Ang OpenAI Whisper API ang default na sinisimulan ng maraming team: isang endpoint, isang presyo, dose-dosenang wika. Naghahanap ka ng alternatibo sa Whisper API kapag nangyari ang isa sa apat na ito: hindi sapat ang accuracy sa audio mo, lumalaki ang bill kasabay ng volume, gusto ng security team mo na mas kaunting data ang itinatago, o ire-retire na ang model na tinatawag mo. Ipinapakita ng post na ito kung paano magdesisyon, at kung paano mag-test ng alternatibo nang hindi isinusulat ulit ang code mo.
Ire-retire na ba ang OpenAI Whisper API?
Oo, ayon sa kasalukuyang iskedyul ng OpenAI. Ang deprecations page nito, na sinuri noong 2026-11-15, ay naglilista sa whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe at gpt-4o-transcribe-diarize bilang deprecated, na may abisong ibinigay noong Agosto 26, 2026 at shutdown sa Pebrero 26, 2027. Ang inirerekomendang kapalit ay gpt-transcribe (USD 0.0045 kada minuto, o USD 0.27 kada oras) para sa mga file, o gpt-live-transcribe para sa live na audio. Minamarkahan din ng pricing page nito na deprecated ang parehong apat na model, at sinasabi ng speech to text guide nito na “Start with gpt-transcribe” (salin: Magsimula sa gpt-transcribe). Deprecated din ang endpoint na /v1/audio/translations. Kaya alinman ang piliin mo, ite-test mo ulit ang audio mo sa isang bagong model. Kaya magandang pagkakataon ngayon para ikumpara ang kapalit ng OpenAI sa ibang provider gamit ang parehong mga clip.
Para sa buong larawan, inililista ng bukas naming speech-to-text API price index ang batch at streaming na presyo, billing increment at suporta sa Arabic ng mahigit 20 produkto, at bawat isa ay sinuri laban sa sariling pricing page ng provider (CSV at JSON).
Bakit naghahanap ang mga team ng alternatibo sa Whisper API?
| Dahilan | Ano ang i-check sa alternatibo |
|---|---|
| Accuracy sa isang partikular na wika o dialect | Nakalathalang word error rate sa isang angkop na test set, saka ang sarili mong test |
| Presyo sa malaking volume | Presyo kada oras ng audio at billing minimum |
| Data retention | Kung itinatago ang audio at transcript, at gaano katagal |
| Mga limit | Laki ng file, format, rate limit |
| Mga feature | Timestamps, diarization, prompt, streaming |
Sinasabi ng speech to text guide ng OpenAI na “Whisper supports 98 languages, but accuracy varies by language” (salin: Sinusuportahan ng Whisper ang 98 wika, pero iba-iba ang accuracy ayon sa wika). Iyan ang tapat na panimulang punto: sinasabi ng listahan ng wika kung ano ang posible, hindi kung ano ang mahusay.
Anu-ano ang mga alternatibo sa Whisper API, at magkano ang mga ito?
