आप 55 मिनट का एक इंटरव्यू अपलोड करते हैं, एक मिनट इंतज़ार करते हैं, और एक विनम्र संदेश मिलता है कि फ्री प्लान 30 मिनट पर रुक जाता है। या इससे भी बुरा, टूल आधा ट्रांसक्रिप्शन खुशी-खुशी कर देता है और बाकी को एक अपग्रेड बटन के पीछे छिपा देता है। जिसने भी असली काम के लिए फ्री AI ट्रांसक्रिप्शन आज़माया है, वह इस दीवार से टकरा चुका है। मार्केटिंग कहती है "सेकंडों में अनलिमिटेड सटीकता।" पर बारीक शर्तें कुछ और ही कहती हैं।
यह लेख उन सीमाओं को सामने रखता है जिनसे आपका वास्ता सचमुच पड़ेगा: मासिक मिनट कोटा, हर फ़ाइल की अवधि की सीमा, अपलोड साइज़ की ऊपरी सीमा, और सटीकता में गिरावट, जिनका कोई प्राइसिंग पेज ज़िक्र नहीं करता। यह भी बताता है कि जब फ्री प्लान काफ़ी न रहे, तब क्या करना है।
💡 त्वरित उत्तर: फ्री प्लान आम तौर पर तीन तरीकों से एक साथ सीमित करते हैं: कुल मिनट प्रति माह, हर रिकॉर्डिंग के मिनट, और अपलोड की संख्या। इनमें से कोई भी एक सीमा पूरी हो जाए तो काम रुक जाता है, भले ही बाकी सीमाओं में जगह बची हो।
फ्री प्लान इतनी जल्दी क्यों खत्म हो जाते हैं
ट्रांसक्रिप्शन चलाने में पैसा लगता है। आप जितना भी ऑडियो भेजते हैं, उसमें कंप्यूट खर्च होता है, और प्रोवाइडर को इस खर्च पर कहीं न कहीं सीमा लगानी पड़ती है। यह सीमा अक्सर वहाँ नहीं होती जहाँ आप उम्मीद करते हैं।

तीन सीमाएँ, एक नहीं
ज़्यादातर फ्री टियर तीन अलग-अलग सीमाएँ एक के ऊपर एक लगाते हैं:
- मासिक मिनट पूल। कुछ सौ मिनट बहुत लगते हैं, जब तक आप यह नहीं समझते कि एक साप्ताहिक टीम मीटिंग ही उनमें से 60 मिनट खा जाती है।
- प्रति रिकॉर्डिंग की ऊपरी सीमा। कई टूल हर फ़ाइल पर 30 मिनट पर काट देते हैं, और कुछ फ्री टियर प्रति रिकॉर्डिंग कुछ मिनट तक ही सीमित रखते हैं।
- इंपोर्ट काउंटर। कुछ सेवाएँ आपको मौजूदा फ़ाइलें बस कुछ ही, और वे भी कुल मिलाकर, हमेशा के लिए अपलोड करने देती हैं, जबकि लाइव रिकॉर्डिंग खुली रहती है।
सबसे परेशान करने वाली बात यह है कि ये सीमाएँ आपस में मिलकर काम करती हैं। आपके पूल में 200 मिनट बचे हो सकते हैं, फिर भी आप 45 मिनट का लेक्चर प्रोसेस नहीं कर पाते, क्योंकि प्रति फ़ाइल वाली सीमा उसे रोक देती है।
संख्याएँ बार-बार क्यों बदलती हैं
प्रोवाइडर कोटा अक्सर बदलते हैं। 2026 की तुलनात्मक रिपोर्टों में बताया गया है कि एक लोकप्रिय मीटिंग असिस्टेंट ने अपना फ्री कोटा पिछले प्लान की तुलना में आधा कर दिया। किसी ब्लॉग पोस्ट की कोई भी संख्या, नीचे दी गई संख्याएँ भी शामिल, एक स्नैपशॉट मानें। किसी प्रोजेक्ट की योजना बनाने से पहले लाइव प्राइसिंग पेज ज़रूर जाँचें।
