Whisper API मूल्य निर्धारण: टेक्स्ट चरण क्या जोड़ता है

टेक्स्ट पक्ष पर प्रति जॉब लागत

स्पीच-टू-टेक्स्ट और टेक्स्ट जनरेशन अलग-अलग इकाइयों में दाम पर हैं, इसलिए उन्हें अलग-अलग देखना बेहतर है। यह पेज टेक्स्ट वाले हिस्से को कवर करता है, क्योंकि यही वह हिस्सा है जिसे यह सेवा बेचती है। नीचे दिए गए अंक सीधे मूल्य सूची से आए हैं: प्रति मिलियन इनपुट टोकन $0.15 और प्रति मिलियन आउटपुट टोकन $0.50।

काम	इनपुट टोकन	आउटपुट टोकन	लागत
10-मिनट की संक्षिप्त बैठक, छोटा सारांश	2,000	300	$0.00045
1-घंटे की बैठक, सारांश और किए जाने वाले कार्य	12,000	800	$0.0022
3-घंटे की कार्यशाला, संरचित नोट्स	36,000	1,500	$0.00615
लगभग-पूरी कॉन्टेक्स्ट विंडो, लंबी रिपोर्ट	96,000	4,000	$0.0164

यहाँ टोकन गणनाएँ अनुमानित हैं। अंग्रेजी भाषण के लिए एक अनुमानित नियम यह है कि एक घंटे की बोलचाल लगभग 9,000 शब्द उत्पन्न करती है, जो 12,000 टोकन के क्रम में है, लेकिन वास्तविक संख्याएँ वक्ता और ट्रांसक्रिप्ट की फॉर्मेटिंग पर निर्भर करती हैं।

गणना कैसे काम करती है

एक घंटे की मीटिंग लें। इनपुट 12,000 टोकन है, इसलिए 12,000 / 1,000,000 x $0.15 = $0.0018। आउटपुट 800 टोकन है, इसलिए 800 / 1,000,000 x $0.50 = $0.0004। कुल मिलाकर $0.0018 + $0.0004 = $0.0022, जो दो दशमलव स्थानों वाले सेंट से थोड़ा अधिक है।

आउटपुट टोकन की लागत इनपुट टोकन से तीन गुना से अधिक है, जो रणनीति निर्धारित करता है: लंबी ट्रांसक्रिप्ट पढ़ना सस्ता है, लंबा उत्तर लिखना ही खर्च का मुख्य हिस्सा है। 5 प्रतिशत ट्रांसक्रिप्ट लंबाई वाला सारांश पूरी ट्रांसक्रिप्ट को फिर से लिखने की तुलना में बहुत कम खर्च करता है।

यह गणना एक फ़ंक्शन के रूप में, अगर आप इसे अपने स्वयं के वॉल्यूम के लिए चलाना चाहते हैं:

Copy# Base URL https://api.whisperapis.com/v1, model "uncensored"
def text_cost(input_tokens, output_tokens):
    # $0.15 per 1M input tokens, $0.50 per 1M output tokens
    return input_tokens * 0.15 / 1_000_000 + output_tokens * 0.50 / 1_000_000

print(round(text_cost(12_000, 800), 6))    # one-hour meeting -> 0.0022
print(round(text_cost(36_000, 1_500), 6))  # three-hour workshop -> 0.00615

सबसे बड़ी पंक्ति पर अंकगणित की जाँच भी करें: 96,000 x $0.15 / 1M = $0.0144, और 4,000 x $0.50 / 1M = $0.002, जो $0.0164 बनता है।

ऑडियो पक्ष एक अलग आइटम है

यह सेवा ऑडियो ट्रांसक्राइब नहीं करती, इसलिए इसकी प्रति-मिनट ऑडियो लागत नहीं है। इसके लिए आपको अपने द्वारा चुने गए Whisper-आधारित सेवा की आवश्यकता होगी। विभिन्न प्रदाताओं से होस्टेड ट्रांसक्रिप्शन आमतौर पर ऑडियो की प्रति मिनट या घंटे के लिए बिल करता है, जबकि सेल्फ-होस्टेड सेटअप उस शुल्क को GPU या CPU समय की लागत और आपके स्वयं के रखरखाव से बदल देता है। कीमतें अक्सर बदलती रहती हैं, इसलिए किसी ब्लॉग से कॉपी की गई संख्या पर निर्भर रहने के बजाय उनकी वर्तमान कीमतें जाँचें।

