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.

मॉडेलप्रदाताकमाल अपलोडमोफत मर्यादा
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 कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.

अधिकृत मर्यादा, 20 नोव्हेंबर 2026 रोजी तपासल्या
होस्टWhisper मॉडेल्समोफत मर्यादा (अधिकृत)सर्वोत्तम वापर
GroqWhisper Large v3, Whisper Large v3 Turboमोफत टियरवर प्रत्येक फाइलसाठी 25 MB. 10 सेकंदांपेक्षा कमी ऑडिओ 10 सेकंद मोजला जातोवेग आणि अचूकता
Cloudflare Workers AIWhisper Large v3 Turbo, Whisper, Whisper Tiny English मॉडेल्सदररोज 10,000 न्यूरॉन्स. Large v3 Turbo प्रत्येक ऑडिओ मिनिटाला 46.63 न्यूरॉन्स वापरतेVTT उपशीर्षके, दररोज सुमारे 214 ऑडिओ मिनिटे
OVH AI EndpointsWhisper Large v3, Whisper Large v3 Turboप्रति IP पत्ता आणि मॉडेल प्रति मिनिट 2 विनंत्या, कीशिवायसाइन-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.

मॉडेलGroq वर WERGroq वर भाषांतरकधी निवडा
whisper-large-v310.3%होयअचूकता सर्वात महत्त्वाची असते, उदाहरणार्थ नावे, संख्या आणि उच्चार
whisper-large-v3-turbo12%नाहीस्पष्ट 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.

भाषांतर: FreeLLMAPI दस्तऐवजात फक्त /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 | bash

http://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_json

Python: 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.flac

Python: 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: language पाठवा, आणि त्यासोबत en, de किंवा ur सारखा कोड द्या. मग Whisper ला भाषा शोधावी लागत नाही.
  • प्रॉम्प्ट वापरा: नावे, उत्पादनांची नावे आणि विशेष शब्द prompt मध्ये 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_json वापरा. प्रदाता सेगमेंट परत करतो तेव्हा प्रत्येकाला सुरुवात आणि शेवटची वेळ असते. सेगमेंट नसल्यास, फक्त मजकूर असलेले साधे JSON मिळते.
  • होस्ट तपासा: X-Provider आणि X-Model प्रतिसाद हेडर दाखवतात की कोणत्या होस्ट आणि मॉडेलने ट्रान्सक्रिप्ट तयार केले. गुणवत्तेची तुलना करताना त्या नोंदवा.

समस्या निवारण

समस्याकारणउपाय
त्रुटी 413 file_too_largeअपलोड 25 MB पेक्षा मोठे आहे16 kHz मोनो FLAC मध्ये रूपांतरित करा, किंवा फाइल विभागा
शब्द पुनरावृत्त होतात, किंवा शांततेत मजकूर दिसतोलांब शांत भागांमध्ये Whisper न बोललेला मजकूर लिहू शकतेअपलोडपूर्वी लांब शांतता कापा
नावांचे स्पेलिंग चुकतेWhisper ला नावे माहीत नाहीतनावे prompt फील्डमध्ये पाठवा
OVH कडून त्रुटी 429अनामिक मर्यादा प्रति मिनिट 2 विनंत्या आहेGroq किंवा Cloudflare ची की जोडा
srt वर त्रुटी 400कोणताही प्रदाता SRT तयार करत नाहीCloudflare Whisper मॉडेलसह vtt वापरा
या सर्व मॉडेलचा वापर एकाच कीद्वारे करा. FreeLLMAPI हा एक ओपन-सोर्स, स्वतः होस्ट केलेला राउटर आहे. तो हे सर्व मोफत टियर एका OpenAI-सुसंगत एंडपॉइंटमागे ठेवतो आणि एखादे मॉडेल मर्यादेत असताना दुसऱ्याकडे वळवतो. कॅटलॉग ब्राउझ करा किंवा थेट पहा.

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

स्रोत

सर्व मार्गदर्शक · सर्व मोफत मॉडेल पहा