Whisper आर्किटेक्चर डायग्राम: Transformer एनकोडर ऑडियो स्पेक्ट्रोग्राम पढ़ता है और डिकोडर टेक्स्ट लिखता है

Whisper ट्रांसक्रिप्शन गाइड 2026: सटीकता, मॉडल साइज़ और ऑफ़लाइन इस्तेमाल

2 जुलाई 2026(अपडेट: 31 अक्तूबर 2026)
·
पढ़ने में 9 मिनट
·Whisper Notes Team

Whisper ट्रांसक्रिप्शन का मतलब है OpenAI के Whisper से आवाज़ को टेक्स्ट में बदलना — यह एक ओपन-सोर्स AI मॉडल है जिसे आप क्लाउड में, किसी सर्वर पर, या पूरी तरह अपने ही डिवाइस पर चला सकते हैं। इस गाइड में जानिए Whisper कैसे काम करता है, कौन-सा मॉडल साइज़ चुनें, इसकी असली सटीकता कितनी है, और Mac या iPhone पर इसे ऑफ़लाइन चलाने का सबसे तेज़ तरीका क्या है।

Whisper आख़िर है क्या?

Whisper एक ऑटोमैटिक स्पीच रिकग्निशन (ASR) मॉडल है जिसे OpenAI ने सितंबर 2022 में MIT लाइसेंस के तहत जारी किया। यह एक encoder-decoder ट्रांसफ़ॉर्मर है, जिसे 6,80,000 घंटे से अधिक बहुभाषी ऑडियो पर प्रशिक्षित किया गया है, और यह लगभग 100 भाषाओं में ट्रांसक्रिप्शन के साथ-साथ अंग्रेज़ी में अनुवाद भी कर सकता है।

आपके लिए सबसे अहम बात: मॉडल के वेट्स ओपन हैं। Google या Amazon के स्पीच API के उलट, Whisper को किसी और के सर्वर पर चलना ज़रूरी नहीं। इसे लोकल चलाने का पूरा इकोसिस्टम मौजूद है — whisper.cpp, faster-whisper, और Whisper Notes जैसे नेटिव ऐप। इसी वजह से सचमुच ऑफ़लाइन, निजी ट्रांसक्रिप्शन संभव हो पाता है।

क्या बिना कोड लिखे Whisper चलाया जा सकता है? हाँ: GUI वाला ऐप Whisper मॉडल डाउनलोड करके उसे आपके लिए लोकल चलाता है — आप रिकॉर्डिंग इम्पोर्ट करते हैं और ट्रांसक्रिप्ट मिल जाता है, बिना Python, बिना टर्मिनल और बिना API key के। Mac और iPhone पर Whisper Notes यही करता है, Mac पर MacWhisper, और Windows, Mac व Linux पर Buzz (मुफ़्त और ओपन सोर्स)।

Whisper मॉडल साइज़: कौन-सा इस्तेमाल करें

Whisper छह मुख्य साइज़ में आता है। जितना बड़ा, उतना सटीक — और उतना ही धीमा:

मॉडल पैरामीटर गति किसके लिए सबसे अच्छा
tiny 39M सबसे तेज़ जल्दी ड्राफ़्ट, कमज़ोर हार्डवेयर
base 74M बहुत तेज़ सरल, साफ़ ऑडियो
small 244M तेज़ मोबाइल पर गति/सटीकता का अच्छा संतुलन
medium 769M मध्यम आज शायद ही कभी सही चुनाव
large-v3 1.55B सबसे धीमा अधिकतम सटीकता, मुश्किल ऑडियो
large-v3-turbo 809M large-v3 से ~5 गुना तेज़ जो संस्करण ज़्यादातर टूल में मिलता है

लगभग सभी के लिए जवाब है large-v3-turbo: यह large-v3 का encoder बरक़रार रखता है लेकिन decoder की परतें 32 से घटाकर 4 कर देता है — कहीं कम कंप्यूट में लगभग वही सटीकता। हमने इसका विस्तृत बेंचमार्क Whisper Large V3 Turbo vs V3 में किया है।

Whisper ट्रांसक्रिप्शन कितना सटीक है?