फ्री प्लान असल में क्या देते हैं
यह मध्य 2026 की तुलनात्मक रिपोर्टों पर आधारित एक स्नैपशॉट है। विक्रेता इन आँकड़ों को बदलते रहते हैं, इसलिए इन्हें हर ऑफ़र का स्वरूप समझने के लिए इस्तेमाल करें, किसी अनुबंध की तरह नहीं।
| सेवा का प्रकार | रिपोर्ट किया गया फ्री कोटा | मुख्य पेच |
|---|
| मीटिंग असिस्टेंट (Otter जैसा) | लगभग 300 मिनट प्रति माह | प्रति बातचीत 30 मिनट, 3 आजीवन फ़ाइल इंपोर्ट |
| Notta जैसा वेब ऐप | लगभग 120 मिनट प्रति माह | फ्री पर लगभग 3 मिनट प्रति रिकॉर्डिंग |
| Rev जैसी सेवा | लगभग 45 AI मिनट प्रति माह | सिर्फ़ अंग्रेज़ी |
| TurboScribe जैसा वेब ऐप | दिन में 3 ट्रांसक्रिप्शन | प्रति फ़ाइल 30 मिनट |
| AWS Transcribe | प्रति माह 60 मिनट | सिर्फ़ पहले 12 महीने मुफ़्त, और यह एक API है |
| छोटे "Whisper" वेब रैपर | प्रति माह लगभग 5 मिनट | परीक्षण के लिए मुश्किल से काफ़ी |
तालिका को ईमानदारी से पढ़ना
300 मिनट का पूल 5 मिनट के पूल से 60 गुना बड़ा दिखता है, लेकिन प्रति बातचीत 30 मिनट की सीमा तय करती है कि टूल आपकी असली फ़ाइल संभाल पाएगा या नहीं। हेडलाइन संख्या के बजाय वह सीमा देखें जो आपकी आम रिकॉर्डिंग से मेल खाती हो।
जाँचने लायक छिपी हुई पाबंदियाँ
मिनटों के अलावा, किसी टूल पर पक्का फ़ैसला करने से पहले ये चीज़ें भी देखें:
- एक्सपोर्ट की सीमाएँ। कुछ फ्री प्लान आपको स्क्रीन पर ट्रांसक्रिप्ट पढ़ने देते हैं, पर TXT, SRT या DOCX एक्सपोर्ट लॉक कर देते हैं।
- भाषा की पाबंदियाँ। फ्री पर सिर्फ़ अंग्रेज़ी होना आम बात है।
- स्पीकर लेबल। अक्सर ये पेड होते हैं।
- डेटा रखने की अवधि। फ्री ट्रांसक्रिप्ट एक तय अवधि के बाद हटाए जा सकते हैं।
- ट्रेनिंग के लिए उपयोग। जाँचें कि आपका ऑडियो विक्रेता के मॉडल सुधारने में इस्तेमाल हो सकता है या नहीं, खासकर इंटरव्यू या क्लाइंट कॉल के लिए।
💡 टिप: किसी डेडलाइन वाले काम के लिए टूल पर भरोसा करने से पहले दो स्पीकर और कुछ तकनीकी शब्दों वाला 3 मिनट का टेस्ट क्लिप चलाएँ। इसका खर्च लगभग कुछ नहीं होता, और यह तुरंत बताता है कि एक्सपोर्ट, स्पीकर और भाषा की सीमाएँ क्या हैं।
फ़ाइल की लंबाई और साइज़ की सीमाएँ
लंबाई और साइज़ अलग-अलग सीमाएँ हैं, और लोग इन्हें लगातार आपस में मिला देते हैं। एक घंटे की रिकॉर्डिंग कंप्रेस्ड MP3 के रूप में छोटी हो सकती है और अनकंप्रेस्ड WAV के रूप में बहुत बड़ी।

अवधि की सीमाएँ
