स्पीकर डायराइजेशन के साथ सेल्फ-होस्टेड व्हिस्पर स्पीच-टू-टेक्स्ट सर्वर।
OpenAI संगतता के साथ निजी स्पीच-टू-टेक्स्ट और ट्रांसलेशन API चलाएं।
यह टूल Docker के भीतर एक स्थानीय Whisper स्पीच-टू-टेक्स्ट सर्वर चलाता है, जो OpenAI-संगत ट्रांसक्रिप्शन API प्रदान करता है। यह उन मानसिक स्वास्थ्य पेशेवरों के लिए उपयुक्त है जिन्हें संवेदनशील क्लाइंट सत्रों को तीसरे पक्ष के क्लाउड पर भेजे बिना पूरी तरह से निजी ऑडियो प्रोसेसिंग की आवश्यकता होती है।
faster-whisper द्वारा संचालित, यह विभिन्न ऑडियो प्रारूपों को प्रोसेस करता है, JSON, SRT, या VTT आउटपुट जेनरेट करता है, और sherpa-onnx का उपयोग करके वैकल्पिक स्पीकर डायराइजेशन का समर्थन करता है। आप इसे मानक CPU हार्डवेयर पर तैनात कर सकते हैं या समर्पित इमेज टैग के माध्यम से NVIDIA GPU का उपयोग करके अनुमान (inference) में तेजी ला सकते हैं।
यह उन चिकित्सकों और क्लीनिकों के लिए उपयुक्त है जिन्हें रिकॉर्ड किए गए सत्रों के लिए सख्त डेटा गोपनीयता की आवश्यकता होती है और जो कंटेनरों के डिप्लॉयमेंट का प्रबंधन कर सकते हैं। यह उन गैर-तकनीकी उपयोगकर्ताओं के लिए उपयुक्त नहीं है जिन्हें कमांड-लाइन या Docker सेटअप के बिना उपयोग के लिए तैयार डेस्कटॉप एप्लिकेशन की आवश्यकता होती है।
POST /v1/audio/transcriptions का उपयोग करने वाले मौजूदा ऐप्स के लिए ड्रॉप-इन रिप्लेसमेंट एंडपॉइंट्स।
वैकल्पिक स्थानीय sherpa-onnx एक्सटेंशन का उपयोग करके पहचानें कि प्रत्येक खंड में कौन बोल रहा है।
पूरी फ़ाइल की प्रतीक्षा करने के बजाय डीकोड होने पर ट्रांसक्रिप्ट किए गए खंडों को क्रमिक रूप से प्राप्त करें।
पूर्व-कैश किए गए मॉडल और WHISPER_LOCAL_ONLY का उपयोग करके इंटरनेट एक्सेस के बिना पूरी तरह से ऑफ़लाइन चलाएं।
इसके लाइसेंस के तहत मुफ्त, इस प्रोजेक्ट द्वारा कोई सशुल्क होस्टेड विकल्प प्रदान नहीं किया गया है। एकमात्र लागत आपके स्वयं के सर्वर हार्डवेयर को चलाना और उसका रखरखाव करना है।
877 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
हाँ, आप मॉडल को पहले से कैश करके और WHISPER_LOCAL_ONLY=true सेट करके ऑफ़लाइन या एयर-गैप्ड मोड में काम कर सकते हैं।
आपको Docker के साथ एक Linux सर्वर, बेस मॉडल के लिए कम से कम 700 MB मुफ़्त RAM, और वैकल्पिक रूप से Container Toolkit के साथ एक NVIDIA GPU की आवश्यकता है।
यह टूल पूर्ण ऑडियो फ़ाइलों के लिए डिज़ाइन किया गया है; लाइव स्ट्रीमिंग या माइक्रोफ़ोन कैप्चर के लिए, लेखक एक अलग docker-whisper-live टूल प्रदान करता है।
Google में Zekai को सबसे पहले देखें