कई टीमें OpenAI Whisper API से ही शुरुआत करती हैं: एक एंडपॉइंट, एक कीमत, दर्जनों भाषाएँ। Whisper API का विकल्प आप तब ढूँढते हैं जब इन चार में से कुछ होता है: आपके ऑडियो पर सटीकता काफ़ी नहीं है, वॉल्यूम के साथ बिल बढ़ता है, आपकी सिक्योरिटी टीम चाहती है कि कम डेटा रखा जाए, या जिस मॉडल को आप कॉल करते हैं वह रिटायर हो रहा है। यह पोस्ट बताती है कि फ़ैसला कैसे करें, और अपना कोड दोबारा लिखे बिना किसी विकल्प को कैसे टेस्ट करें।
क्या OpenAI Whisper API रिटायर हो रहा है?
हाँ, OpenAI के मौजूदा शेड्यूल के अनुसार। 2026-11-15 को देखे गए उसके डेप्रिकेशन पेज पर whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe और gpt-4o-transcribe-diarize डेप्रिकेटेड बताए गए हैं: सूचना 26 अगस्त 2026 को दी गई और बंद होने की तारीख़ 26 फ़रवरी 2027 है। सुझाया गया विकल्प फ़ाइलों के लिए gpt-transcribe (USD 0.0045 प्रति मिनट, यानी USD 0.27 प्रति घंटा) और लाइव ऑडियो के लिए gpt-live-transcribe है। उसका प्राइसिंग पेज यही चार मॉडल डेप्रिकेटेड दिखाता है, और उसकी स्पीच-टू-टेक्स्ट गाइड कहती है “Start with gpt-transcribe” (अनुवाद: gpt-transcribe से शुरू करें)। /v1/audio/translations एंडपॉइंट भी डेप्रिकेटेड है। यानी किसी भी हाल में आपको अपना ऑडियो एक नए मॉडल पर दोबारा टेस्ट करना होगा। इसलिए OpenAI के विकल्प की दूसरे प्रोवाइडर से उन्हीं क्लिप पर तुलना करने का यह अच्छा समय है।
पूरी तस्वीर के लिए हमारा ओपन स्पीच-टू-टेक्स्ट API प्राइस इंडेक्स 20 से ज़्यादा प्रोडक्ट की बैच और स्ट्रीमिंग कीमतें, बिलिंग इंक्रीमेंट और अरबी सपोर्ट दिखाता है, हर एक प्रोवाइडर के अपने प्राइसिंग पेज से जाँचा हुआ (CSV और JSON)।
टीमें Whisper API का विकल्प क्यों ढूँढती हैं?
| वजह | विकल्प में क्या जाँचें |
|---|---|
| किसी ख़ास भाषा या बोली पर सटीकता | किसी प्रासंगिक टेस्ट सेट पर प्रकाशित word error rate, फिर आपका अपना टेस्ट |
| ज़्यादा वॉल्यूम पर कीमत | प्रति ऑडियो घंटा कीमत और न्यूनतम बिलिंग |
| डेटा रिटेंशन | ऑडियो और ट्रांसक्रिप्ट सहेजे जाते हैं या नहीं, और कितने समय तक |
| सीमाएँ | फ़ाइल का आकार, फ़ॉर्मैट, रेट लिमिट |
| फ़ीचर | टाइमस्टैम्प, डायराइज़ेशन, प्रॉम्प्ट, स्ट्रीमिंग |
OpenAI की स्पीच-टू-टेक्स्ट गाइड कहती है “Whisper supports 98 languages, but accuracy varies by language” (अनुवाद: Whisper 98 भाषाएँ सपोर्ट करता है, लेकिन सटीकता भाषा के हिसाब से बदलती है)। शुरुआत का ईमानदार बिंदु यही है: भाषाओं की सूची बताती है कि क्या संभव है, यह नहीं कि क्या अच्छा है।
Whisper API के कौन-से विकल्प हैं, और उनकी कीमत क्या है?