अवधि की सीमाएँ ही पॉडकास्ट एपिसोड, वेबिनार और लेक्चर को रोकती हैं। प्रति फ़ाइल 30 मिनट की सीमा ज़्यादातर असली रिकॉर्डिंग को रोक देती है, क्योंकि आम पॉडकास्ट एपिसोड 40 से 90 मिनट के होते हैं और कई यूनिवर्सिटी लेक्चर लगभग एक घंटे के होते हैं।
अगर किसी सीमा में फँसे हैं, तो आपके पास दो सीधे विकल्प हैं: ऑडियो को बाँटना या लंबी फ़ाइलों के लिए बने टूल पर जाना।
अपलोड साइज़ की सीमाएँ
साइज़ की ऊपरी सीमाएँ इंफ़्रास्ट्रक्चर की तरफ़ से आती हैं। कई स्पीच-टू-टेक्स्ट API, जिनमें OpenAI के audio endpoints भी शामिल हैं, आम तौर पर प्रति रिक्वेस्ट लगभग 25 MB की अपलोड सीमा दर्ज करते रहे हैं। कंप्रेस्ड ऑडियो के लिए यह काफ़ी है, पर WAV फ़ाइलों के लिए तंग है।
पैमाने का मोटा अंदाज़ा:
| फ़ॉर्मेट | प्रति घंटा लगभग साइज़ | 25 MB के अंदर आता है? |
|---|
| WAV, 44.1 kHz स्टीरियो | लगभग 600 MB | नहीं |
| WAV, 16 kHz मोनो | लगभग 115 MB | नहीं |
| MP3, 128 kbps | लगभग 57 MB | नहीं |
| MP3, 64 kbps मोनो | लगभग 29 MB | मुश्किल से नहीं |
| MP3, 32 kbps मोनो (स्पीच) | लगभग 14 MB | हाँ |
स्पीच कम गुणवत्ता को सह लेती है। मोनो, 32 से 64 kbps की फ़ाइल आवाज़ के लिए ठीक सुनाई देती है, और स्पीच मॉडलों को आम तौर पर अच्छे नतीजों के लिए म्यूज़िक-क्वालिटी ऑडियो की ज़रूरत नहीं होती।

लंबे ऑडियो को कैसे बाँटें
बाँटना सबसे सस्ता उपाय है। इन चरणों का पालन करें:
- मोनो में बदलें और बिटरेट घटाएँ। इससे आवाज़ के लिए सटीकता में थोड़े ही नुकसान के साथ फ़ाइल काफ़ी छोटी हो जाती है।
- निश्चित समय पर नहीं, साइलेंस पर काटें। वाक्य के बीच में काटने से सीमाओं पर शब्द बिगड़ जाते हैं।
- कुछ सेकंड का ओवरलैप रखें। छोटा ओवरलैप आपको एक भी वाक्यांश खोए बिना टेक्स्ट को जोड़ने में मदद करता है।
- टुकड़ों को क्रम से नाम दें।
part01, part02 और इसी तरह के नाम बाद में उलझन से बचाते हैं।
- जोड़ों को मिलाएँ और उनकी प्रूफ़रीडिंग करें। हर जॉइन पॉइंट जाँचें, क्योंकि वहीं दोहराए या छूटे हुए शब्द दिखते हैं।

जहाँ सटीकता घटती है
विक्रेता 95 प्रतिशत या उससे ज़्यादा का दावा करना पसंद करते हैं। ये आँकड़े साफ़, एक-स्पीकर वाली, स्टूडियो-क्वालिटी रिकॉर्डिंग से आते हैं, जो बड़ी भाषाओं में होती हैं। असल ज़िंदगी ज़्यादा उलझी होती है।
बैकग्राउंड शोर
कैफ़े, कार, चलता पंखा: ये सब सटीकता को कम करते हैं। आधुनिक मॉडल पुराने इंजनों से कहीं ज़्यादा मज़बूत हैं, पर शोर फिर भी शब्द छूटने, गढ़े हुए शब्द आने और गलत नाम लिखे जाने का कारण बनता है। माइक्रोफ़ोन को स्पीकर के बिल्कुल पास रखें, तो सुधार किसी सेटिंग मेनू की पेशकश से कहीं बड़ा होता है।

