Laman utama / Panduan / Free Whisper API

Free Whisper API

Whisper ialah model pengecaman pertuturan sumber terbuka daripada OpenAI. Anda boleh menjalankannya secara percuma pada Groq, Cloudflare Workers AI dan OVH AI Endpoints, dengan had masing-masing. FreeLLMAPI meletakkan hos Whisper ini di sebalik satu titik akhir yang serasi dengan OpenAI. Kod anda memanggil /v1/audio/transcriptions, dan penghala beralih ke hos seterusnya apabila satu hos mencapai hadnya.

Kod, nama model dan label katalog langsung dipaparkan dalam bahasa Inggeris.

Di mana Whisper percuma

Jadual ini menyenaraikan semua model transkripsi percuma dalam katalog FreeLLMAPI, daripada katalog langsung. Baris Whisper ialah baris yang mempunyai whisper dalam id model.

ModelPembekalMuat naik maksHad percuma
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)

Data langsung daripada katalog FreeLLMAPI (versi 2026.11.19, disemak 2026-11-19). Had percuma kerap berubah. Katalog disemak setiap hari.

Had rasmi, disemak pada 20 November 2026
HosModel WhisperHad percuma (rasmi)Paling sesuai untuk
GroqWhisper Large v3, Whisper Large v3 Turbo25 MB bagi setiap fail pada tier percuma. Audio di bawah 10 saat dikira sebagai 10 saatKelajuan dan ketepatan
Cloudflare Workers AIWhisper Large v3 Turbo, Whisper, Whisper Tiny Inggeris10,000 neuron setiap hari. Large v3 Turbo menggunakan 46.63 neuron bagi setiap minit audioSari kata VTT, lebih kurang 214 minit audio setiap hari
OVH AI EndpointsWhisper Large v3, Whisper Large v3 Turbo2 permintaan seminit bagi setiap alamat IP dan model, tanpa kunciSandaran tanpa pendaftaran

Tambah kunci Groq dan Cloudflare bersama-sama. Apabila Groq menghantar ralat 429, penghala menghantar fail yang sama kepada hos seterusnya dalam rantaian. OVH ialah sandaran terakhir yang baik, kerana had tanpa namanya rendah. Had percuma setiap hos adalah berasingan, jadi setiap kunci tambahan menambah kapasiti.

Whisper Large v3 atau Large v3 Turbo?

Groq menerbitkan kadar ralat perkataan (WER) bagi kedua-dua model. WER yang lebih rendah bermakna lebih sedikit perkataan yang salah.

ModelWER pada GroqTerjemahan pada GroqPilih apabila
whisper-large-v310.3%YaKetepatan paling penting, contohnya nama, nombor dan loghat
whisper-large-v3-turbo12%TidakAnda memerlukan hasil yang pantas untuk pertuturan yang jelas

Whisper Tiny English pada Cloudflare adalah kecil dan hanya menyokong bahasa Inggeris. Gunakannya hanya untuk audio bahasa Inggeris yang pendek dan jelas. Kedua-dua model besar ialah berbilang bahasa.

Terjemahan: dokumentasi FreeLLMAPI hanya menyenaraikan /v1/audio/transcriptions. Tiada titik akhir /v1/audio/translations. Untuk mendapatkan bahasa Inggeris daripada bahasa lain, transkripsikan dahulu, kemudian terjemahkan teks dengan model sembang.

Langkah 1: Pasang FreeLLMAPI dan tambah kunci

FreeLLMAPI ialah sumber terbuka. Ia berjalan pada komputer anda dalam Docker. Kunci pembekal anda kekal pada komputer anda.

Pasang (macOS atau Linux)

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

Buka papan pemuka di http://localhost:3001. Tambah kunci Groq dan kunci Cloudflare pada halaman Keys. Kunci Cloudflare berbentuk account_id:token. Whisper OVH tidak memerlukan kunci. Salin kunci bersatu anda daripada halaman yang sama.

