BroadRouter
شروع کریں

Whisper API کا متبادل: کب بدلیں، اور اسے کیسے ٹیسٹ کریں

BroadNet Inference ٹیم · 6 منٹ کی پڑھائی · شائع شدہ · اپ ڈیٹ

OpenAI نے whisper-1 کو فرسودہ (deprecated) قرار دیا ہے، جو 26 فروری 2027 کو بند ہوگا، اس لیے Whisper API کے ہر صارف کو کسی دوسرے ماڈل پر جانا ہوگا۔ متبادل ہر زبان میں اپنی 30 سے 50 کلپس پر word error rate سے چنیں، پھر قیمت سے۔ BroadNet Transcribe وہی OpenAI SDK کال لیتا ہے اور 14 زبانوں میں $0.002 فی منٹ ہے۔

بہت سی ٹیمیں OpenAI Whisper API سے ہی آغاز کرتی ہیں: ایک اینڈپوائنٹ، ایک قیمت، درجنوں زبانیں۔ Whisper API کا متبادل آپ تب ڈھونڈتے ہیں جب ان چار میں سے کچھ ہوتا ہے: آپ کی آڈیو پر درستگی کافی نہیں، حجم کے ساتھ بل بڑھتا ہے، آپ کی سیکیورٹی ٹیم چاہتی ہے کہ کم ڈیٹا رکھا جائے، یا جس ماڈل کو آپ کال کرتے ہیں وہ ریٹائر ہو رہا ہے۔ یہ پوسٹ بتاتی ہے کہ فیصلہ کیسے کریں، اور اپنا کوڈ دوبارہ لکھے بغیر کسی متبادل کو کیسے ٹیسٹ کریں۔

کیا OpenAI Whisper API ریٹائر ہو رہا ہے؟

جی ہاں، OpenAI کے موجودہ شیڈول کے مطابق۔ 2026-11-15 کو دیکھے گئے اس کے فرسودگی کے صفحے پر whisper-1، gpt-4o-transcribe، gpt-4o-mini-transcribe اور gpt-4o-transcribe-diarize فرسودہ درج ہیں: اطلاع 26 اگست 2026 کو دی گئی اور بندش کی تاریخ 26 فروری 2027 ہے۔ تجویز کردہ متبادل فائلوں کے لیے gpt-transcribe (USD 0.0045 فی منٹ، یعنی USD 0.27 فی گھنٹہ) اور لائیو آڈیو کے لیے gpt-live-transcribe ہے۔ اس کا قیمتوں کا صفحہ یہی چار ماڈلز فرسودہ دکھاتا ہے، اور اس کی اسپیچ ٹو ٹیکسٹ گائیڈ کہتی ہے “Start with gpt-transcribe” (ترجمہ: gpt-transcribe سے شروع کریں)۔ /v1/audio/translations اینڈپوائنٹ بھی فرسودہ ہے۔ یعنی ہر صورت آپ کو اپنی آڈیو نئے ماڈل پر دوبارہ ٹیسٹ کرنی ہوگی۔ اس لیے OpenAI کے متبادل کا دوسرے فراہم کنندگان سے انہی کلپس پر موازنہ کرنے کا یہ اچھا وقت ہے۔

پوری تصویر کے لیے ہمارا اوپن اسپیچ ٹو ٹیکسٹ API پرائس انڈیکس 20 سے زیادہ پروڈکٹس کی بیچ اور اسٹریمنگ قیمتیں، بلنگ اکائیاں اور عربی سپورٹ دکھاتا ہے، ہر ایک فراہم کنندہ کے اپنے قیمتوں کے صفحے سے جانچا ہوا (CSV اور JSON)۔