उच्चारण, जार्गन और नाम
सटीकता उच्चारण, बोली और शब्दावली के हिसाब से बदलती है। मेडिकल शब्द, कानूनी वाक्यांश, प्रोडक्ट के नाम और लोगों के सरनेम आम विफलता के बिंदु हैं। जो मॉडल सामान्य अंग्रेज़ी पर अच्छे अंक लाता है, वह भी किसी दवा के नाम को बेतुका बना सकता है।
- प्रॉम्प्ट में ग्लॉसरी जोड़ें, अगर टूल इसकी इजाज़त देता है। कई आधुनिक ट्रांसक्रिप्शन मॉडल स्पेलिंग के संकेतों वाला छोटा प्रॉम्प्ट स्वीकार करते हैं।
- शुरुआती कुछ गलतियाँ सुधारें और पैटर्न खोजें। अगर एक नाम गलत होता है, तो वह हर बार गलत होगा।

एक साथ बोलते स्पीकर
दो लोगों का एक साथ बोलना किसी भी सिस्टम के लिए सबसे कठिन स्थिति है। जुड़े हुए वाक्य, छूटी हुई बीच-बीच की टोका-टाकी और आधे रास्ते में बदलते स्पीकर लेबल की उम्मीद रखें। अगर हर व्यक्ति को अलग ट्रैक पर रिकॉर्ड कर सकते हैं, तो ज़रूर करें। दो साफ़ ट्रैक का ट्रांसक्रिप्शन एक उलझे मिक्स के ट्रांसक्रिप्शन से बेहतर होता है।
💡 अंगूठे का नियम: ऑडियो की क्वालिटी मॉडल से ज़्यादा मायने रखती है। एक अच्छा माइक्रोफ़ोन और शांत कमरा सटीकता के लिए अक्सर विक्रेता बदलने से ज़्यादा काम करते हैं।
सटीकता खुद कैसे जाँचें
आपको लैब की ज़रूरत नहीं है। 15 मिनट एक त्वरित टेस्ट में लगाएँ, और आप वह जान जाएँगे जो कोई मार्केटिंग पेज नहीं बता सकता।
वर्ड एरर रेट का शॉर्टकट
वर्ड एरर रेट, या WER, एक सही ट्रांसक्रिप्ट के मुकाबले सब्स्टिट्यूशन, डिलीशन और इंसर्शन गिनता है, फिर उसे शब्दों की कुल संख्या से भाग देता है। 5 प्रतिशत WER का मतलब है लगभग हर 20 में 1 गलत शब्द।
इसका सरल तरीका यह है:
- अपने असली ऑडियो का प्रतिनिधित्व करने वाला 2 मिनट का क्लिप चुनें, शोर और सब कुछ समेत।
- सही ट्रांसक्रिप्ट हाथ से टाइप करें।
- हर उस टूल में क्लिप चलाएँ जिस पर आप विचार कर रहे हैं।
- हर आउटपुट में गलत, छूटे और अतिरिक्त शब्द गिनें।
- एरर की संख्या को अपने संदर्भ-टेक्स्ट के कुल शब्दों से भाग दें।
व्यवहार में संख्याओं का मतलब
| लगभग WER | कैसा लगता है |
|---|
| 5% से कम | हल्की प्रूफ़रीडिंग, ज़्यादातर विराम-चिह्न |
| 5 से 10% | पढ़ने लायक, पर नाम और संख्याएँ जाँचनी पड़ती हैं |
| 10 से 20% | ड्राफ़्ट के रूप में उपयोगी, भारी एडिटिंग चाहिए |
| 20% से ऊपर | अक्सर उसे ठीक करने से तेज़ है उसे दोबारा टाइप करना |
यह न भूलें कि WER विराम-चिह्न और फ़ॉर्मैटिंग को नज़रअंदाज़ करता है। कोई ट्रांसक्रिप्ट अच्छे अंक ला सकता है और फिर भी शब्दों की दीवार जैसा पढ़ा जा सकता है।

जब सीमाएँ अखरने लगें तो विकल्प
