गाइड

आपको असल में कौन-सा Whisper मॉडल चाहिए?

Tiny, Base, Small, Medium, Large. बड़ा मॉडल ज़्यादा सटीक और कहीं ज़्यादा धीमा है, और बहुत सी रिकॉर्डिंग के लिए यह फ़र्क उतना नहीं है जितना मार्केटिंग जताती है।

25 August 2026

हर लोकल ट्रांसक्रिप्शन ऐप OpenAI के Whisper का कोई न कोई संस्करण चला रहा है, और उनमें से ज़्यादातर इस बात पर ज़ोर देते हैं कि वे कौन-कौन से मॉडल आकार समर्थित करते हैं। बड़े मॉडल वाकई ज़्यादा सटीक होते हैं। वे नाटकीय रूप से धीमे और डिस्क पर कहीं बड़े भी होते हैं, और सटीकता का अंतर मॉडल से कहीं ज़्यादा आपकी रिकॉर्डिंग पर निर्भर करता है।

बिना सहज प्रतिक्रिया में सबसे बड़ी चीज़ ख़रीदे, इस बारे में सोचने का तरीक़ा यह है।

आकार #

Whisper पाँच मुख्य आकारों में आता है। संख्याएँ वक्र के आकार से कम मायने रखती हैं:

मॉडल	पैरामीटर	डिस्क पर लगभग
Tiny	3.9 करोड़	~75 MB
Base	7.4 करोड़	~140 MB
Small	24.4 करोड़	~470 MB
Medium	76.9 करोड़	~1.5 GB
Large	1.5 अरब	~3 GB

हर अगला पायदान अपने नीचे वाले से मोटे तौर पर तीन गुना बड़ा है, और चलने में उसी हिसाब से ज़्यादा समय लेता है। Small से Large पर जाना पैरामीटर के लिहाज़ से लगभग छह गुना है — लंबी रिकॉर्डिंग पर यह कॉफ़ी बनाने और दोपहर का भोजन करने जाने के बीच का फ़र्क है।

सटीकता का वक्र कहीं से भी उतनी तेज़ी से नहीं चढ़ता। वह Tiny से Small तक तेज़ी से ऊपर जाता है, फिर सपाट हो जाता है।

आपकी सटीकता असल में क्या तय करता है #

यही वह हिस्सा है जो नज़रअंदाज़ हो जाता है। आपकी रिकॉर्डिंग की गुणवत्ता मॉडल के आकार से ज़्यादा मायने रखती है।

एक साफ़ रिकॉर्डिंग — एक वक्ता, ठीक-ठाक माइक्रोफ़ोन, शांत कमरा, मानक उच्चारण — Small पर अच्छी तरह ट्रांसक्राइब होगी। उसी फ़ाइल को Large से गुज़ारने पर आपको गिने-चुने सुधरे हुए शब्द मिलते हैं, ज़्यादातर विशेष नाम।

जो चीज़ें वाकई ट्रांसक्रिप्शन को तोड़ती हैं वे ये हैं:

• पृष्ठभूमि का शोर। कोई कैफ़े, कोई एयर कंडीशनर, ट्रैफ़िक।
• ओवरलैप होती बोली। दो लोगों का एक साथ बोलना हर मॉडल के लिए कठिन है।
• माइक्रोफ़ोन से दूरी। मीटिंग कक्ष की मेज़ के आर-पार रिकॉर्ड किया गया ऑडियो।
• तेज़ या कम आम उच्चारण, ख़ासकर ऐसी भाषा में जिसे मॉडल ने प्रशिक्षण के दौरान कम देखा हो।
• तकनीकी शब्दावली, नाम, और संक्षिप्ताक्षर। कोई भी मॉडल आकार असामान्य उपनाम को ठीक नहीं करता।
• अंग्रेज़ी के अलावा दूसरी भाषाएँ। Whisper का प्रशिक्षण डेटा भारी रूप से अंग्रेज़ी की ओर झुका है, इसलिए दूसरी भाषाओं के लिए मॉडल आकारों के बीच का अंतर कहीं ज़्यादा चौड़ा है।

अगर आपके ऑडियो में इनमें से कई मौजूद हैं, तो बड़ा मॉडल असली पैसे के लायक़ है। अगर इनमें से एक भी नहीं है, तो आप एक नगण्य अंतर की क़ीमत चुका रहे हैं।

चुनने का एक व्यावहारिक तरीक़ा #

Tiny — मोटे-मोटे मसौदे और खोजने की सुविधा। यह जानने भर के लिए काफ़ी कि दो घंटे की रिकॉर्डिंग का कौन-सा हिस्सा आपको चाहिए। प्रकाशित करने के लिए काफ़ी नहीं।