बजट बनाने के लिए, दोनों पक्षों को जोड़ें: ऑडियो घंटे गुणा भाषा दर, प्लस ट्रांसक्रिप्ट्स गुणा ऊपर दी गई टोकन दर। अधिकांश पाइपलाइनों में जो बैठकों को प्रोसेस करते हैं, ट्रांसक्रिप्शन लाइन दोनों में बड़ी होती है, क्योंकि 1-घंटे की कॉल पर टेक्स्ट स्टेप की लागत एक सेंट का अंश होती है। यदि आप Whisper को अपने स्वयं के हार्डवेयर पर चलाते हैं, तो टेक्स्ट API वह एकमात्र प्रत्यक्ष बिल हो सकता है जिसे आप देखेंगे।

अगर आपको सेटअप का विवरण चाहिए, तो क्विकस्टार्ट टेक्स्ट स्टेप के लिए अनुरोध प्रारूप दिखाता है।

प्रीपेड क्रेडिट, कोई मुफ़्त स्तर नहीं

कोई मुफ़्त स्तर और कोई सब्सक्रिप्शन नहीं है। आप प्रीपेड क्रेडिट से भुगतान करते हैं, और क्रेडिट कभी खत्म नहीं होता। नए उपयोगकर्ताओं के पास भुगतान किए बिना परीक्षण करने का एक ही तरीका है: साइन-अप के बाद, API कुंजी पेज पर $0.50 के ट्रायल क्रेडिट के लिए एक क्लिक का बटन होता है। यह हर व्यक्ति के लिए एक बार है, 7 दिनों के लिए मान्य है, और इसके लिए कार्ड की आवश्यकता नहीं है।

यह $0.50 जितना दिखता है उससे कहीं अधिक काम करता है। प्रति 1-घंटे की बैठक $0.0022 पर, यह लगभग 227 सारांशों को कवर करता है (0.50 / 0.0022 = 227.3)। ट्रायल कुंजी 2 समानांतर अनुरोधों और प्रति मिनट 60 अनुरोधों तक सीमित है, जो रिकॉर्डिंग्स के बैच पर पाइपलाइन का परीक्षण करने के लिए पर्याप्त है।

ट्रायल के बाद, आप $20 से $500 तक किसी भी पूर्ण राशि से टॉप-अप करते हैं। आप कार्ड (Visa, Mastercard, Apple Pay, Google Pay) या क्रिप्टो (TRC20 पर USDT, Base पर USDC) से भुगतान करते हैं। बड़े टॉप-अप को प्राप्त क्रेडिट पर बोनस मिलता है:

टॉप-अप	बोनस	क्रेडिट प्राप्त हुआ
$20	कोई	$20.00
$50	+5%	$52.50
$100	+10%	$110.00
$200	+15%	$230.00

प्राइसिंग पेज पर वर्तमान सूची एक ही स्थान पर है।

बैठकों के एक महीने की लागत

मान लें कि एक टीम सप्ताह में 40 1-घंटे की बैठकों का रिकॉर्डिंग करती है। यह महीने में लगभग 173 है (40 x 52 / 12 = 173.3)। प्रत्येक की टेक्स्ट साइड पर लागत $0.0022 है, इसलिए मासिक कुल लगभग 173.3 x $0.0022 = $0.38 है। एक $20 टॉप-अप उस कार्यभार के चार वर्षों से अधिक को कवर करेगा, और क्रेडिट की कोई समाप्ति तिथि नहीं है (यह कभी समाप्त नहीं होता)।

अब एक भारी मामला: एक सेवा जो एक महीने में 5,000 1-घंटे की रिकॉर्डिंग्स को प्रोसेस करती है, जिसमें 12,000-टोकन इनपुट और 800-टोकन सारांश है। यह 5,000 x $0.0022 = $11 है। आउटपुट को 3,000 टोकन प्रति रिकॉर्डिंग बढ़ा दें क्योंकि ग्राहक विस्तृत नोट्स चाहते हैं, और रिकॉर्डिंग प्रति आउटपुट लागत 3,000 x $0.50 / 1M = $0.0015 हो जाती है, इसलिए प्रति रिकॉर्डिंग कुल $0.0018 + $0.0015 = $0.0033 होता है, और महीना $16.50 आता है।