ٹیمیں Whisper API کا متبادل کیوں ڈھونڈتی ہیں؟

وجہ متبادل میں کیا جانچیں
کسی خاص زبان یا لہجے پر درستگی کسی متعلقہ ٹیسٹ سیٹ پر شائع شدہ word error rate، پھر آپ کا اپنا ٹیسٹ
زیادہ حجم پر قیمت فی آڈیو گھنٹہ قیمت اور کم از کم بلنگ
ڈیٹا ریٹینشن آڈیو اور ٹرانسکرپٹس محفوظ ہوتے ہیں یا نہیں، اور کتنی دیر
حدیں فائل کا سائز، فارمیٹس، ریٹ لمٹس
فیچرز ٹائم اسٹیمپس، ڈائرائزیشن، پرامپٹس، اسٹریمنگ

OpenAI کی اسپیچ ٹو ٹیکسٹ گائیڈ کہتی ہے “Whisper supports 98 languages, but accuracy varies by language” (ترجمہ: Whisper 98 زبانیں سپورٹ کرتا ہے، لیکن درستگی زبان کے لحاظ سے بدلتی ہے)۔ آغاز کا دیانت دار نقطہ یہی ہے: زبانوں کی فہرست بتاتی ہے کہ کیا ممکن ہے، یہ نہیں کہ کیا اچھا ہے۔

Whisper API کے کون سے متبادل ہیں، اور ان کی قیمت کیا ہے؟

آپشن قیمت (لسٹ، نومبر 2026) زبانیں نوٹس
OpenAI Whisper API (whisper-1) USD 0.006/منٹ 98 (درستگی بدلتی ہے) 25 MB فائلیں؛ 224 ٹوکن تک پرامپٹ؛ 2027-02-26 کو بند
OpenAI gpt-transcribe USD 0.0045/منٹ (USD 0.27/گھنٹہ) OpenAI کی گائیڈ دیکھیں OpenAI کا تجویز کردہ متبادل؛ OpenAI کی گائیڈ لفظی ٹائم اسٹیمپس صرف whisper-1 کے لیے اور اسپیکر لیبلز صرف فرسودہ diarize ماڈل کے لیے دکھاتی ہے
Groq، Whisper Large v3 USD 0.111/گھنٹہ کثیر لسانی Groq کے مطابق 10.3% WER؛ کم از کم بلنگ 10 سیکنڈ
Groq، Whisper Large v3 Turbo USD 0.04/گھنٹہ کثیر لسانی Groq کے مطابق 12% WER؛ ترجمے کے لیے تربیت یافتہ نہیں
Soniox (async) تقریباً USD 0.10/گھنٹہ، فی ٹوکن بل 60 سے زیادہ، عربی شامل اپنا جاب پر مبنی API، OpenAI سے مطابقت نہیں رکھتا؛ ریئل ٹائم تقریباً USD 0.12/گھنٹہ
سیلف ہوسٹڈ Whisper آپ کے GPU کی لاگت Whisper جتنی MIT لائسنس؛ چلانا اور اسکیل کرنا آپ کی ذمہ داری
BroadNet Transcribe $0.002/منٹ 14 Whisper نہیں؛ Cohere Transcribe پر مبنی
BroadNet Transcribe Arabic $0.0042/منٹ عربی BroadNet کے مطابق Open Universal Arabic ASR Leaderboard پر 37 میں سے #2 (یہ ستمبر 2026 کی پوزیشن ہے؛ 15 نومبر، 2026 کو لائیو لیڈر بورڈ پر یہ 39 میں سے #4 تھا)