| विकल्प | कीमत (लिस्ट, नवंबर 2026) | भाषाएँ | नोट |
|---|---|---|---|
OpenAI Whisper API (whisper-1) |
USD 0.006/मिनट | 98 (सटीकता बदलती है) | 25 MB फ़ाइलें; 224 टोकन तक प्रॉम्प्ट; 2027-02-26 को बंद |
OpenAI gpt-transcribe |
USD 0.0045/मिनट (USD 0.27/घंटा) | OpenAI की गाइड देखें | OpenAI का सुझाया गया विकल्प; OpenAI की गाइड वर्ड टाइमस्टैम्प सिर्फ़ whisper-1 के लिए और स्पीकर लेबल सिर्फ़ डेप्रिकेटेड diarize मॉडल के लिए दिखाती है |
| Groq, Whisper Large v3 | USD 0.111/घंटा | बहुभाषी | Groq 10.3% WER बताता है; न्यूनतम बिलिंग 10 सेकंड |
| Groq, Whisper Large v3 Turbo | USD 0.04/घंटा | बहुभाषी | Groq 12% WER बताता है; अनुवाद के लिए ट्रेन नहीं किया गया |
| Soniox (async) | लगभग USD 0.10/घंटा, प्रति टोकन बिल | 60 से ज़्यादा, अरबी शामिल | अपना जॉब-आधारित API, OpenAI-कम्पैटिबल नहीं; रियल-टाइम लगभग USD 0.12/घंटा |
| सेल्फ़-होस्टेड Whisper | आपके GPU की लागत | Whisper जितनी | MIT लाइसेंस; चलाना और स्केल करना आपकी ज़िम्मेदारी |
| BroadNet Transcribe | $0.002/मिनट | 14 | Whisper नहीं; Cohere Transcribe पर आधारित |
| BroadNet Transcribe Arabic | $0.0042/मिनट | अरबी | BroadNet के अनुसार Open Universal Arabic ASR Leaderboard पर 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) |
कीमतें और Groq के आँकड़े 2026-11-14 को आधिकारिक पेजों पर जाँचे गए; OpenAI के आँकड़े 2026-11-15 को दोबारा जाँचे गए। OpenAI का gpt-transcribe प्रति घंटा दोनों BroadNet मॉडल से महँगा है। Groq का Turbo एंडपॉइंट और Soniox, दोनों प्रति घंटा BroadNet Transcribe ($0.12 प्रति घंटा) से सस्ते हैं; Soniox के लिए नया क्लाइंट कोड चाहिए, क्योंकि वह OpenAI का अनुरोध ढाँचा इस्तेमाल नहीं करता। Groq के WER आँकड़े उसके अपने प्रकाशित नंबर हैं, दूसरों के साथ किसी साझा सेट पर किया गया टेस्ट नहीं, इसलिए उनकी BroadNet के आँकड़ों से सीधी तुलना न करें। यह पेज बदलने के बारे में है; DeepSeek, AssemblyAI, Deepgram, Google, AWS और Speechmatics समेत, उनके ऐड-ऑन की कीमतों के साथ, पूरी प्राइस लिस्ट के लिए स्पीच-टू-टेक्स्ट कीमतों की तुलना देखें, और स्पीच-टू-टेक्स्ट कॉस्ट कैलकुलेटर आपके हर महीने के घंटों की कीमत निकालता है।
सटीकता के आँकड़ों का असल मतलब क्या है?
BroadNet अपने मॉडल कैटलॉग में BroadNet Transcribe Arabic के लिए तीन WER आँकड़े प्रकाशित करता है:
| टेस्ट सेट | ऑडियो का प्रकार | WER |
|---|---|---|
| FLEURS-ar | साफ़ पढ़े गए वाक्य | 3.8 |
| MASC-ar | असल दुनिया की मिली-जुली अरबी | 21.1 |
| BroadNet का बोली सेट | बोलियों में बातचीत | 23.4 |
उन्हीं MASC और बोली सेट पर BroadNet, Whisper large-v3 का WER 31.5 और 31.8 बताता है, जबकि अपने अरबी मॉडल का 21.1 और 23.4: यानी MASC पर लगभग एक-तिहाई और बोली सेट पर लगभग एक-चौथाई कम ग़लतियाँ। यह किसी प्रतिस्पर्धी पर BroadNet का अपना टेस्ट है, इसलिए इसे अपने ऑडियो पर जाँचें। सार्वजनिक Open Universal Arabic ASR Leaderboard पर, जो हर एंट्री के लिए वही टेस्ट सेट इस्तेमाल करता है, 15 नवंबर 2026 को Whisper large-v3, 39 में से #19 था (औसत WER 36.86), और Cohere Transcribe Arabic 07-2026, जिसे BroadNet चलाता है, #4 पर था (24.19)।
सीख इसी अंतर में है। एक ही मॉडल पढ़ी गई आवाज़ पर लगभग परफ़ेक्ट है और बातचीत पर काफ़ी कमज़ोर। किसी भी प्रोवाइडर का मुख्य WER बताता है कि उसने किसी और के ऑडियो पर कैसा किया। बोलियों पर विस्तार से अरबी बोलियों की स्पीच रिकग्निशन में चर्चा है।
एक दोपहर में Whisper के विकल्प को कैसे टेस्ट करें
- हर भाषा में 30 से 50 क्लिप इकट्ठा करें, असली ट्रैफ़िक से: कॉल, वॉइस नोट, मीटिंग। जो कुछ भी आप साझा नहीं कर सकते, उसे हटा दें।
- हर भाषा में 10 क्लिप के रेफ़रंस ट्रांसक्रिप्ट हाथ से लिखें।
- दोनों API को उन्हीं क्लिप पर चलाएँ। OpenAI-कम्पैटिबल प्रोवाइडर के साथ सिर्फ़ क्लाइंट और मॉडल बदलते हैं:
import os
from openai import OpenAI
whisper = OpenAI() # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def run(client, model, path, lang):
with open(path, "rb") as f:
return client.audio.transcriptions.create(model=model, file=f, language=lang).text
hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar") # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
- दोनों के लिए एक जैसे नॉर्मलाइज़ेशन से स्कोर करें, jiwer से:
import re, jiwer
def norm(t):
t = re.sub(r"[ً-ْ]", "", t) # strip Arabic diacritics
t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي") # unify alef and yaa
return re.sub(r"[^\w\s]", "", t).lower().strip()
print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
- 20 ट्रांसक्रिप्ट ख़ुद पढ़ें। संख्याएँ, नाम और प्रोडक्ट के शब्द जाँचें। कोई मॉडल WER पर जीतकर भी अकाउंट नंबर ग़लत लिख सकता है।
Whisper को ख़ुद होस्ट करना कब बेहतर है?
