OpenAI के ओपन-सोर्स सीक्वेंस-टू-सीक्वेंस ट्रांसफॉर्मर मॉडल के साथ ऑडियो को ट्रांसक्राइब, पहचानें और अनुवाद करें।
CLI या Python के माध्यम से बोले गए ऑडियो को सीधे टेक्स्ट में प्रोसेस करें या गैर-अंग्रेजी वॉयस ट्रैक का अनुवाद करें।
Whisper OpenAI द्वारा विकसित एक ओपन-सोर्स ट्रांसफॉर्मर-आधारित स्पीच रिकग्निशन मॉडल है। आप इसे कमांड-लाइन के माध्यम से स्थानीय रूप से चला सकते हैं या बहु-भाषा ऑडियो फ़ाइलों को ट्रांसक्राइब और अनुवाद करने के लिए सीधे Python पाइपलाइन में एकीकृत कर सकते हैं। यह ऑडियो इंजीनियरों, पॉडकास्टर्स और डेवलपर्स के लिए आदर्श है जिन्हें स्वचालित वॉयस-टू-टेक्स्ट रूपांतरण की आवश्यकता है।
यह टूल स्पीच रिकग्निशन, भाषा पहचान और वॉयस एक्टिविटी डिटेक्शन करने के लिए ट्रांसफॉर्मर मॉडल के माध्यम से 30-सेकंड की स्लाइडिंग विंडो का उपयोग करके ऑडियो फाइलों को प्रोसेस करता है। इसमें हाई-स्पीड प्रोसेसिंग के लिए अनुकूलित turbo मॉडल के साथ-साथ tiny (39M पैरामीटर) से लेकर large (1550M पैरामीटर) तक के छह मॉडल आकार शामिल हैं। यह विदेशी भाषा के भाषण का सीधे अंग्रेजी टेक्स्ट में अनुवाद करने का भी समर्थन करता है।
यदि आपको वॉयस-टू-टेक्स्ट जनरेशन पर स्थानीय, ऑफ़लाइन नियंत्रण या ऑडियो प्रस्तुतियों के लिए स्वचालित ट्रांसक्रिप्ट निर्माण की आवश्यकता है, तो आपको Whisper का उपयोग करना चाहिए। यह कमांड-लाइन टूल या Python स्क्रिप्टिंग में सहज डेवलपर्स और ऑडियो संपादकों के लिए उपयुक्त है। यह उन गैर-तकनीकी रचनाकारों के लिए उपयुक्त नहीं है जो बॉक्स से बाहर एक ग्राफिकल इंटरफ़ेस की अपेक्षा करते हैं।
एक ही डिकोडर पास में संयुक्त रूप से स्पीच रिकग्निशन, भाषा की पहचान और वॉयस एक्टिविटी डिटेक्शन करता है।
उपलब्ध GPU मेमोरी के विरुद्ध निष्पादन गति को संतुलित करने के लिए 39M से 1550M पैरामीटर तक के मॉडल प्रदान करता है।
बहुभाषी चेकपॉइंट का उपयोग करके विदेशी बोले गए ऑडियो ट्रैक को सीधे अंग्रेजी टेक्स्ट आउटपुट में अनुवाद करता है।
त्वरित फ़ाइल प्रोसेसिंग के लिए टर्मिनल निष्पादन योग्य और अनुकूलित पाइपलाइनों के लिए एक लो-लेवल Python API दोनों प्रदान करता है।
Whisper पूरी तरह से मुफ़्त है और MIT लाइसेंस के तहत ओपन सोर्स है। एकमात्र परिचालन लागत स्थानीय GPU हार्डवेयर या क्लाउड कंप्यूट इंस्टेंस से आती है जिसका उपयोग आप इन्फेरेंस चलाने के लिए करते हैं।
880 खुले रिमोट AI-ट्रेनिंग रोल, 15 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।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
बड़े मॉडल को कुशलतापूर्वक निष्पादित करने के लिए लगभग 10 GB VRAM वाले समर्पित Nvidia GPU या Apple Silicon सिस्टम की आवश्यकता होती है।
नहीं, Whisper केवल विदेशी भाषण का अंग्रेजी टेक्स्ट में अनुवाद करता है। यह अंग्रेजी का अन्य भाषाओं में अनुवाद नहीं करता है।
turbo मॉडल आर्किटेक्चर को अनुवाद कार्यों के लिए प्रशिक्षित नहीं किया गया है। गैर-अंग्रेजी ऑडियो का अनुवाद करने के लिए आपको medium या large जैसे बहुभाषी मॉडल का चयन करना होगा।
Google में Zekai को सबसे पहले देखें