| Opsyon | Presyo (list, Nob 2026) | Mga wika | Mga tala |
|---|---|---|---|
OpenAI Whisper API (whisper-1) |
USD 0.006/min | 98 (iba-iba ang accuracy) | 25 MB na file; prompt hanggang 224 token; magsasara sa 2027-02-26 |
OpenAI gpt-transcribe |
USD 0.0045/min (USD 0.27/oras) | Tingnan ang guide ng OpenAI | Inirerekomendang kapalit ng OpenAI; sa guide ng OpenAI, para lang sa whisper-1 ang word timestamps at para lang sa deprecated na diarize model ang speaker label |
| Groq, Whisper Large v3 | USD 0.111/oras | Multilingual | Sinasabi ng Groq na 10.3% WER; 10 segundong billing minimum |
| Groq, Whisper Large v3 Turbo | USD 0.04/oras | Multilingual | Sinasabi ng Groq na 12% WER; hindi trained para sa translation |
| Soniox (async) | mga USD 0.10/oras, sinisingil kada token | Higit sa 60, kasama ang Arabic | Sariling job-based na API, hindi OpenAI-compatible; real-time mga USD 0.12/oras |
| Self-hosted na Whisper | Gastos ng sarili mong GPU | Pareho sa Whisper | MIT licence; ikaw ang nagpapatakbo at nagsi-scale |
| BroadNet Transcribe | $0.002/min | 14 | Hindi Whisper; batay sa Cohere Transcribe |
| BroadNet Transcribe Arabic | $0.0042/min | Arabic | Iniuulat ng BroadNet ang ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) sa Open Universal Arabic ASR Leaderboard |
Sinuri ang mga presyo at ang mga numero ng Groq sa mga opisyal na page noong 2026-11-14; muling sinuri ang sa OpenAI noong 2026-11-15. Mas mahal kada oras ang gpt-transcribe ng OpenAI kaysa sa parehong BroadNet model. Parehong mas mura kada oras ang Turbo endpoint ng Groq at ang Soniox kaysa BroadNet Transcribe ($0.12 kada oras); kailangan ng bagong client code ang Soniox dahil hindi nito ginagamit ang hugis ng request ng OpenAI. Sariling nakalathalang numero ng Groq ang mga WER figure nito, hindi test sa iisang set kasama ang iba, kaya huwag itong direktang ikumpara sa mga numero ng BroadNet. Tungkol sa paglipat ang page na ito; para sa buong listahan ng presyo, kasama ang DeepSeek, AssemblyAI, Deepgram, Google, AWS at Speechmatics at ang presyo ng kanilang mga add-on, tingnan ang paghahambing ng presyo ng speech-to-text, at kinukuwenta ng speech-to-text cost calculator ang presyo ng sarili mong buwanang oras.
Ano talaga ang ibig sabihin ng mga numero ng accuracy?
Tatlong WER figure ang inilalathala ng BroadNet para sa BroadNet Transcribe Arabic sa model catalogue nito:
| Test set | Uri ng audio | WER |
|---|---|---|
| FLEURS-ar | Malinis na binasang pangungusap | 3.8 |
| MASC-ar | Halo-halong totoong Arabic | 21.1 |
| Dialect set ng BroadNet | Dialect na pananalita | 23.4 |
Sa parehong MASC at dialect set, iniuulat ng BroadNet na 31.5 at 31.8 ang Whisper large-v3, laban sa 21.1 at 23.4 ng Arabic model nito: mga ikatlong bahagi na mas kaunting error sa MASC at mga ikaapat na bahagi na mas kaunti sa dialect set. Sariling test ito ng BroadNet sa isang kakumpitensya, kaya i-check ito sa audio mo. Sa pampublikong Open Universal Arabic ASR Leaderboard, na gumagamit ng parehong mga test set para sa bawat entry, #19 sa 39 ang Whisper large-v3 noong Nobyembre 15, 2026 (average na WER 36.86), at #4 (24.19) ang Cohere Transcribe Arabic 07-2026, ang model na sine-serve ng BroadNet.
Ang agwat ang aral. Halos perpekto ang parehong model sa binasang pananalita at mas mahina nang malaki sa usapan. Sinasabi lang ng headline na WER ng anumang provider kung paano ito gumana sa audio ng iba. Malalim na tinalakay ang mga dialect sa Arabic dialect speech recognition.
Paano mag-test ng Whisper alternative sa isang hapon
- Mangolekta ng 30 hanggang 50 clip kada wika, mula sa totoong traffic: tawag, voice note, meeting. Alisin ang anumang hindi mo puwedeng ibahagi.
- Sumulat ng reference transcript para sa 10 clip kada wika, mano-mano.
