभागा
FreeLLMAPI आणि Groq चा मोफत टियर दोन्ही एका अपलोडमध्ये जास्तीत जास्त 25 MB स्वीकारतात. Groq सांगते की Whisper ऑडिओ 16 kHz मोनोमध्ये खाली आणते. अपलोडपूर्वी हे करा, म्हणजे फाइल खूप लहान होते. लांब रेकॉर्डिंगसाठी ऑडिओ भागांमध्ये विभागा.
ffmpeg: 10 मिनिटांचे 16 kHz मोनो FLAC भाग
ffmpeg -i podcast.mp3 -ar 16000 -ac 1 -c:a flac -f segment -segment_time 600 part%03d.flacPython: भाग क्रमाने ट्रान्सक्राइब करा
import glob
from openai import OpenAI
client = OpenAI(base_url="http://localhost:3001/v1", api_key="<unified-key>")
texts = []
for path in sorted(glob.glob("part*.flac")):
with open(path, "rb") as audio:
extra = {"prompt": texts[-1][-200:]} if texts else {} # end of the previous part
r = client.audio.transcriptions.create(model="auto", file=audio, **extra)
texts.append(r.text)
print("\n".join(texts))दोन भागांच्या सीमेवर एखादा शब्द कापला जाऊ शकतो. अचूक निकालांसाठी Groq भागांमध्ये थोडे ओव्हरलॅप सुचवते. अपलोडपूर्वी प्रत्येक भागाचा आकार तपासा, कारण काही ऑडिओ चांगले संकुचित होत नाहीत.
Whisper ट्रान्सक्रिप्ट सुधारा
- भाषा सेट करा:
languageपाठवा, आणि त्यासोबतen,deकिंवाurसारखा कोड द्या. मग Whisper ला भाषा शोधावी लागत नाही. - प्रॉम्प्ट वापरा: नावे, उत्पादनांची नावे आणि विशेष शब्द
promptमध्ये पाठवा. Whisper ते स्पेलिंगसाठी संदर्भ म्हणून वापरते. - temperature 0 ठेवा: जास्त मूल्य अधिक विविध मजकूर देते, जे ट्रान्सक्रिप्टसाठी क्वचितच उपयोगी असते.
- ऑडिओ स्वच्छ करा: संगीत आणि लांब शांतता काढा. मायक्रोफोनच्या जवळ भाषण रेकॉर्ड करा.
- टाइमस्टॅम्प मिळवा:
response_format=verbose_jsonवापरा. प्रदाता सेगमेंट परत करतो तेव्हा प्रत्येकाला सुरुवात आणि शेवटची वेळ असते. सेगमेंट नसल्यास, फक्त मजकूर असलेले साधे JSON मिळते. - होस्ट तपासा:
X-ProviderआणिX-Modelप्रतिसाद हेडर दाखवतात की कोणत्या होस्ट आणि मॉडेलने ट्रान्सक्रिप्ट तयार केले. गुणवत्तेची तुलना करताना त्या नोंदवा.
समस्या निवारण
| समस्या | कारण | उपाय |
|---|---|---|
त्रुटी 413 file_too_large | अपलोड 25 MB पेक्षा मोठे आहे | 16 kHz मोनो FLAC मध्ये रूपांतरित करा, किंवा फाइल विभागा |
| शब्द पुनरावृत्त होतात, किंवा शांततेत मजकूर दिसतो | लांब शांत भागांमध्ये Whisper न बोललेला मजकूर लिहू शकते | अपलोडपूर्वी लांब शांतता कापा |
| नावांचे स्पेलिंग चुकते | Whisper ला नावे माहीत नाहीत | नावे prompt फील्डमध्ये पाठवा |
| OVH कडून त्रुटी 429 | अनामिक मर्यादा प्रति मिनिट 2 विनंत्या आहे | Groq किंवा Cloudflare ची की जोडा |
srt वर त्रुटी 400 | कोणताही प्रदाता SRT तयार करत नाही | Cloudflare Whisper मॉडेलसह vtt वापरा |
वारंवार विचारले जाणारे प्रश्न
मोफत Whisper API आहे का?
होय. Groq, Cloudflare Workers AI आणि OVH AI Endpoints मर्यादांसह Whisper मोफत चालवतात. FreeLLMAPI त्यांना फेलओव्हरसह एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवते.
मोफत Whisper API ची फाइल आकार मर्यादा किती आहे?
Groq त्याच्या मोफत टियरवर प्रत्येक फाइलसाठी 25 MB देते, आणि FreeLLMAPI 25 MB पर्यंत अपलोड स्वीकारते. लांब रेकॉर्डिंगसाठी ऑडिओ 16 kHz मोनोमध्ये रूपांतरित करा किंवा विभागा.
Whisper Large v3 Turbo हे Whisper Large v3 इतके अचूक आहे का?
पूर्ण नाही. Groq Turbo साठी शब्द त्रुटी दर 12% आणि Large v3 साठी 10.3% सूचीबद्ध करते. Turbo जलद आहे आणि सशुल्क योजनांवर कमी खर्च करते.
मोफत Whisper API ऑडिओचे इंग्रजीमध्ये भाषांतर करू शकते का?
FreeLLMAPI कडे भाषांतर एंडपॉइंट नाही. आधी ऑडिओ ट्रान्सक्राइब करा, मग मोफत चॅट मॉडेलने मजकूर भाषांतरित करा.
OpenAI Python SDK मोफत Whisper API सोबत चालते का?
होय. base_url http://localhost:3001/v1 सेट करा, मग model="auto" किंवा Whisper मॉडेल ID सह client.audio.transcriptions.create कॉल करा.
संबंधित मार्गदर्शक
- मोफत स्पीच टू टेक्स्ट API
- मोफत टेक्स्ट टू स्पीच API
- free groq api
- free cloudflare api
- OVH AI Endpoints मोफत API
- LLM सह मोफत अनुवाद API
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)