साफ़ अंग्रेज़ी ऑडियो पर बड़े मॉडल Open ASR Leaderboard में लगभग 5-8% वर्ड एरर रेट (WER) तक पहुँचते हैं। बैकग्राउंड शोर, भारी लहजों, एक-दूसरे पर बोलने और कम-संसाधन वाली भाषाओं में सटीकता घट जाती है।

Whisper की एक मशहूर कमज़ोरी: ख़ामोशी के दौरान हैलुसिनेशन। इसका ऑटोरिग्रेसिव decoder कभी-कभी तब दोहराए गए वाक्यांश या सबटाइटल क्रेडिट गढ़ देता है जब कोई बोल ही नहीं रहा होता। हमारे ख़ास ख़ामोशी-परीक्षणों में NVIDIA के Parakeet V3 ने एक भी झूठा शब्द नहीं गढ़ा; यह उसी परीक्षण तक सीमित नतीजा है, यह दावा नहीं कि कोई स्पीच मॉडल कभी ग़लती ही नहीं करता (पूरा Parakeet V3 vs Whisper बेंचमार्क)।

चीनी, जापानी और कोरियाई के लिए Whisper अकेला विकल्प नहीं है: देखें SenseVoice vs Qwen3-ASR।

Whisper ट्रांसक्रिप्शन चलाने के 5 तरीक़े

तरीक़ा लागत प्राइवेसी सेटअप
OpenAI API प्रति ऑडियो मिनट भुगतान ऑडियो अपलोड होता है API की + कोड
openai-whisper (रेफ़रेंस Python) मुफ़्त 100% लोकल Python एनवायरनमेंट, GPU की सलाह
whisper.cpp / faster-whisper मुफ़्त 100% लोकल कमांड लाइन
नेटिव ऐप (Whisper Notes) iPhone पर $7.99 एक बार; Mac पर $14, हर हफ़्ते 5,000 शब्द मुफ़्त 100% ऑन-डिवाइस कुछ नहीं
वेब डेमो टूल सीमित मुफ़्त टियर ऑडियो अपलोड होता है कुछ नहीं

सीधा नियम: अगर आप टर्मिनल में ही रहते हैं, तो faster-whisper बेहतरीन है। अगर कोई प्रोडक्ट बना रहे हैं, तो API समझदारी है (डेवलपर्स के लिए $0.006 प्रति ऑडियो मिनट)। और अगर आप बस अपनी रिकॉर्डिंग्स को Python छुए बिना निजी तौर पर टेक्स्ट में बदलना चाहते हैं, तो नेटिव ऐप इस्तेमाल करें — Whisper Mac ऐप्स के होने की यही पूरी वजह है।

ऑफ़लाइन टूल्स की और व्यापक तुलना चाहिए — Windows और Android विकल्पों समेत? हमारी संपूर्ण ऑफ़लाइन स्पीच-टू-टेक्स्ट गाइड देखें।

Whisper vs नए लोकल मॉडल (2026)

लोकल ट्रांसक्रिप्शन का दौर Whisper ने शुरू किया, लेकिन अब वह अकेला नहीं है। नीचे दी गई गति M4 Pro Mac पर मापी गई है:

मॉडल भाषाएँ गति ख़ासियत
Whisper Large V3 Turbo 100+ 14.3x रीयलटाइम (M4 Pro) सबसे व्यापक भाषा कवरेज
Parakeet V3 25 (यूरोपीय) रियल-टाइम से लगभग 74× (Mac) 6.32% WER, ख़ामोशी में कोई हैलुसिनेशन नहीं
SenseVoice Small zh, ja, ko, yue, en 115–131x रीयलटाइम (मॉडल कार्ड) चीनी, जापानी, कोरियाई के लिए सर्वश्रेष्ठ

तीनों मॉडल Whisper Notes में लोकल चलते हैं; iPhone पर Whisper का विकल्प Whisper Small है। मॉडल सेटिंग्स में चुना जाता है। आमने-सामने के बेंचमार्क हमारे Whisper मॉडल तुलना पेज पर हैं।

Mac और iPhone पर Whisper ट्रांसक्रिप्शन ऑफ़लाइन कैसे चलाएँ

न कमांड लाइन, न Python, न क्लाउड:

  1. Mac के लिए Whisper Notes डाउनलोड करें (हर हफ़्ते 5,000 शब्द मुफ़्त) या iPhone के लिए ($7.99 एक बार)।
  2. मॉडल चुनें: व्यापक भाषा कवरेज के लिए Whisper Large V3 Turbo, अंग्रेज़ी में रफ़्तार के लिए Parakeet, तेज़ चीनी, जापानी और कोरियाई के लिए SenseVoice, या Mac पर इन भाषाओं में कम गलतियों के लिए Qwen3-ASR 1.7B (Beta)। एक बार डाउनलोड होता है और फिर हमेशा ऑफ़लाइन काम करता है।
  3. सीधे रिकॉर्ड करें, Fn दबाए रखकर किसी भी ऐप में डिक्टेट करें (हमारी वेबसाइट वाले Mac ऐप में), या ऑडियो-वीडियो फ़ाइलें डालें (MP3, WAV, M4A, MP4)।
  4. टेक्स्ट प्रोसेसिंग के साथ-साथ आता जाता है। TXT या SRT में एक्सपोर्ट करें।

"ऑफ़लाइन" पर शक है? पहले एयरप्लेन मोड चालू करें। ट्रांसक्रिप्शन पूरी रफ़्तार से चलता रहेगा — कुछ भी अपलोड नहीं होता, कभी नहीं।

हिंदी में Whisper ट्रांसक्रिप्शन कितना सटीक है? कौन-सा मॉडल चुनें?