Base — वॉइस मेमो, अपने लिए बनाए नोट, साफ़ एकल-वक्ता ऑडियो जहाँ आप नतीजा ख़ुद पढ़ेंगे और आपको पता होगा कि आपका मतलब क्या था।

Small — ज़्यादातर काम के लिए समझदार डिफ़ॉल्ट। ठीक-ठाक माइक्रोफ़ोन पर लिए गए साक्षात्कार, पॉडकास्ट एपिसोड, व्याख्यान रिकॉर्डिंग, ऐसा मीटिंग ऑडियो जहाँ लोग माइक के पास हों। साफ़ अंग्रेज़ी बोली के लिए वक्र यहीं सपाट हो जाता है।

Medium और Large — कठिन ऑडियो, ग़ैर-अंग्रेज़ी भाषाएँ, या ऐसी कोई भी चीज़ जिसे आप पूरा पढ़े बिना प्रकाशित करेंगे। यह तब भी सही चुनाव है जब आपका समय इंतज़ार से ज़्यादा क़ीमती हो, और ट्रांसक्रिप्ट दोबारा पढ़ना आपको अतिरिक्त प्रोसेसिंग से ज़्यादा महँगा पड़े।

बस इसे आज़मा लीजिए #

ईमानदार जवाब यह है कि आपकी रिकॉर्डिंग के विवरण भर से कोई आपको नहीं बता सकता, क्योंकि ऊपर बताए गए चर आपस में मिलकर असर डालते हैं।

अपनी सबसे ख़राब फ़ाइल लीजिए — शोर वाली, कठिन उच्चारण वाली, वह जिसके बारे में आपको पहले से पता है कि वह समस्या है — और उसे उन सब मॉडल आकारों से गुज़ारिए जो आपके पास उपलब्ध हैं। ट्रांसक्रिप्ट की तुलना कीजिए। वह अकेली जाँच आपको किसी भी बेंचमार्क तालिका से ज़्यादा बताएगी, क्योंकि वह आपके माइक्रोफ़ोन, आपके कमरे और आपके विषय का इस्तेमाल करती है।

अगर छोटा मॉडल आपकी सबसे कठिन फ़ाइल संभाल लेता है, तो वह बाक़ी सब भी संभाल लेगा, और आपने अभी-अभी कई गीगाबाइट और बहुत सारा इंतज़ार बचा लिया।

यह ऐप कहाँ खड़ा है #

इस बारे में सीधी बात: Offline Transcription Tiny, Base और Small के साथ आता है। इसमें Medium या Large शामिल नहीं है।

यह रोज़मर्रा के ज़्यादातर ट्रांसक्रिप्शन को कवर करता है — साफ़ साक्षात्कार, पॉडकास्ट, व्याख्यान, मीटिंग, वॉइस मेमो — और ऐप को छोटा तथा तेज़ बनाए रखता है, iPhone पर भी। अगर आप नियमित रूप से कठिन ऑडियो या ग़ैर-अंग्रेज़ी रिकॉर्डिंग के साथ काम करते हैं जहाँ बड़े मॉडल वाकई अपनी क़ीमत वसूल करते हैं, तो उन्हें देने वाला कोई ऐप बेहतर बैठेगा, और हमारी MacWhisper तुलना यह सीधे कहती है।

ऐप डाउनलोड करने के लिए मुफ़्त है, इसलिए ऊपर बताई जाँच में आपको उसे चलाने के समय के अलावा कुछ ख़र्च नहीं होता।

एक बात जिसका मॉडल आकार से कोई लेना-देना नहीं #

आप जो भी मॉडल इस्तेमाल करें, वह चलता कहाँ है यह एक अलग सवाल है। Whisper एक ओपन मॉडल है, और इसे आपकी अपनी मशीन पर या किसी के सर्वर पर चलाया जा सकता है। कोई क्लाउड ट्रांसक्रिप्शन सेवा संभवतः Large चला रही है — और साथ ही आपकी रिकॉर्डिंग की एक प्रति भी रखे हुए है।

Small को लोकल तरीक़े से चलाना और Large को किसी और के डेटा सेंटर में चलाना एक ही पैमाने के बिंदु नहीं हैं। अगर रिकॉर्डिंग गोपनीय है, तो यह फ़ैसला पहले आता है, और मॉडल का आकार बाद में। कोई ऐप वाकई ऑफ़लाइन है या नहीं यह जाँचने पर हमारी मार्गदर्शिका बताती है कि दोनों में से किसी भी हाल में इसकी पुष्टि कैसे करें।