जब कोई फ्री प्लान फिट होना बंद कर दे, तो तीन रास्ते होते हैं: उसी टूल के लिए भुगतान करें, अपनी फ़ाइलें बाँटें, या ऐसे मॉडल पर जाएँ जो आपका काम संभाल सके। PicassoIA ऐसे स्पीच-टू-टेक्स्ट मॉडल देता है जिन्हें आप अपनी रिकॉर्डिंग पर चला सकते हैं, बिना ऊपर जैसी प्रति-रिकॉर्डिंग अवधि की दीवार के।

GPT-4o Transcribe
GPT-4o Transcribe OpenAI के स्पीच परिवार का उच्च सटीकता वाला विकल्प है। यह पुराने स्पीच इंजनों की तुलना में उच्चारण, शोर वाले ऑडियो और तेज़ बोलने पर बेहतर टिकता है। जब सटीकता लागत से ज़्यादा मायने रखे, तब इसे चुनें: इंटरव्यू, कानूनी या मेडिकल शैली के ऑडियो, और कठिन शब्दावली वाली रिकॉर्डिंग।
GPT-4o Mini Transcribe
GPT-4o Mini Transcribe इसका हल्का और सस्ता संस्करण है। यह हाई-वॉल्यूम काम के लिए ठीक है, जैसे छोटे वॉइस नोट के बैच, आंतरिक मीटिंग, और पहला ड्राफ़्ट जिसे आप वैसे भी प्रूफ़रीड करने वाले हैं। अगर आप बहुत सारी फ़ाइलें ट्रांसक्रिप्ट करते हैं, तो बचत तेज़ी से बढ़ती है।
Gemini 3 Pro
Gemini 3 Pro एक मल्टीमोडल मॉडल है, न कि केवल समर्पित ट्रांसक्रिप्शन इंजन। इससे यह लचीला बनता है: एक ही रिक्वेस्ट में आप इससे ट्रांसक्राइब, स्पीकर लेबल, सारांश या अनुवाद करवा सकते हैं। जब आपको सिर्फ़ कच्चा टेक्स्ट नहीं, बल्कि एक्शन आइटम वाला साफ़-सुथरा ट्रांसक्रिप्ट चाहिए, तब यह अच्छा विकल्प है।
आमने-सामने
💡 टिप: अपना 2 मिनट का टेस्ट क्लिप तीनों में चलाएँ। आपकी आवाज़, आपके उच्चारण और आपके शोर के स्तर के लिए जो सबसे अच्छा है, वह अक्सर वह नहीं होता जिसका बेंचमार्क सबसे अच्छा हो।
PicassoIA पर एक व्यावहारिक वर्कफ़्लो
यहाँ एक दोहराने लायक प्रक्रिया है जो ज़्यादातर सीमाओं की परेशानी से बचाती है।

चरण दर चरण
- ऑडियो तैयार करें। स्पीच के लिए मोनो, 32 से 64 kbps MP3 में बदलें। शुरू और अंत की लंबी साइलेंस काटें।
- मॉडल चुनें। कठिन ऑडियो के लिए GPT-4o Transcribe, बल्क काम के लिए GPT-4o Mini Transcribe, या जब आप ट्रांसक्रिप्ट को किसी और रूप में चाहें तो Gemini 3 Pro इस्तेमाल करें।
- अपलोड करें और भाषा सेट करें। भाषा का नाम देने से अनुमान लगाने का एक स्रोत खत्म हो जाता है, और छोटे या उच्चारण वाले क्लिप पर अक्सर नतीजे बेहतर आते हैं।
- ग्लॉसरी जोड़ें। अगर प्रॉम्प्ट फ़ील्ड उपलब्ध है, तो नाम, संक्षिप्त रूप और प्रोडक्ट शब्द सही स्पेलिंग के साथ लिखें।
- जोड़ों की समीक्षा करें। अगर आपने फ़ाइल बाँटी है, तो हर जॉइन पॉइंट पर दोहराए या छूटे शब्द जाँचें।
- पहले नाम और संख्याओं की प्रूफ़रीडिंग करें। इनमें सबसे ज़्यादा जोखिम और सबसे ज़्यादा नतीजे होते हैं।
पैरामीटर की टिप्स
- भाषा: जब भी आप उसे जानते हों, साफ़ तौर पर सेट करें।
- प्रॉम्प्ट या संदर्भ: इसे छोटा और साफ़ रखें, लंबे निर्देशों के बजाय स्पेलिंग के संकेत दें।
- चंक साइज़: अगर बाँटना ज़रूरी है, तो कुछ सेकंड के ओवरलैप के साथ 10 से 20 मिनट के टुकड़े रखने का लक्ष्य रखें।
- आउटपुट फ़ॉर्मेट: अगर आप बाद में सबटाइटल बनाने वाले हैं, तो टाइमस्टैम्प चुनें।
टेक्स्ट से आगे
एक बार ट्रांसक्रिप्ट मिल जाए, तो आप उसका दोबारा उपयोग कर सकते हैं। उसे GPT-4o Mini जैसे लार्ज लैंग्वेज मॉडल से सारांश में बदलें, या ElevenLabs Dubbing से बोले गए वीडियो को दूसरी भाषाओं में अनुवाद करें।
सही विकल्प चुनना
हर किसी के लिए एक ही जवाब नहीं है। टूल को काम से मिलाएँ:
| आपकी स्थिति | सबसे अच्छा कदम |
|---|
| हर महीने कुछ छोटे वॉइस नोट | फ्री प्लान ठीक है |
| साप्ताहिक एक घंटे की मीटिंग | 30 मिनट की सीमा वाले फ्री टियर छोड़ें |
| 45 मिनट से लंबे पॉडकास्ट एपिसोड | ऐसा मॉडल इस्तेमाल करें जिसमें प्रति फ़ाइल छोटी सीमा न हो, या सावधानी से बाँटें |
| शोर वाली फ़ील्ड रिकॉर्डिंग | सबसे ज़्यादा सटीकता वाला मॉडल चुनें और पहले ऑडियो ठीक करें |
| बहुभाषी कंटेंट | हर भाषा अलग से टेस्ट करें, फिर डबिंग या अनुवाद पर विचार करें |
| संवेदनशील या गोपनीय ऑडियो | अपलोड करने से पहले डेटा रिटेंशन की शर्तें पढ़ें |
तीन आम गलतियाँ
- हेडलाइन मिनटों पर भरोसा करना। प्रति फ़ाइल वाली सीमा आम तौर पर असली सीमा होती है।
- टेस्ट क्लिप छोड़ना। दस मिनट का टेस्ट घंटों की दोबारा टाइपिंग बचाता है।
- ऑडियो क्वालिटी को नज़रअंदाज़ करना। साफ़ इनपुट लगभग हमेशा किसी ज़्यादा उन्नत मॉडल से बेहतर होता है।
अपने ऑडियो के साथ आज़माएँ
फ्री प्लान वाला सवाल सुलझाने का सबसे तेज़ तरीका अपनी रिकॉर्डिंग से टेस्ट करना है। 2 मिनट का एक क्लिप लें, PicassoIA पर उसे GPT-4o Transcribe, GPT-4o Mini Transcribe और Gemini 3 Pro में चलाएँ, और गलतियों की तुलना साथ-साथ करें। कुछ ही मिनटों में आप देख लेंगे कि कौन आपकी आवाज़, आपके उच्चारण और आपके बैकग्राउंड शोर को सबसे अच्छी तरह संभालता है।
फिर प्रयोग जारी रखें। PicassoIA उसी वर्कस्पेस से इमेज, वीडियो, वॉइसओवर और म्यूज़िक बनाने की सुविधा भी देता है, इसलिए एक ट्रांसक्रिप्ट आपके अगले एपिसोड के लिए स्क्रिप्ट, नैरेशन वाली क्लिप या विज़ुअल का सेट बन सकता है। सब कुछ picassoia.com/en/all-models पर देखें और आज ही अपनी पहली रिकॉर्डिंग आज़माएँ।