قیمتیں اور Groq کے اعداد 2026-11-14 کو سرکاری صفحات پر جانچے گئے؛ OpenAI کے اعداد 2026-11-15 کو دوبارہ جانچے گئے۔ OpenAI کا gpt-transcribe فی گھنٹہ دونوں BroadNet ماڈلز سے مہنگا ہے۔ Groq کا Turbo اینڈپوائنٹ اور Soniox، دونوں فی گھنٹہ BroadNet Transcribe ($0.12 فی گھنٹہ) سے سستے ہیں؛ Soniox کے لیے نیا کلائنٹ کوڈ چاہیے، کیونکہ یہ OpenAI کی درخواست کی ساخت استعمال نہیں کرتا۔ Groq کے WER اعداد اس کے اپنے شائع کردہ ہیں، دوسروں کے ساتھ کسی مشترکہ سیٹ پر کیا گیا ٹیسٹ نہیں، اس لیے ان کا BroadNet کے اعداد سے براہ راست موازنہ نہ کریں۔ یہ صفحہ تبدیلی کے بارے میں ہے؛ DeepSeek، AssemblyAI، Deepgram، Google، AWS اور Speechmatics سمیت، ان کے اضافی فیچرز کی قیمتوں کے ساتھ، مکمل قیمتوں کی فہرست کے لیے اسپیچ ٹو ٹیکسٹ قیمتوں کا موازنہ دیکھیں، اور اسپیچ ٹو ٹیکسٹ لاگت کیلکولیٹر آپ کے ماہانہ گھنٹوں کی قیمت نکالتا ہے۔

درستگی کے اعداد کا اصل مطلب کیا ہے؟

BroadNet اپنے ماڈل کیٹلاگ میں BroadNet Transcribe Arabic کے لیے تین WER اعداد شائع کرتا ہے:

ٹیسٹ سیٹ آڈیو کی قسم WER
FLEURS-ar صاف پڑھے گئے جملے 3.8
MASC-ar حقیقی دنیا کی ملی جلی عربی 21.1
BroadNet کا لہجوں والا سیٹ لہجوں میں گفتگو 23.4

انہی MASC اور لہجوں والے سیٹس پر BroadNet، Whisper large-v3 کا WER 31.5 اور 31.8 بتاتا ہے، جبکہ اپنے عربی ماڈل کا 21.1 اور 23.4: یعنی MASC پر تقریباً ایک تہائی اور لہجوں والے سیٹ پر تقریباً ایک چوتھائی کم غلطیاں۔ یہ کسی حریف پر BroadNet کا اپنا ٹیسٹ ہے، اس لیے اسے اپنی آڈیو پر جانچیں۔ عوامی Open Universal Arabic ASR Leaderboard پر، جو ہر اندراج کے لیے وہی ٹیسٹ سیٹس استعمال کرتا ہے، 15 نومبر 2026 کو Whisper large-v3، 39 میں سے #19 تھا (اوسط WER 36.86)، اور Cohere Transcribe Arabic 07-2026، جسے BroadNet چلاتا ہے، #4 پر تھا (24.19)۔

سبق اسی فرق میں ہے۔ ایک ہی ماڈل پڑھی گئی آواز پر تقریباً بے عیب ہے اور گفتگو پر کافی کمزور۔ کسی بھی فراہم کنندہ کا نمایاں WER بتاتا ہے کہ اس نے کسی اور کی آڈیو پر کیسی کارکردگی دکھائی۔ لہجوں پر تفصیلی بحث عربی لہجوں کی اسپیچ ریکگنیشن میں ہے۔

ایک سہ پہر میں Whisper کے متبادل کو کیسے ٹیسٹ کریں

  1. ہر زبان میں 30 سے 50 کلپس جمع کریں، حقیقی ٹریفک سے: کالز، وائس نوٹس، میٹنگز۔ جو کچھ بھی آپ شیئر نہیں کر سکتے، اسے ہٹا دیں۔
  2. ہر زبان میں 10 کلپس کے ریفرنس ٹرانسکرپٹ ہاتھ سے لکھیں۔
  3. دونوں APIs کو انہی کلپس پر چلائیں۔ OpenAI سے مطابقت رکھنے والے فراہم کنندگان کے ساتھ صرف کلائنٹ اور ماڈل بدلتے ہیں:
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")
  1. دونوں کے لیے یکساں نارملائزیشن سے اسکور کریں، jiwer سے:
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)))
  1. 20 ٹرانسکرپٹس خود پڑھیں۔ اعداد، نام اور پروڈکٹ کی اصطلاحات جانچیں۔ کوئی ماڈل WER پر جیت کر بھی اکاؤنٹ نمبر غلط لکھ سکتا ہے۔

