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.
| Model | Pembekal | Muat naik maks | Had percuma |
|---|---|---|---|
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) |
Data langsung daripada katalog FreeLLMAPI (versi 2026.11.19, disemak 2026-11-19). Had percuma kerap berubah. Katalog disemak setiap hari.
| Hos | Model Whisper | Had percuma (rasmi) | Paling sesuai untuk |
|---|---|---|---|
| Groq | Whisper Large v3, Whisper Large v3 Turbo | 25 MB bagi setiap fail pada tier percuma. Audio di bawah 10 saat dikira sebagai 10 saat | Kelajuan dan ketepatan |
| Cloudflare Workers AI | Whisper Large v3 Turbo, Whisper, Whisper Tiny Inggeris | 10,000 neuron setiap hari. Large v3 Turbo menggunakan 46.63 neuron bagi setiap minit audio | Sari kata VTT, lebih kurang 214 minit audio setiap hari |
| OVH AI Endpoints | Whisper Large v3, Whisper Large v3 Turbo | 2 permintaan seminit bagi setiap alamat IP dan model, tanpa kunci | Sandaran 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.
| Model | WER pada Groq | Terjemahan pada Groq | Pilih apabila |
|---|---|---|---|
whisper-large-v3 | 10.3% | Ya | Ketepatan paling penting, contohnya nama, nombor dan loghat |
whisper-large-v3-turbo | 12% | Tidak | Anda 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.
/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 | bashBuka 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_jsonPython: 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.flacPython: 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
languagedengan kod sepertien,deatauur. 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-ProviderdanX-Modelmenunjukkan hos dan model yang menghasilkan transkrip. Log kedua-duanya apabila anda membandingkan kualiti.
Penyelesaian masalah
| Masalah | Punca | Penyelesaian |
|---|---|---|
Ralat 413 file_too_large | Muat naik lebih besar daripada 25 MB | Tukar kepada FLAC mono 16 kHz, atau pisahkan fail |
| Perkataan berulang, atau teks muncul dalam kesunyian | Whisper boleh menulis teks yang tidak dituturkan dalam bahagian senyap yang panjang | Potong kesunyian yang panjang sebelum muat naik |
| Nama dieja salah | Whisper tidak mengenali nama tersebut | Hantar nama dalam medan prompt |
| Ralat 429 daripada OVH | Had tanpa nama ialah 2 permintaan seminit | Tambah kunci Groq atau Cloudflare |
Ralat 400 pada srt | Tiada pembekal menghasilkan SRT | Gunakan vtt dengan model Cloudflare Whisper |
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
- API pertuturan kepada teks percuma
- API teks ke ucapan percuma
- free groq api
- free cloudflare api
- API percuma OVH AI Endpoints
- API terjemahan percuma dengan LLM
Sumber
- FreeLLMAPI README: supported endpoints (disemak 20 November 2026)
- Groq docs: Speech to text (disemak 20 November 2026)
- Cloudflare Workers AI pricing (disemak 20 November 2026)
- Cloudflare Workers AI: whisper-large-v3-turbo (disemak 20 November 2026)
- OVHcloud AI Endpoints capabilities (disemak 20 November 2026)