హోమ్ / గైడ్‌లు / ఉచిత స్పీచ్ టు టెక్స్ట్ API

ఉచిత స్పీచ్ టు టెక్స్ట్ API

స్పీచ్ టు టెక్స్ట్ API ఆడియోను టెక్స్ట్‌గా మారుస్తుంది. Groq, Cloudflare, OVH, Mistral, Cohere మరియు ఇతర ప్రొవైడర్లు పరిమితులతో ఉచిత ట్రాన్స్‌క్రిప్షన్ ఇస్తారు. FreeLLMAPI 13 ఉచిత ట్రాన్స్‌క్రిప్షన్ మోడల్‌లను ఒకే OpenAI-అనుకూల ఎండ్‌పాయింట్, /v1/audio/transcriptions వెనుక ఉంచుతుంది. ఒక ప్రొవైడర్ అభ్యర్థనను ఆపినప్పుడు, రూటర్ తదుపరి దానిని ప్రయత్నిస్తుంది.

కోడ్, మోడల్ పేర్లు మరియు ప్రత్యక్ష కేటలాగ్ లేబుల్‌లు ఇంగ్లీషులోనే చూపబడతాయి.

నేడు ఉచిత ట్రాన్స్‌క్రిప్షన్ మోడల్‌లు

ఈ పట్టిక FreeLLMAPI కేటలాగ్‌లోని ఉచిత ట్రాన్స్‌క్రిప్షన్ మోడల్‌లను జాబితా చేస్తుంది. డేటా ప్రత్యక్ష కేటలాగ్ నుండి వస్తుంది. "గరిష్ట అప్‌లోడ్" అంటే, కేటలాగ్‌కు తెలిసినప్పుడు, ఉచిత టియర్‌లో ప్రొవైడర్ అంగీకరించే అతిపెద్ద ఫైల్.

మోడల్ప్రొవైడర్గరిష్ట అప్‌లోడ్ఉచిత పరిమితి
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 కేటలాగ్ నుండి ప్రత్యక్ష డేటా (వెర్షన్ 2026.11.19, 2026-11-19 న తనిఖీ చేయబడింది). ఉచిత పరిమితులు తరచుగా మారుతాయి. కేటలాగ్ ప్రతి రోజు తనిఖీ చేయబడుతుంది.

చాలా ఎంట్రీలు వేర్వేరు ప్రొవైడర్లు హోస్ట్ చేసే OpenAI నుండి వచ్చిన Whisper మోడల్‌లు. ఈ పట్టికలో Cloudflareపై Deepgram Nova-3, Mistral నుండి Voxtral, Cohere Transcribe, మరియు థాయ్ కోసం Typhoon ASR కూడా ఉన్నాయి. Whisper మోడల్‌ల పోలిక కోసం మాత్రమే, Free Whisper API చదవండి.

మోడల్‌ను ఎంచుకోవడానికి ఈ నియమాన్ని ఉపయోగించండి:

  • అనేక భాషలలో సాధారణ ట్రాన్స్‌క్రిప్షన్: Whisper Large v3 లేదా Whisper Large v3 Turbo. Turbo వేగవంతమైనది. Large v3 Groqపై తక్కువ వర్డ్ ఎర్రర్ రేట్ కలిగి ఉంది.
  • సబ్‌టైటిళ్లు: Cloudflare Whisper మోడల్, ఎందుకంటే అది VTT ను ఇస్తుంది.
  • అరబిక్: Cohere Transcribe Arabic. థాయ్: Typhoon ASR.
  • ఫాల్‌బ్యాక్: OVH Whisper. దీనికి కీ అవసరం లేదు, కానీ నిమిషానికి 2 అభ్యర్థనలు మాత్రమే అనుమతిస్తుంది.

దశ 1: FreeLLMAPIని ఇన్‌స్టాల్ చేసి కీలను జోడించండి

FreeLLMAPI ఓపెన్ సోర్స్. ఇది Docker లో మీ కంప్యూటర్‌లో నడుస్తుంది. మీ ప్రొవైడర్ కీలు మీ కంప్యూటర్‌లోనే ఉంటాయి.

ఇన్‌స్టాల్ చేయండి (macOS లేదా Linux)

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

http://localhost:3001 వద్ద డ్యాష్‌బోర్డ్‌ను తెరవండి. Keys పేజీలో Groq కీ మరియు Cloudflare కీని జోడించండి. రెండు ప్రొవైడర్లు ఉచిత కీలను ఇస్తాయి, మరియు రెండూ Whisperను అందిస్తాయి. అదే పేజీ నుండి మీ ఏకీకృత కీని కాపీ చేయండి.

Cloudflare కీ ఫార్మాట్: Cloudflare Workers AI కీ account_id:token రూపంలో ఉంటుంది. ఖాతా IDలేని టోకెన్ పని చేయదు.