हिंदी के लिए सही चुनाव है Whisper Large V3 Turbo: यह जिन 100+ भाषाओं को कवर करता है, हिंदी उनमें शामिल है — जबकि Parakeet (सिर्फ़ यूरोपीय भाषाएँ) और SenseVoice (चीनी/जापानी/कोरियाई) इसे सपोर्ट नहीं करते। ~2GB का यह मॉडल Mac पर Whisper Notes में एक बार डाउनलोड होता है और फिर पूरी तरह ऑफ़लाइन चलता है; iPhone पर Whisper का विकल्प Whisper Small है, जो भी पूरी तरह ऑफ़लाइन चलता है। साफ़ ऑडियो और नज़दीकी माइक पर नतीजे सबसे अच्छे मिलते हैं; हिंग्लिश या मिली-जुली बोलचाल में सटीकता थोड़ी घट सकती है — इसलिए ख़रीदने से पहले Mac पर हर हफ़्ते मिलने वाले 5,000 मुफ़्त शब्दों में अपनी असली रिकॉर्डिंग्स से परखें।

अक्सर पूछे जाने वाले सवाल

क्या Whisper ट्रांसक्रिप्शन मुफ़्त है?

मॉडल स्वयं मुफ़्त और ओपन सोर्स है (MIT लाइसेंस)। whisper.cpp जैसे कमांड-लाइन टूल से चलाने में कोई पैसा नहीं लगता, पर सेटअप करना पड़ता है। OpenAI का API प्रति ऑडियो मिनट चार्ज करता है। नेटिव ऐप मॉडल को छोटी-सी फ़ीस में पैकेज कर देते हैं — Whisper Notes iPhone पर $7.99 और Mac पर $14 में एक बार ख़रीदा जाता है, और Mac पर हर हफ़्ते 5,000 शब्द मुफ़्त हैं।

क्या Whisper ट्रांसक्रिप्शन ऑफ़लाइन चल सकता है?

हाँ — ओपन वेट्स का मक़सद ही यही है। एक बार मॉडल फ़ाइल आपके डिवाइस पर आ जाए, तो इंटरनेट की ज़रूरत नहीं। Whisper Notes CoreML/Metal के ज़रिए Apple Silicon पर Whisper Large V3 Turbo चलाता है, पूरी तरह ऑफ़लाइन। आप एयरप्लेन मोड से तसदीक़ कर सकते हैं।

कौन-सा Whisper मॉडल सबसे सटीक है?

कच्ची सटीकता में large-v3 सबसे आगे है। large-v3-turbo WER में उससे एक प्रतिशत के अंश भर पीछे रहते हुए लगभग 5 गुना तेज़ चलता है — इसीलिए आज इतने सारे टूल इसी को साथ भेजते हैं।

क्या Whisper मेरी भाषा सपोर्ट करता है?

Whisper लगभग 100 भाषाएँ कवर करता है, और उच्च-संसाधन भाषाओं (अंग्रेज़ी, स्पैनिश, जर्मन, फ़्रेंच, हिंदी आदि) में सबसे मज़बूत है। चीनी, जापानी, कोरियाई और कैंटोनीज़ के लिए SenseVoice, Apple Silicon पर कहीं ज़्यादा तेज़ है, और Mac पर Qwen3-ASR 1.7B (Beta) कम गलतियाँ करता है; जापानी और कोरियाई में Whisper Large V3 Turbo भी SenseVoice के आसपास या उससे बेहतर है। Whisper जिन भाषाओं को सपोर्ट करता है, उनकी पूरी सूची हमारे भाषा पेज पर है, Parakeet और SenseVoice के साथ एक ही टेबल में।

क्या iPhone के लिए कोई Whisper ट्रांसक्रिप्शन ऐप है?

हाँ। Whisper Notes iPhone के न्यूरल इंजन के लिए अनुकूलित Whisper मॉडल चलाता है (iPhone 12 और नए) — रिकॉर्ड करें, Voice Memos या Files से इम्पोर्ट करें, और पूरा ट्रांसक्रिप्शन डिवाइस पर ही पाएँ, $7.99 में, कोई सब्सक्रिप्शन नहीं।