Langkah 2: Transkripsikan dengan Whisper

Hantar fail sebagai multipart/form-data. Gunakan model=auto atau model=whisper-1 supaya penghala memilih. Untuk mengunci satu model, hantar id-nya. Id whisper-large-v3-turbo sepadan dengan baris pada Groq dan OVH, jadi sandaran kekal pada model yang sama.

curl: kunci Whisper Large v3 Turbo

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: sari kata daripada Cloudflare Whisper

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)

Rakaman panjang: mampatkan dan pisahkan

FreeLLMAPI dan tier percuma Groq kedua-duanya menerima paling banyak 25 MB dalam satu muat naik. Groq menyatakan bahawa Whisper menurunkan sampel audio kepada 16 kHz mono. Lakukan ini sebelum muat naik untuk menjadikan fail jauh lebih kecil. Untuk rakaman panjang, pisahkan audio kepada bahagian.

ffmpeg: bahagian FLAC 16 kHz mono selama 10 minit

ffmpeg -i podcast.mp3 -ar 16000 -ac 1 -c:a flac -f segment -segment_time 600 part%03d.flac

Python: transkripsikan bahagian mengikut urutan

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))

Satu perkataan boleh dipotong pada sempadan antara dua bahagian. Groq mencadangkan pertindihan pendek antara bahagian untuk hasil yang tepat. Semak saiz setiap bahagian sebelum muat naik, kerana sesetengah audio tidak termampat dengan baik.

Dapatkan transkrip Whisper yang lebih baik

  • Tetapkan bahasa: hantar language dengan kod seperti en, de atau ur. Whisper kemudian tidak perlu mengesan bahasa.
  • Gunakan gesaan: hantar nama, nama produk dan istilah khas dalam prompt. Whisper menggunakannya sebagai konteks untuk ejaan.
  • Kekalkan temperature pada 0: nilai yang lebih tinggi menghasilkan teks yang lebih pelbagai, yang jarang berguna untuk transkrip.
  • Bersihkan audio: buang muzik dan kesunyian yang panjang. Rakam pertuturan dekat dengan mikrofon.
  • Dapatkan cap masa: gunakan response_format=verbose_json. Apabila pembekal memulangkan segmen, setiap satu mempunyai masa mula dan masa tamat. Jika tiada segmen, anda mendapat JSON biasa dengan teks sahaja.
  • Semak hos: pengepala respons X-Provider dan X-Model menunjukkan hos dan model yang menghasilkan transkrip. Log kedua-duanya apabila anda membandingkan kualiti.

Penyelesaian masalah

MasalahPuncaPenyelesaian
Ralat 413 file_too_largeMuat naik lebih besar daripada 25 MBTukar kepada FLAC mono 16 kHz, atau pisahkan fail
Perkataan berulang, atau teks muncul dalam kesunyianWhisper boleh menulis teks yang tidak dituturkan dalam bahagian senyap yang panjangPotong kesunyian yang panjang sebelum muat naik
Nama dieja salahWhisper tidak mengenali nama tersebutHantar nama dalam medan prompt
Ralat 429 daripada OVHHad tanpa nama ialah 2 permintaan seminitTambah kunci Groq atau Cloudflare
Ralat 400 pada srtTiada pembekal menghasilkan SRTGunakan vtt dengan model Cloudflare Whisper
Guna setiap satu daripada ini melalui satu kunci. FreeLLMAPI ialah penghala sumber terbuka yang anda hoskan sendiri. Ia meletakkan semua peringkat percuma ini di belakang satu titik akhir serasi OpenAI dan beralih ke pembekal lain apabila had kadar dicapai. Layari katalog atau mula sekarang.

Soalan lazim

Adakah terdapat Free Whisper API?

Ada. Groq, Cloudflare Workers AI dan OVH AI Endpoints menjalankan Whisper secara percuma dengan had. FreeLLMAPI meletakkannya di sebalik satu titik akhir yang serasi dengan OpenAI dengan sandaran.

Apakah had saiz fail bagi Free Whisper API?

Groq membenarkan 25 MB bagi setiap fail pada tier percumanya, dan FreeLLMAPI menerima muat naik sehingga 25 MB. Tukar audio kepada mono 16 kHz atau pisahkannya untuk rakaman yang lebih panjang.

Adakah Whisper Large v3 Turbo sama tepat dengan Whisper Large v3?

Tidak tepat sama. Groq menyenaraikan kadar ralat perkataan 12% bagi Turbo dan 10.3% bagi Large v3. Turbo lebih pantas dan lebih murah pada pelan berbayar.

Bolehkah Free Whisper API menterjemah audio kepada bahasa Inggeris?

FreeLLMAPI tidak mempunyai titik akhir terjemahan. Transkripsikan audio dahulu, kemudian terjemahkan teks dengan model sembang percuma.

Adakah OpenAI Python SDK berfungsi dengan Free Whisper API?

Ya. Tetapkan base_url kepada http://localhost:3001/v1, kemudian panggil client.audio.transcriptions.create dengan model="auto" atau id model Whisper.

Panduan berkaitan

Sumber

Semua panduan · Lihat semua model percuma