దశ 2: ఆడియో ఫైల్‌ను పంపండి

ఎండ్‌పాయింట్ OpenAI API లాగే multipart/form-data అప్‌లోడ్‌ను తీసుకుంటుంది. రెండు ఫీల్డ్‌లు తప్పనిసరి: file మరియు model. ప్రొవైడర్‌ను రూటర్ ఎంచుకోవాలంటే model=auto లేదా model=whisper-1 ఉపయోగించండి.

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=json

Python (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)

సమాధానంలో X-Provider హెడర్ మరియు X-Model హెడర్ ఉంటాయి. ఈ హెడర్‌లు ట్రాన్స్‌క్రిప్ట్‌ను ఏ ప్రొవైడర్ మరియు మోడల్ తయారు చేశాయో చూపుతాయి.

ఎంపికలు మరియు అవుట్‌పుట్ ఫార్మాట్‌లు

ఫీల్డ్విలువలుగమనికలు
fileఒక ఆడియో ఫైల్తప్పనిసరి. FreeLLMAPI ద్వారా ప్రతి అప్‌లోడ్‌కు గరిష్టంగా 25 MB
modelauto, whisper-1 లేదా మోడల్ IDతప్పనిసరి. మోడల్ ID ఒక ప్రొవైడర్ వరుసను స్థిరపరుస్తుంది
response_formatjson, text, verbose_json, vttడిఫాల్ట్ json. srt ఎర్రర్ 400 ఇస్తుంది
languageభాషా కోడ్, ఉదాహరణకు enఐచ్ఛికం. భాష మీకు తెలిసినప్పుడు సెట్ చేయండి
promptటెక్స్ట్ఐచ్ఛికం. పేర్లు మరియు ప్రత్యేక పదాలను ఇవ్వండి
temperature0 నుండి 1ఐచ్ఛికం. స్థిరమైన అవుట్‌పుట్ కోసం 0 ఉంచండి
  • verbose_json ప్రొవైడర్ సెగ్మెంట్‌లను ఇచ్చినప్పుడు సమయాలతో సెగ్మెంట్‌లను ఇస్తుంది. ప్రొవైడర్‌కు సెగ్మెంట్‌లు లేకపోతే, మీకు సాధారణ JSON ఆకారం వస్తుంది.
  • vtt సబ్‌టైటిళ్లు వాటిని స్థానికంగా తయారు చేసే ప్రొవైడర్ల నుండి మాత్రమే వస్తాయి. కేటలాగ్‌లో, ఇవి Cloudflare Whisper మోడల్‌లు.
  • srt తిరస్కరించబడుతుంది. కాన్ఫిగర్ చేసిన ఏ ప్రొవైడర్ కూడా SRTని స్థానికంగా తయారు చేయదు, మరియు గేట్‌వే దానిని మార్చదు.

ఉచిత పరిమితులు మరియు వాటి లోపల ఎలా ఉండాలి

ఉచిత ట్రాన్స్‌క్రిప్షన్ పరిమితులు వేర్వేరు యూనిట్‌లను ఉపయోగిస్తాయి. కొన్ని ప్రొవైడర్లు అభ్యర్థనలను లెక్కిస్తాయి. ఇతరులు ఆడియో సమయాన్ని లేదా రోజువారీ కంప్యూట్ బడ్జెట్‌ను లెక్కిస్తాయి.

ప్రొవైడర్ డాక్యుమెంటేషన్ నుండి పరిమితులు, 2026-11-19 న తనిఖీ చేయబడ్డాయి
ప్రొవైడర్ఉచిత పరిమితి (అధికారికం)మీకు దీని అర్థం ఏమిటి
Groqఉచిత టియర్‌లో ప్రతి ఫైల్‌కు 25 MB. 10 సెకన్ల కంటే తక్కువ అభ్యర్థనలు 10 సెకన్లుగా బిల్ చేయబడతాయివేగవంతమైనది. చిన్న మరియు మధ్యస్థ ఫైళ్లకు మంచి మొదటి ఎంపిక
Cloudflare Workers AIప్రతి రోజు 10,000 న్యూరాన్‌లు. Whisper Large v3 Turbo ప్రతి ఆడియో నిమిషానికి 46.63 న్యూరాన్‌లను ఉపయోగిస్తుందిబడ్జెట్‌ను ఇతర Workers AI మోడల్‌లు ఉపయోగించకపోతే, ప్రతి రోజు సుమారు 214 ఆడియో నిమిషాలు
OVH AI Endpointsకీ లేకుండా, ప్రతి IP చిరునామా మరియు మోడల్‌కు నిమిషానికి 2 అభ్యర్థనలునెమ్మదైన ఫాల్‌బ్యాక్. బ్యాచ్‌ల కోసం దీనిని ఉపయోగించవద్దు
Cohereట్రయల్ కీ: అన్ని ఎండ్‌పాయింట్‌లకు నెలకు 1,000 API కాల్స్కాల్స్ చాట్ మరియు ఎంబెడ్డింగ్‌లతో పంచుకోబడతాయి
  • రెండు లేదా అంతకంటే ఎక్కువ ప్రొవైడర్ల నుండి కీలను జోడించండి. Groq 429 ఎర్రర్ పంపినప్పుడు, రూటర్ ఫైల్‌ను తదుపరి ప్రొవైడర్‌కు పంపుతుంది.
  • అప్‌లోడ్ చేయడానికి ముందు పెద్ద ఫైళ్లను మార్చండి. Groq చెబుతుంది దాని మోడల్‌లు ఆడియోను 16 kHz మోనోకు డౌన్‌శాంపుల్ చేస్తాయి. ఫైల్‌ను చిన్నదిగా చేయడానికి దీనిని మీరే చేయండి.
  • సుమారు 25 MB కంటే ఎక్కువ ఆడియోను భాగాలుగా విభజించండి. ప్రతి భాగాన్ని ట్రాన్స్‌క్రైబ్ చేయండి, ఆ తర్వాత టెక్స్ట్‌ను కలపండి.