ध्यान दें कि बिल में क्या बदला गया। ट्रांसक्रिप्ट लंबाई नहीं बदली, केवल उत्तर की लंबाई। यदि लागत अपेक्षा से तेजी से बढ़ती है, तो सबसे पहले अपनी आउटपुट का आकार देखें।

मैन्युअल रूप से इसे करने की तुलना

ईमानदार तुलना आपके स्वयं के समय के साथ है। एक सहायक जो 1-घंटे की रिकॉर्डिंग सुनता है और नोट्स टाइप करता है, उसे एक घंटा या उससे अधिक समय लगता है। मॉडल उसी घंटे को कुछ सेकंड में टेक्स्ट के रूप में पढ़ता है और नोट्स शायद आधे मिनट में लिखता है। प्रति 1-घंटे की बैठक $0.0022 पर, टेक्स्ट स्टेप वह जगह नहीं है जहाँ पैसा जाता है; ऑडियो ट्रांसक्रिप्शन, पाइपलाइन बनाने के लिए इंजीनियरिंग कार्य में लगा समय और आउटपुट की समीक्षा में अधिक खर्च आता है।

मॉडल भी गलतियाँ करता है, इसलिए किसी भी महत्वपूर्ण चीज़ के लिए एक छोटी सी मानव जाँच के लिए बजट बनाएं। एक समीक्षक जो जनरेटेड नोट्स को दो मिनट के लिए स्किम करता है, वह उन्हें शून्य से लिखने से अभी भी तेज़ है, और जाँच कभी-कभी गढ़ी गई जानकारी या गलत सुनी गई संख्या को पकड़ लेती है। विफल या अस्वीकृत अनुरोधों की कोई लागत नहीं होती, इसलिए केवल उन उत्तरों पर ही खर्च होता है जिन्हें आपने वास्तव में प्राप्त किया है।

पाठ बिल को छोटा रखने के तरीके

• उत्तर को सीमित करें। जब आपको केवल एक छोटा सारांश चाहिए, तो max_tokens सेट करें। यह वैकल्पिक है, लेकिन यह एक अजीब ट्रांसक्रिप्ट पर अत्यधिक उत्तर को रोकता है।
• ट्रांसक्रिप्ट को फिर से न भेजें। यदि आपको एक मीटिंग से तीन आउटपुट चाहिए, तो तीन कॉल के बजाय एक अनुरोध में JSON ऑब्जेक्ट के रूप में उन्हें मांगें, जिनमें प्रत्येक के लिए 12,000 इनपुट टोकन का शुल्क लगता है।
• प्रतिक्रिया से उपयोग पढ़ें। usage ब्लॉक प्रॉम्प्ट और पूर्ण टोकन रिपोर्ट करता है, और स्ट्रीम किए गए प्रतिक्रियाओं में अंत में उपयोग शामिल होता है। X-Balance-USD प्रतिक्रिया हेडर आपके शेष क्रेडिट को दिखाता है।
• पुनरावृत्ति को सस्ता रखें। विफल या अस्वीकृत अनुरोधों के लिए भुगतान नहीं किया जाता है, इसलिए त्रुटियों पर पुनरावृत्ति लूप बिल में वृद्धि नहीं करता है।

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.whisperapis.com/v1", api_key="YOUR_KEY")
messages = [{"role": "user", "content": "Summarize in five bullets: ..."}]

resp = client.chat.completions.create(
    model="uncensored",
    messages=messages,
    max_tokens=900,
)
u = resp.usage
print(u.prompt_tokens, u.completion_tokens)
print(text_cost(u.prompt_tokens, u.completion_tokens))

उन आदतों के साथ संतुलन हेडर की दैनिक जाँच जोड़ें और आपको एक दिन के भीतर लागत की समस्या दिख जाएगी, महीने के अंत में नहीं। दस्तावेज़ में रिस्पॉन्स हेडर और एरर कोड सूचीबद्ध हैं।

अधिक गाइड

• Whisper API सर्वर: सेटअप विकल्प और पाठ चरण
• LLM API मीटिंग नोट्स: पायथन में ट्रांसक्रिप्ट से सारांश
• Midjourney API: समस्या निवारण और विकल्प