Whisper का कोड और वेट MIT लाइसेंस के तहत हैं, इसलिए इसे ख़ुद चलाना हमेशा एक विकल्प है। यह तब समझदारी है जब:
- ऑडियो आपके नेटवर्क से बाहर नहीं जा सकता, क़ानूनी या कॉन्ट्रैक्ट की वजह से।
- आपका वॉल्यूम दिन के ज़्यादातर समय GPU को व्यस्त रखता है, ताकि आप ख़ाली घंटों का भुगतान न करें।
- आपको फ़ाइन-ट्यून करना है, अपनी शब्दावली या लहजे पर।
जब ट्रैफ़िक में अचानक उछाल आते हैं, जब कई मशीनों पर हाई अवेलेबिलिटी चाहिए, या जब टीम में कोई GPU ड्राइवर और अपग्रेड की ज़िम्मेदारी नहीं लेना चाहता, तब यह दिखने से ज़्यादा महँगा पड़ता है (GPU ब्रेक-ईवन का हिसाब)। openai/whisper README यह भी बताता है कि turbo मॉडल अनुवाद के लिए ट्रेन नहीं किया गया। होस्टेड API इन समस्याओं को प्रति मिनट की एक कीमत में बदल देता है, इसीलिए ज़्यादातर टीमें वहीं से शुरू करती हैं और वॉल्यूम व ज़रूरतें साफ़ होने के बाद ही सेल्फ़-होस्ट करती हैं।
माइग्रेशन चेकलिस्ट
base URL बदलना आसान हिस्सा है। ट्रैफ़िक बदलने से पहले:
- फ़ॉर्मैट। OpenAI, flac, mp3, mp4, m4a, ogg, wav और webm स्वीकार करता है। BroadNet, WAV और MP3 स्वीकार करता है, इसलिए
.oggऔर.m4aको पहले ffmpeg से बदलें। ब्राउज़र रिकॉर्डिंग के लिए ब्राउज़र में ऑडियो रिकॉर्ड करके स्पीच-टू-टेक्स्ट API को भेजें देखें। - फ़ाइल का आकार। OpenAI अपलोड की सीमा 25 MB रखता है; BroadNet 26,214,400 बाइट (25 MiB)।
- भाषा फ़ील्ड। हमेशा भेजें। BroadNet पर
language=arके बिना अरबी लैटिन अक्षरों में लौट सकती है। - वैकल्पिक पैरामीटर। अगर आप
prompt,verbose_jsonया वर्ड टाइमस्टैम्प पर निर्भर हैं, तो पक्का करें कि विकल्प उन्हें सपोर्ट करता है। BroadNet का डॉक्यूमेंटेशनtextवाला JSON रिस्पॉन्स बताता है। - रेट लिमिट। BroadNet की उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 अनुरोध की अनुमति देती है।
इस सूची का सामान्य रूप OpenAI-कम्पैटिबल माइग्रेशन चेकलिस्ट में है।
BroadNet Transcribe कहाँ फ़िट होता है
BroadNet चुनें जब अरबी की सटीकता मायने रखती हो, जब आप चाहते हों कि ऑडियो और ट्रांसक्रिप्ट रखे न जाएँ (ज़ीरो डेटा रिटेंशन), या जब 14 भाषाओं में $0.002 प्रति मिनट आपके मौजूदा बिल से कम हो। $5 का शुरुआती क्रेडिट लगभग 1,190 मिनट के अरबी ऑडियो को कवर करता है, जो ऊपर का टेस्ट चलाने के लिए काफ़ी है; BroadNet Inference पर key लें। अरबी स्पीच-टू-टेक्स्ट गाइड में curl और Python के उदाहरण हैं।
OpenAI के विकल्प वाले मॉडल, या किसी दूसरे प्रोवाइडर, के साथ बने रहें अगर आपको उन कई भाषाओं में से कोई चाहिए जो BroadNet की सूची में नहीं हैं, या स्पीच ट्रांसलेशन, लाइव ट्रांसक्रिप्शन, या प्रॉम्प्ट और कीवर्ड हिंट चाहिए (OpenAI की गाइड इन्हें gpt-transcribe के लिए डॉक्यूमेंट करती है)। फ़ाइलों से अरबी रिकॉर्डिंग का अंग्रेज़ी में अनुवाद करने के लिए दो कदमों वाली पाइपलाइन भी काम करती है: अरबी ऑडियो का अंग्रेज़ी में अनुवाद देखें। अंग्रेज़ी की सबसे कम कीमत के लिए होस्टेड Whisper Turbo एंडपॉइंट प्रति घंटा सस्ते पड़ते हैं।