- Patakbuhin ang dalawang API sa parehong mga clip. Sa mga OpenAI-compatible provider, client at model lang ang nagbabago:
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")
- Mag-score gamit ang parehong normalisation para sa dalawa, gamit ang jiwer:
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)))
- Basahin mismo ang 20 transcript. I-check ang mga numero, pangalan at product term. Puwedeng manalo ang isang model sa WER pero mali pa rin ang account number.
Kailan mas mabuting i-self-host ang Whisper?
MIT-licensed ang code at weights ng Whisper, kaya laging opsyon ang pagpapatakbo nito nang ikaw mismo. Makatuwiran ito kapag:
- Hindi puwedeng lumabas ng network mo ang audio, dahil sa legal o kontraktwal na dahilan.
- Pinapanatiling abala ng volume mo ang isang GPU sa halos buong araw, kaya hindi ka nagbabayad para sa mga oras na nakatengga ito.
- Kailangan mong mag-fine-tune sa sarili mong bokabularyo o accent.
Mas mahal ito kaysa mukhang kapag pabagu-bago ang traffic, kapag kailangan mo ng high availability sa ilang machine, o kapag walang sinuman sa team ang gustong humawak ng GPU driver at upgrade (ang break-even na kuwenta ng GPU). Binabanggit din ng README ng openai/whisper na hindi trained para sa translation ang turbo model. Ginagawang presyo kada minuto ng hosted API ang mga problemang iyon, kaya roon nagsisimula ang karamihan ng team at nagse-self-host lang kapag malinaw na ang volume at mga requirement.
Checklist sa paglipat
Ang pagpapalit ng base URL ang madaling bahagi. Bago mo ilipat ang traffic:
- Mga format. Tumatanggap ang OpenAI ng flac, mp3, mp4, m4a, ogg, wav at webm. WAV at MP3 ang tinatanggap ng BroadNet, kaya i-convert muna ang
.oggat.m4agamit ang ffmpeg. Para sa mga recording mula sa browser, tingnan ang mag-record ng audio sa browser at ipadala ito sa isang speech-to-text API. - Laki ng file. 25 MB ang cap ng upload sa OpenAI; 26,214,400 byte (25 MiB) sa BroadNet.
- Language field. Laging ipadala ito. Sa BroadNet, puwedeng bumalik sa Latin na titik ang Arabic kapag walang
language=ar. - Mga optional na parameter. Kung umaasa ka sa
prompt,verbose_jsono word timestamps, kumpirmahin na sinusuportahan ito ng alternatibo. Inilalarawan ng docs ng BroadNet ang isang JSON response na maytext. - Mga rate limit. Ang pay-as-you-go key ng BroadNet ay may 30 request kada minuto at 4 nang sabay-sabay.
Nasa OpenAI-compatible migration checklist ang pangkalahatang bersyon ng listahang ito.
Saan pumapasok ang BroadNet Transcribe
Piliin ang BroadNet kapag mahalaga ang accuracy sa Arabic, kapag gusto mong hindi itinatago ang audio at transcript (zero data retention), o kapag mas mababa ang $0.002 kada minuto sa 14 na wika kaysa sa kasalukuyan mong bill. Sakop ng $5 na panimulang credit ang mga 1,190 minuto ng Arabic na audio, sapat para patakbuhin ang test sa itaas; kumuha ng key sa BroadNet Inference. May curl at Python example ang gabay sa Arabic speech-to-text.
Manatili sa mga kapalit na model ng OpenAI, o sa ibang provider, kung kailangan mo ng isa sa maraming wikang hindi nakalista sa BroadNet, speech translation, live na transcription, o prompt at keyword hint (dinodokumento ito ng guide ng OpenAI para sa gpt-transcribe). Para i-translate sa Ingles ang mga Arabic recording mula sa mga file, gumagana rin ang two-step na pipeline: tingnan ang i-translate sa Ingles ang Arabic na audio. Para sa pinakamababang presyo sa Ingles, mas mura kada oras ang mga hosted na Whisper Turbo endpoint.