Whisper کو خود ہوسٹ کرنا کب بہتر ہے؟

Whisper کا کوڈ اور ویٹس MIT لائسنس کے تحت ہیں، اس لیے اسے خود چلانا ہمیشہ ایک آپشن ہے۔ یہ تب مناسب ہے جب:

  • آڈیو آپ کے نیٹ ورک سے باہر نہیں جا سکتی، قانونی یا معاہداتی وجوہات سے۔
  • آپ کا حجم دن کے زیادہ تر حصے GPU کو مصروف رکھتا ہے، تاکہ آپ خالی گھنٹوں کی ادائیگی نہ کریں۔
  • آپ کو فائن ٹیون کرنا ہے، اپنی اصطلاحات یا لہجے پر۔

جب ٹریفک میں اچانک اتار چڑھاؤ ہو، جب کئی مشینوں پر ہائی ایویلیبلٹی چاہیے، یا جب ٹیم میں کوئی GPU ڈرائیورز اور اپ گریڈز کی ذمہ داری نہیں لینا چاہتا، تب یہ نظر آنے سے زیادہ مہنگا پڑتا ہے (GPU بریک ایون کا حساب)۔ openai/whisper README یہ بھی بتاتا ہے کہ turbo ماڈل ترجمے کے لیے تربیت یافتہ نہیں۔ ہوسٹڈ API ان مسائل کو فی منٹ کی ایک قیمت میں بدل دیتا ہے، اسی لیے زیادہ تر ٹیمیں وہیں سے شروع کرتی ہیں اور حجم اور ضروریات واضح ہونے کے بعد ہی سیلف ہوسٹ کرتی ہیں۔

منتقلی کی چیک لسٹ

base URL بدلنا آسان حصہ ہے۔ ٹریفک منتقل کرنے سے پہلے:

  • فارمیٹس۔ OpenAI، flac، mp3، mp4، m4a، ogg، wav اور webm قبول کرتا ہے۔ BroadNet، WAV اور MP3 قبول کرتا ہے، اس لیے .ogg اور .m4a کو پہلے ffmpeg سے تبدیل کریں۔ براؤزر ریکارڈنگز کے لیے براؤزر میں آڈیو ریکارڈ کر کے اسپیچ ٹو ٹیکسٹ API کو بھیجیں دیکھیں۔
  • فائل کا سائز۔ OpenAI اپ لوڈ کی حد 25 MB رکھتا ہے؛ BroadNet 26,214,400 بائٹس (25 MiB)۔
  • زبان کا فیلڈ۔ ہمیشہ بھیجیں۔ BroadNet پر language=ar کے بغیر عربی لاطینی حروف میں واپس آ سکتی ہے۔
  • اختیاری پیرامیٹرز۔ اگر آپ prompt، verbose_json یا لفظی ٹائم اسٹیمپس پر انحصار کرتے ہیں تو تصدیق کریں کہ متبادل انہیں سپورٹ کرتا ہے۔ BroadNet کی دستاویزات text والا JSON ریسپانس بیان کرتی ہیں۔
  • ریٹ لمٹس۔ BroadNet کی استعمال کے مطابق ادائیگی والی کلیدیں فی منٹ 30 درخواستوں اور بیک وقت 4 درخواستوں کی اجازت دیتی ہیں۔

اس فہرست کی عمومی شکل OpenAI سے مطابقت رکھنے والے API پر منتقلی کی چیک لسٹ میں ہے۔