ffmpeg తో ఫైల్‌ను చిన్నదిగా చేయండి (16 kHz మోనో FLAC)

ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a flac interview.flac

సమస్య పరిష్కారం

సమస్యకారణంపరిష్కారం
ఎర్రర్ 413 file_too_largeఫైల్ 25 MB కంటే పెద్దది16 kHz మోనోకు మార్చండి, లేదా ఫైల్‌ను విభజించండి
ఎర్రర్ 400 model అవసరంఫారమ్‌లో model ఫీల్డ్ లేదు-F model=auto జోడించండి
ఎర్రర్ 400 unsupported_formatమీరు srt అడిగారుvtt, json, text లేదా verbose_json ఉపయోగించండి
ఎర్రర్ 503 no_transcription_modelsట్రాన్స్‌క్రిప్షన్ మోడల్ ఏదీ ప్రారంభించబడలేదుGroq లేదా Cloudflare కీని జోడించండి, ఆ తర్వాత కేటలాగ్ సింక్ కోసం వేచి ఉండండి
పేర్లకు తప్పు పదాలుమోడల్‌కు ఆ పదాలు తెలియవుprompt ఫీల్డ్‌లో పేర్లను పంపండి
ఖాళీ vtt అవుట్‌పుట్ప్రొవైడర్ VTTని తయారు చేయదుCloudflare Whisper మోడల్ IDని స్థిరపరచండి
ఇవన్నీ ఒకే కీ ద్వారా ఉపయోగించండి. FreeLLMAPI ఒక ఓపెన్-సోర్స్, సెల్ఫ్-హోస్ట్ రూటర్. ఇది ఈ ఉచిత టియర్‌లన్నింటినీ ఒకే OpenAI-అనుకూల ఎండ్‌పాయింట్ వెనుక ఉంచుతుంది. ఒకటి రేట్ లిమిట్ అయినప్పుడు, అది మరొక దానికి మారుతుంది. కేటలాగ్‌ను బ్రౌజ్ చేయండి లేదా ప్రత్యక్షంగా.

తరచుగా అడిగే ప్రశ్నలు

ఉచిత స్పీచ్ టు టెక్స్ట్ API ఉందా?

ఉంది. Groq, Cloudflare Workers AI, OVH, Mistral మరియు Cohere పరిమితులతో ఉచిత ట్రాన్స్‌క్రిప్షన్ ఇస్తాయి. FreeLLMAPI 13 ఉచిత మోడల్‌లను ఒకే OpenAI-అనుకూల ఎండ్‌పాయింట్ వెనుక ఉంచుతుంది.

గరిష్ట ఆడియో ఫైల్ పరిమాణం ఎంత?

FreeLLMAPI 25 MB వరకు అప్‌లోడ్‌లను అంగీకరిస్తుంది. Groq కూడా దాని ఉచిత టియర్‌లో 25 MBని అనుమతిస్తుంది. పొడవైన ఆడియో కోసం, దానిని 16 kHz మోనోకు మార్చండి లేదా భాగాలుగా విభజించండి.

ఉచిత స్పీచ్ టు టెక్స్ట్ API నుండి సబ్‌టైటిళ్లు పొందగలనా?

అవును. response_format ను vtt కు సెట్ చేయండి. Cloudflare Whisper మోడల్‌లు మాత్రమే VTTని స్థానికంగా తయారు చేస్తాయి. SRT అందుబాటులో లేదు.

ఉచిత స్పీచ్ టు టెక్స్ట్ API OpenAI Python SDKతో పని చేస్తుందా?

అవును. base_url ను http://localhost:3001/v1 కు సెట్ చేయండి, మరియు ఫైల్ మరియు model="auto" తో client.audio.transcriptions.create ను కాల్ చేయండి.

సంబంధిత గైడ్‌లు

మూలాలు

అన్ని గైడ్‌లు · అన్ని ఉచిత మోడల్‌లను చూడండి