आपके पास रिकॉर्डिंग्स से भरा एक फ़ोल्डर है, एक डेडलाइन है और एक परेशान करने वाला सवाल: इस सारे स्पीच को टेक्स्ट में बदलने में कितना खर्च आएगा? ईमानदार जवाब ज़्यादातर लोगों के लिए "एक कप कॉफ़ी से भी कम" है, और कॉल सेंटर व मीडिया आर्काइव के लिए "एक असली खर्च की मद"। सबसे अहम बात यह जानना है कि आप किस OpenAI मॉडल का भुगतान कर रहे हैं, बिलिंग असल में कैसे काम करती है, और कब कोई मुफ़्त या सस्ता रास्ता ज़्यादा समझदारी भरा है।
यह लेख OpenAI स्पीच टू टेक्स्ट प्राइसिंग को सीधे आंकड़ों में समझाता है, बताता है कि आम प्रोजेक्ट का मासिक खर्च कितना होता है, वे मुफ़्त विकल्प सूचीबद्ध करता है जो सच में काम करते हैं, और ऐसे विकल्पों की तुलना करता है जिन्हें आप अभी आज़मा सकते हैं।
💡 फ़टाफ़ट जवाब: OpenAI के ट्रांसक्रिप्शन मॉडल लगभग $0.003 से $0.006 प्रति मिनट ऑडियो पर आते हैं। यह लगभग $0.18 से $0.36 प्रति घंटा है। कोई स्थायी मुफ़्त API टियर नहीं है, लेकिन नीचे बताए गए कई कारगर मुफ़्त रास्ते मौजूद हैं।
OpenAI प्रति मिनट कितना चार्ज करता है
OpenAI अपने API के ज़रिए कुछ मॉडल नामों के तहत स्पीच टू टेक्स्ट बेचता है। सामान्यतः इसकी कीमत प्रति मिनट बताई जाती है, जिससे बजट बनाना आसान हो जाता है, हालाँकि इसके नीचे की बिलिंग ज़्यादा बारीक है।

तीन प्राइस पॉइंट
यहाँ वे दरें हैं जिन पर लिखे जाने के समय अधिकतर प्राइसिंग ट्रैकर और OpenAI के अपने मॉडल पेज सहमत हैं:
| मॉडल | लगभग लागत प्रति मिनट | लगभग लागत प्रति घंटा | सबसे उपयुक्त |
|---|
| whisper-1 (मूल Whisper API) | $0.006 | $0.36 | पुराने वर्कफ़्लो, टाइमस्टैम्प वाले सबटाइटल |
| gpt-4o-transcribe | $0.006 | $0.36 | सबसे अधिक सटीकता, एक्सेंट, शोर वाला ऑडियो |
| gpt-4o-mini-transcribe | $0.003 | $0.18 | ज़्यादा वॉल्यूम, साफ़ ऑडियो, तंग बजट |
दो बातें ध्यान खींचती हैं। पहली, प्रीमियम GPT-4o मॉडल की प्रति मिनट कीमत पुराने Whisper एंडपॉइंट के बराबर है, फिर भी यह आम तौर पर एक्सेंट, बैकग्राउंड शोर और तेज़ बोलने को बेहतर संभालता है। दूसरी, मिनी वर्ज़न की कीमत आधी है, जो कुछ सौ घंटों के बाद बहुत मायने रखती है।
आप बिना कोड लिखे दोनों GPT-4o विकल्प आज़मा सकते हैं: GPT-4o Transcribe और GPT-4o Mini Transcribe दोनों PicassoIA पर उपलब्ध हैं।
⚠️ ध्यान दें: प्राइसिंग और मॉडल की जीवन-अवधि बदलती रहती है। मैंने जिस एक ट्रैकर को देखा, उसने एक नए OpenAI मॉडल की कीमत लगभग $0.0045 प्रति मिनट बताई और मिनी मॉडल की रिटायरमेंट तारीख 2027 की शुरुआत में बताई। मैं इनमें से कोई भी बात पक्की नहीं कर सका, इसलिए किसी बड़े बैच जॉब पर पैसा लगाने से पहले OpenAI के अपने प्राइसिंग पेज पर जाँच लें।
बिलिंग टोकन पर आधारित क्यों है
प्रति मिनट का आंकड़ा एक अनुमान है। अंदर से, GPT-4o ट्रांसक्रिप्शन मॉडल टोकन के आधार पर बिल करते हैं: जब मॉडल सुनता है तब ऑडियो इनपुट टोकन, और वह जो ट्रांसक्रिप्ट लिखता है उसके लिए टेक्स्ट आउटपुट टोकन। OpenAI इसे औसत प्रति-मिनट लागत में बदल देता है ताकि बजट बनाना आसान रहे।
व्यावहारिक रूप से इसका मतलब यह है:
- घनी बातचीत थोड़ी महँगी पड़ती है। तेज़ बोलने वाला व्यक्ति धीमे बोलने वाले से ज़्यादा आउटपुट टोकन बनाता है।
- सन्नाटा मुफ़्त नहीं है। लंबे विराम और होल्ड म्यूज़िक भी ऑडियो इनपुट के रूप में गिने जाते हैं।
- प्रॉम्प्ट इनपुट टोकन जोड़ते हैं। अगर आप शब्दावली तय करने के लिए लंबा टेक्स्ट प्रॉम्प्ट देते हैं, तो वह टेक्स्ट भी बिल होता है।
योजना बनाने के लिए, प्रीमियम मॉडल के लिए $0.006 प्रति मिनट और मिनी के लिए $0.003 का उपयोग करने से सामान्य बातचीत वाले ऑडियो में असली इनवॉइस के कुछ प्रतिशत के भीतर रहेंगे।

असली प्रोजेक्ट्स की असली लागत
दरें तभी मायने रखती हैं जब आप उन्हें अपने काम के बोझ से गुणा करें। इन उदाहरणों में ऊपर की तालिका की दो GPT-4o कीमतें इस्तेमाल हुई हैं।
| ऑडियो मात्रा | gpt-4o-mini-transcribe ($0.003/मिनट) | gpt-4o-transcribe ($0.006/मिनट) |
|---|
| 10 मिनट | $0.03 | $0.06 |
| 1 घंटा | $0.18 | $0.36 |
| 10 घंटे | $1.80 | $3.60 |
| 100 घंटे | $18 | $36 |
| 1,000 घंटे | $180 | $360 |
पॉडकास्ट और इंटरव्यू
हर हफ़्ते चार 60-मिनट के एपिसोड वाला एक पॉडकास्ट महीने में 240 मिनट का ऑडियो बनाता है। यह मिनी पर $0.72 या प्रीमियम मॉडल पर $1.44 है। यहाँ तक कि रोज़ाना आने वाला शो भी महीने में $10 से कम में आ जाता है।
पत्रकार और शोधकर्ता भी लगभग इसी दायरे में हैं। 30 घंटे के इंटरव्यू टेप वाला एक इन्वेस्टिगेटिव रिपोर्टर खोजने योग्य ट्रांसक्रिप्ट के लिए लगभग $5 से $11 देता है। यहाँ पैसा मुद्दा नहीं है। मुद्दा नामों, शब्दजाल और एक-दूसरे पर बोलने वालों की सटीकता है, इसीलिए इंटरव्यू के लिए आम तौर पर प्रीमियम मॉडल ही जीतता है।

लेक्चर और मीटिंग
एक यूनिवर्सिटी विभाग जो हर हफ़्ते 90 मिनट के 20 लेक्चर रिकॉर्ड करता है, हर हफ़्ते 30 घंटे और महीने में लगभग 130 घंटे सँभालता है। इसकी लागत मिनी पर लगभग $23 और प्रीमियम मॉडल पर $47 है। इसकी तुलना मानव ट्रांसक्रिप्शन से करें, जो आम तौर पर प्रति ऑडियो मिनट लगभग एक डॉलर से लेकर कई डॉलर तक होता है, तो फ़र्क़ को नज़रअंदाज़ करना मुश्किल है।

बिज़नेस मीटिंग्स का गणित भी ऐसा ही है। 25 लोगों की एक टीम, जिसमें हर व्यक्ति की महीने में 10 घंटे की रिकॉर्डेड कॉल होती हैं, 250 घंटे बनाती है, जिसकी लागत मिनी पर $45 या प्रीमियम पर $90 है। अगर ये ट्रांसक्रिप्ट मीटिंग समरी या एक्शन आइटम निकालने में काम आते हैं, तो स्पीच टू टेक्स्ट का बिल आम तौर पर पूरी पाइपलाइन का सबसे छोटा हिस्सा होता है।
बड़े पैमाने पर कॉल सेंटर
यहीं पर दशमलव मायने रखने लगते हैं। मान लें 50 एजेंट, हर दिन 6 घंटे का लाइव टॉक टाइम, और महीने में 22 कार्यदिवस: यानी लगभग 6,600 घंटे का ऑडियो।
- मिनी पर: लगभग $1,188 प्रति माह
- प्रीमियम मॉडल पर: लगभग $2,376 प्रति माह
इतने बड़े वॉल्यूम पर, साफ़ हेडसेट ऑडियो के लिए मिनी चुनना और केवल कठिन कॉल (भारी एक्सेंट, स्पीकरफ़ोन, शोरगुल वाले कमरे) के लिए प्रीमियम मॉडल रखना, जहाँ गुणवत्ता सबसे ज़रूरी है वहाँ नुकसान किए बिना सालाना चार अंकों तक की बचत कर सकता है।

आज़माने लायक मुफ़्त विकल्प
क्या कोई मुफ़्त OpenAI स्पीच टू टेक्स्ट रास्ता है? स्थायी API टियर के रूप में नहीं। OpenAI आम तौर पर पहली रिक्वेस्ट से ही बिल करता है, हालाँकि नए अकाउंट को कभी-कभी ट्रायल क्रेडिट मिलते हैं, इसलिए अपना डैशबोर्ड जाँच लें। इसके अलावा, तीन व्यावहारिक मुफ़्त रास्ते हैं।

ओपन वेट्स Whisper लोकली चलाएँ
OpenAI ने मूल Whisper मॉडल को ओपन वेट्स के रूप में जारी किया है, इसलिए आप इसे अपने कंप्यूटर पर शून्य प्रति-मिनट लागत पर चला सकते हैं। फिर भी इसकी असली सीमाएँ हैं:
- उचित रफ़्तार के लिए आपको अच्छा GPU चाहिए। CPU पर, एक घंटे का ऑडियो प्रोसेस होने में एक घंटे से ज़्यादा समय ले सकता है।
- सेटअप की देखभाल आपको खुद करनी होगी: Python, ड्राइवर, मॉडल साइज़, अपडेट।
- छोटे लोकल मॉडल साइज़ की सटीकता उससे कम है जो होस्टेड GPT-4o ट्रांसक्रिप्शन मॉडल देते हैं।
अगर आप महीने में कुछ फ़ाइलें ट्रांसक्राइब करते हैं और प्रयोग करने का शौक है, तो यह बढ़िया है। अगर आपको भरोसेमंदी और शून्य सेटअप चाहिए, तो होस्टेड मॉडल आपके समय से सस्ता पड़ता है।
मुफ़्त क्रेडिट और ट्रायल
कई प्लेटफ़ॉर्म नए यूज़र्स को थोड़ी-सी सुविधा देते हैं। PicassoIA पर आप बिना कोड के ब्राउज़र से स्पीच टू टेक्स्ट मॉडल चला सकते हैं, जो बड़े बैच पर बजट लगाने से पहले अपने ऑडियो पर किसी मॉडल को परखने के लिए उपयोगी है। क्या शामिल है, यह देखने के लिए अपना मौजूदा प्लान जाँचें।
💡 टिप: पहले 5 मिनट की एक प्रतिनिधि क्लिप पर टेस्ट करें: जो सबसे शोरगुल वाली और सबसे ज़्यादा एक्सेंट वाली हो। अगर सस्ता मॉडल उसे सँभाल लेता है, तो आपका बिल सीधे आधा हो गया।
बिल्ट-इन डिक्टेशन
अगर आपकी असली ज़रूरत डिक्टेशन है (नोट्स या ईमेल टाइप करने के लिए बोलना), तो आपका फ़ोन कीबोर्ड, ऑपरेटिंग सिस्टम का डिक्टेशन और ChatGPT के भीतर वॉइस मोड बिना अलग प्रति-मिनट शुल्क के यह काम पहले से करते हैं। ये बैच में रिकॉर्डिंग प्रोसेस करने या टाइमस्टैम्प वाली फ़ाइलें बनाने के लिए नहीं बने हैं, लेकिन निजी नोट्स के लिए इनका कोई अतिरिक्त खर्च नहीं है।
दर के पीछे छिपी लागत
प्रति मिनट की कीमत ट्रांसक्रिप्शन वर्कफ़्लो की असली लागत का सिर्फ़ एक हिस्सा है।

फ़ाइल सीमाएँ और चंकिंग
OpenAI के ट्रांसक्रिप्शन एंडपॉइंट पर हर फ़ाइल अपलोड की सीमा लगभग 25 MB है। सामान्य क्वालिटी की एक घंटे की MP3 इससे ज़्यादा हो सकती है, और WAV फ़ाइलें मिनटों में यहाँ पहुँच जाती हैं। फिर आपको ऑडियो को कंप्रेस या विभाजित करना पड़ता है, जिससे स्क्रिप्टिंग का काम बढ़ता है और वाक्य के बीच में अजीब कट लगते हैं। सिलेंस पर बाँटना, न कि तय अंतराल पर, सीमाओं पर खोए शब्दों को ज़्यादातर रोकता है।
क्लीनअप और रिव्यू का समय
कोई भी स्पीच टू टेक्स्ट मॉडल परफ़ेक्ट नहीं है। इनके लिए बजट रखें:
- व्यक्तिवाचक संज्ञाएँ और ब्रांड नाम, जिनकी स्पेलिंग सबसे ज़्यादा गलत होती है
- स्पीकर लेबल, क्योंकि बेसिक ट्रांसक्रिप्शन सादा टेक्स्ट लौटाता है, यह नहीं बताता कि किसने क्या कहा
- लंबी सामग्री के लिए विराम चिह्न और पैराग्राफ़िंग
- मेडिसिन, कानून या इंजीनियरिंग के डोमेन टर्म
एक छोटा टेक्स्ट प्रॉम्प्ट जिसमें आपकी रिकॉर्डिंग के असामान्य नाम और शब्द लिखे हों, इनमें से कई गलतियों को पहले ही कम कर देता है। यह छोटी-सी आदत मॉडल बदलने से अक्सर ज़्यादा समय बचाती है।
OpenAI ट्रांसक्रिप्शन के विकल्प
OpenAI एकमात्र विकल्प नहीं है, और कुछ कामों के लिए यह सबसे अच्छा भी नहीं है।

Gemini 3 Pro
Google का Gemini 3 Pro एक मल्टीमोडल मॉडल है जो ऑडियो सुनकर ट्रांसक्रिप्ट लौटा सकता है, और उसी चरण में रिकॉर्डिंग का सार निकालने, अनुवाद करने या उसके बारे में सवालों के जवाब देने का काम भी कर सकता है। इससे यह मीटिंग्स के लिए मज़बूत विकल्प बनता है, जहाँ ट्रांसक्रिप्ट केवल शुरुआत होती है। अपने ऑडियो पर इसे GPT-4o Transcribe के साथ साथ-साथ चलाएँ और नामों व संख्याओं पर होने वाली गलतियों की तुलना करें।
अन्य वेंडर, जो साफ़ दिखते हैं
कई समर्पित स्पीच वेंडर सीधे कीमत और फ़ीचर्स पर प्रतिस्पर्धा करते हैं। Deepgram, AssemblyAI, Google Cloud Speech-to-Text, Amazon Transcribe और Microsoft Azure Speech, सभी प्रति मिनट या प्रति घंटा कीमत देते हैं, अक्सर स्पीकर लेबल, लाइव स्ट्रीमिंग और कस्टम शब्दावली जैसी अतिरिक्त सुविधाओं के साथ। उनकी दरें टियर और वॉल्यूम के हिसाब से बदलती हैं, इसलिए हेडलाइन आंकड़ों पर भरोसा करने के बजाय अपने असली काम के लिए कोट्स की तुलना करें।
चुनने का एक सरल तरीका यह है:
| आपकी स्थिति | सबसे उपयुक्त |
|---|
| साफ़ ऑडियो पर सबसे कम लागत | GPT-4o Mini Transcribe |
| एक्सेंट, शोर, इंटरव्यू | GPT-4o Transcribe |
| ट्रांसक्रिप्ट के साथ सार या अनुवाद | Gemini 3 Pro |
| शून्य लागत, आपके पास GPU है | लोकल ओपन वेट्स Whisper |
| लाइव कैप्शन, बिल्ट-इन स्पीकर लेबल | एक समर्पित स्ट्रीमिंग वेंडर |
PicassoIA पर GPT-4o Transcribe कैसे इस्तेमाल करें
अगर आप API key, बिलिंग डैशबोर्ड या अपलोड स्क्रिप्ट के झंझट के बिना प्रीमियम OpenAI मॉडल चाहते हैं, तो PicassoIA पर GPT-4o Transcribe पूरी तरह ब्राउज़र में चलता है।

चरण-दर-चरण
- मॉडल पेज खोलें। GPT-4o Transcribe पर जाएँ।
- अपनी ऑडियो फ़ाइल अपलोड करें। स्वीकृत फ़ॉर्मेट में MP3, MP4, MPEG, MPGA, M4A, OGG, WAV और WebM शामिल हैं। किसी कन्वर्ज़न की ज़रूरत नहीं है।
- भाषा सेट करें। ISO-639-1 कोड डालें, जैसे अंग्रेज़ी के लिए
en, स्पेनिश के लिए es या फ़्रेंच के लिए fr।
- वैकल्पिक प्रॉम्प्ट जोड़ें। रिकॉर्डिंग में आने वाले नाम, प्रोडक्ट या शब्दजाल लिखें, या अगर आपने लंबी फ़ाइल को बाँटा है तो पिछले सेगमेंट की आख़िरी कुछ लाइनें चिपकाएँ।
- टेम्परेचर 0 पर रखें। ट्रांसक्रिप्शन के लिए आपको सबसे शाब्दिक आउटपुट चाहिए।
- चलाएँ और ट्रांसक्रिप्ट कॉपी करें। इसे अपने एडिटर, सबटाइटल टूल या नोट्स ऐप में चिपकाएँ।
पैरामीटर टिप्स
| पैरामीटर | यह क्या करता है | सिफ़ारिश |
|---|
| audio_file | ट्रांसक्राइब होने वाली रिकॉर्डिंग (ज़रूरी) | पहले लंबे सन्नाटे और इंट्रो काटें |
| language | ISO-639-1 कोड | हमेशा सेट करें: बेहतर सटीकता और कम लेटेंसी |
| prompt | स्टाइल या निरंतरता वाला टेक्स्ट | ऑडियो की भाषा से मेल खाएँ; छोटा रखें |
| temperature | 0 से 1 तक रैंडमनेस | 0 रखें, जब तक दोहराव वाला आउटपुट न दिखे |
💡 बजट चाल: अपना पहला पास GPT-4o Mini Transcribe पर चलाएँ। केवल उन फ़ाइलों को प्रीमियम मॉडल से भेजें जिनमें साफ़ गलतियाँ दिखें। ज़्यादातर लाइब्रेरी के लिए इससे खर्च 30 से 40 प्रतिशत तक घट जाता है।
आपको कौन-सा मॉडल चुनना चाहिए
स्प्रेडशीट की बहस छोड़ें और यह छोटा फ़ैसला-मार्ग अपनाएँ:
- महीने में 50 घंटे से कम? लागत मायने नहीं रखती। प्रीमियम मॉडल चुनें और कम सुधारों का आनंद लें।
- महीने में 500 घंटे से ज़्यादा, साफ़ ऑडियो के साथ? मिनी से शुरू करें और गुणवत्ता जाँच के लिए आउटपुट का 5 प्रतिशत सैंपल लें।
- मिश्रित ऑडियो क्वालिटी? कठिनाई के हिसाब से रूट करें: स्टूडियो और हेडसेट रिकॉर्डिंग के लिए मिनी, फ़ोन कॉल और गूँज वाले कमरों के लिए प्रीमियम।
- ट्रांसक्रिप्ट से ज़्यादा चाहिए? Gemini 3 Pro आज़माएँ और उसी पास में उसे सार निकालने और अनुवाद करने दें।
- प्राइवेसी नियम ऑडियो को क्लाउड सेवा पर भेजने से रोकते हैं? लोकल ओपन वेट्स Whisper ही आपका एकमात्र सच में ऑफ़लाइन विकल्प है।
आंकड़ों पर एक और याद दिलाना: यहाँ की दरें वे औसत हैं जो अभी ज़्यादातर स्रोत बताते हैं। 10 मिनट का टेस्ट चलाएँ, अपने इनवॉइस या डैशबोर्ड पर उपयोग जाँचें, और अपने ही ऑडियो से अनुमान लगाएँ, न कि किसी की हेडलाइन कीमत से, मेरी कीमत भी इसमें शामिल है।
आज ही Picasso IA पर इसे आज़माएँ
ट्रांसक्रिप्शन प्रति मिनट एक सेंट के भी छोटे हिस्से में पड़ता है, इसलिए सवाल सुलझाने का सबसे सस्ता तरीका खुद टेस्ट करना है। अपनी सबसे शोरगुल वाली रिकॉर्डिंग निकालें, उसे GPT-4o Transcribe पर अपलोड करें, वही फ़ाइल GPT-4o Mini Transcribe और Gemini 3 Pro पर चलाएँ, और तीनों ट्रांसक्रिप्ट की लाइन-दर-लाइन तुलना करें।
Picasso IA टेक्स्ट-टू-स्पीच, AI म्यूज़िक जनरेशन, इमेज बनाने और वीडियो टूल्स को भी एक ही वर्कस्पेस में लाता है, ताकि एक रिकॉर्डिंग कुछ ही क्लिक में ट्रांसक्रिप्ट, वॉइसओवर या विज़ुअल बन सके। पूरी कैटलॉग देखने के लिए picassoia.com/en/all-models पर जाएँ और आज ही अपने ऑडियो के साथ प्रयोग शुरू करें।