BroadNet Transcribe کہاں موزوں ہے

BroadNet چنیں جب عربی کی درستگی اہم ہو، جب آپ چاہتے ہوں کہ آڈیو اور ٹرانسکرپٹس محفوظ نہ کیے جائیں (زیرو ڈیٹا ریٹینشن)، یا جب 14 زبانوں میں $0.002 فی منٹ آپ کے موجودہ بل سے کم ہو۔ $5 کا ابتدائی کریڈٹ تقریباً 1,190 منٹ کی عربی آڈیو کا احاطہ کرتا ہے، جو اوپر کا ٹیسٹ چلانے کے لیے کافی ہے؛ BroadNet Inference پر کلید حاصل کریں۔ عربی اسپیچ ٹو ٹیکسٹ گائیڈ میں curl اور Python کی مثالیں ہیں۔

OpenAI کے متبادل ماڈلز، یا کسی دوسرے فراہم کنندہ، کے ساتھ رہیں اگر آپ کو ان بہت سی زبانوں میں سے کوئی چاہیے جو BroadNet کی فہرست میں نہیں، یا اسپیچ ٹرانسلیشن، لائیو ٹرانسکرپشن، یا پرامپٹس اور کلیدی الفاظ کے اشارے چاہئیں (OpenAI کی گائیڈ انہیں gpt-transcribe کے لیے دستاویز کرتی ہے)۔ فائلوں سے عربی ریکارڈنگز کا انگریزی ترجمہ کرنے کے لیے دو مرحلوں والی پائپ لائن بھی کام کرتی ہے: عربی آڈیو کا انگریزی ترجمہ دیکھیں۔ انگریزی کی سب سے کم قیمت کے لیے ہوسٹڈ Whisper Turbo اینڈپوائنٹس فی گھنٹہ سستے پڑتے ہیں۔

عام سوالات

OpenAI Whisper API کا بہترین متبادل کون سا ہے؟

وہ، جس کا آپ کی اپنی آڈیو پر word error rate سب سے کم ہو اور قیمت آپ کو قبول ہو۔ عربی کے لیے عربی لہجوں کے لیے بنے ماڈلز ٹیسٹ کریں۔ سب سے کم قیمت پر انگریزی کے لیے ہوسٹڈ Whisper Large v3 Turbo اینڈپوائنٹس کو ہرانا مشکل ہے۔

کیا Whisper سے سستا کوئی API ہے؟

جی ہاں۔ OpenAI، whisper-1 (فرسودہ) کی قیمت USD 0.006 فی منٹ اور اس کے متبادل gpt-transcribe کی USD 0.0045 بتاتا ہے۔ Groq، Whisper Large v3 کی قیمت USD 0.111 فی گھنٹہ اور Large v3 Turbo کی USD 0.04 فی گھنٹہ بتاتا ہے، اور BroadNet Transcribe $0.002 فی منٹ ہے۔

کیا Whisper کے متبادل کے ساتھ OpenAI SDK استعمال کرتے رہ سکتے ہیں؟

OpenAI سے مطابقت رکھنے والے فراہم کنندہ کے ساتھ، جی ہاں۔ base_url، API کلید اور ماڈل ID بدلیں۔ جانچ لیں کہ فراہم کنندہ کون سے اختیاری پیرامیٹرز سپورٹ کرتا ہے، جیسے prompt، response_format اور ٹائم اسٹیمپس۔

کیا Whisper عربی کے لیے اچھا ہے؟

Whisper جدید معیاری عربی کو بول چال کے لہجوں سے کہیں بہتر سنبھالتا ہے۔ OpenAI خود کہتا ہے کہ درستگی زبان کے لحاظ سے بدلتی ہے۔ فیصلے سے پہلے اپنی ریکارڈنگز پر ہر لہجے کا word error rate ناپیں۔

کیا اس کے بجائے Whisper خود ہوسٹ کرنا چاہیے؟

سیلف ہوسٹنگ تب مناسب ہے جب آڈیو آپ کے نیٹ ورک سے باہر نہیں جا سکتی یا آپ کا حجم GPUs کو مصروف رکھتا ہے۔ Whisper کا کوڈ اور ویٹس MIT لائسنس کے تحت ہیں۔ ورنہ ہوسٹڈ API عموماً خالی بیٹھے GPU سے سستا پڑتا ہے۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں