Vito के प्रदाता चुनना

Vito मुफ़्त है और उसका अपना कोई खाता नहीं है। आप जो बोलते हैं उसके साथ दो चीज़ें होती हैं — कुछ सुनता है, और कुछ सुने हुए शब्दों को सँवारता है — और हर आधे हिस्से के लिए आप तय करते हैं कि काम कौन करे: आपका अपना कंप्यूटर, या कोई प्रदाता जिसकी कुंजी आपके पास है। 2026.9 के बाद से किसी भी आधे हिस्से के लिए कुंजी ज़रूरी नहीं रही।

यह पन्ना नक्शा है। Vito जो भी विकल्प इस्तेमाल कर सकता है, उसकी लागत, उसकी माँग, और वह किसमें अच्छा है और किसमें नहीं — और जिन चार प्रदाताओं को सचमुच कुंजी चाहिए, उनके लिए अलग-अलग चरण-दर-चरण गाइड।

दो हिस्से

सुनने वाला हिस्सा आपकी आवाज़ को शब्दों में बदलता है। सटीकता, जिन भाषाओं में आप डिक्टेट कर सकते हैं, और टेक्स्ट आने तक का इंतज़ार — सब यहीं तय होता है। सँवारने वाला हिस्सा उन शब्दों को भेजने लायक टेक्स्ट बनाता है: हिचकिचाहट हटती है, वाक्य सुधरते हैं, और जहाँ आपने कहा वहाँ पंक्ति टूटती है। यही डिक्टेशन और किसी के बोलने के प्रतिलेख के बीच का फ़र्क़ है।

दोनों हिस्से स्वतंत्र हैं। स्थानीय सुनना और क्लाउड में सँवारना भी ठीक है, और इसका उल्टा भी — हर हिस्से को उसकी अपनी ख़ूबियों पर चुनिए।

सुनने वाला हिस्सा

Vito स्थानीय (Parakeet) स्थानीय कोई उपयोग शुल्क नहीं

आपके कंप्यूटर पर · न खाता, न कुंजी · 25 यूरोपीय भाषाएँ · लगभग 900 MB का एक बार का डाउनलोड

Vito इंजन ख़ुद इंस्टॉल करता और चलाता है: सेटिंग्स → स्पीच रिकग्निशन में इसे चुनिए, एक बार इंस्टॉल दबाइए, और सेटअप ख़त्म। नीचे parakeet.cpp है, NVIDIA के Parakeet TDT 0.6B v3 के साथ; Vito एक तय बिल्ड और मॉडल लाता है, दोनों को रिलीज़ में मौजूद हैश से जाँचता है, और इंजन तभी तक चलाता है जब तक वह कार्ड चुना हुआ है।

• पक्ष में: कहीं साइन अप नहीं, अभी या कभी भी कुछ देना नहीं, और कोई ऑडियो आपकी मशीन से बाहर नहीं जाता। तेज़ भी है — 12-कोर डेस्कटॉप पर 13 सेकंड का डिक्टेशन CPU पर लगभग 1.2 स. और Vulkan GPU बिल्ड के साथ 0.25 स. लेता है। भाषा अपने आप पहचानी जाती है।
• विपक्ष में: 60 के बजाय 25 यूरोपीय भाषाएँ, चलते समय लगभग 1 GB मेमोरी और 0.9 GB डिस्क, और काम आपके अपने प्रोसेसर पर पड़ता है — पतले लैपटॉप पर और बैटरी पर महसूस होता है। लाइव प्रतिलेख नहीं है: टेक्स्ट तब आता है जब आप बोलना बंद करते हैं। यह इंजन कीटर्म्स का उपयोग नहीं करता, हालाँकि आपके अपने सुधार अब भी लागू होते हैं।

कोई भी OpenAI-संगत एंडपॉइंट स्थानीय या दूरस्थ

आपका अपना सर्वर, या कोई होस्टेड · एक बेस URL, और कुंजी तभी जब वह एंडपॉइंट माँगे · लागत और भाषाएँ वही जो URL के पीछे है

Vito को एक बेस URL दीजिए और वह जो जवाब देगा उसी से बात करेगा: आपकी मशीन पर whisper-server, Speaches या LocalAI, या Groq और OpenAI पर होस्टेड Whisper। Vito whisper-server को उसके अपने /inference पथ पर ढूँढ़ लेता है, एन्कोडर विंडो को असली रिकॉर्डिंग के हिसाब से रखता है — जिससे 13 सेकंड का क्लिप CPU पर 9.0 स. से 4.1 स. पर आ गया — और whisper.cpp के खंडों को फिर से एक पंक्ति में जोड़ देता है, बजाय उसके लाइन ब्रेक आपके दस्तावेज़ में टाइप करने के।

• पक्ष में: बचकर निकलने का रास्ता। आपकी पसंद का कोई भी इंजन, आपके चुने हार्डवेयर पर — यहाँ तक कि आपके अपने नेटवर्क की कोई मशीन, जो उस लैपटॉप के बदले काम कर दे जो यह बोझ नहीं उठाना चाहता।
• विपक्ष में: सर्वर आप चलाते या चुनते हैं, और सटीकता, गति और भाषाओं का दायरा उसकी ज़िम्मेदारी है, Vito की नहीं। Whisper हमेशा 30 सेकंड ऑडियो एन्कोड करता है, इसलिए होस्टेड Whisper पर दो सेकंड का डिक्टेशन उतना ही महँगा पड़ सकता है जितना कोई लंबा।

Soniox अनुशंसित

उनके सर्वर · आपकी अपनी कुंजी · 60 भाषाएँ · $0.10–0.12 प्रति घंटा, उनकी सूची क़ीमत

सबसे व्यापक भाषा-दायरा और चलाने में सबसे सस्ता क्लाउड इंजन — इसीलिए हम इसी की सलाह देते हैं, और होम पेज पर €0.15 प्रति घंटे का आँकड़ा इसी पर आधारित है।

• पक्ष में: सभी 60 डिक्टेशन भाषाएँ, लाइव प्रतिलेख, और आपकी मशीन पर कोई बोझ नहीं — क्लाउड चुनने की असली वजह यही है।
• विपक्ष में: यह प्रीपेड है, इसलिए कुछ भी होने से पहले बैलेंस चाहिए, और नए खातों को परीक्षण क्रेडिट मिलता है या नहीं, यह Soniox अपने मूल्य पृष्ठ पर नहीं बताता। आपका ऑडियो उनके सर्वर पर जाता है।

AssemblyAI मुफ़्त शुरुआती क्रेडिट

उनके सर्वर · आपकी अपनी कुंजी · साइन अप पर $50 मुफ़्त क्रेडिट, बिना कार्ड · उसके बाद $0.15–0.45 प्रति घंटा

क्लाउड की सबसे आसान शुरुआत: भुगतान का कोई विवरण दिए बिना ही Vito चल सकता है, और बाद में बदलना बस दूसरी कुंजी चिपकाने भर की बात है।

• पक्ष में: पहले से क्रेडिट, कार्ड की माँग नहीं, और कोई प्रतिलेख ग़लत निकले तो पीछे हटने के लिए दूसरा इंजन।
• विपक्ष में: क्रेडिट ख़त्म होने के बाद Soniox से प्रति घंटा महँगा, और आपका ऑडियो उनके सर्वर पर जाता है।

सँवारने वाला हिस्सा

आप जो भी चुनें, नियम आपके हैं: पाँच अंतर्निहित सेट — Vito डिफ़ॉल्ट, शब्दशः, व्यावसायिक लेखन, नोट्स और संदेश — और उनके ऊपर आपके अपने। Vito सक्रिय सेट के पीछे एक तय आउटपुट अनुबंध जोड़ देता है, इसलिए कोई नियम-सेट यह बदल सकता है कि सफ़ाई क्या करती है, पर कभी यह नहीं करा सकता कि मॉडल आपके कर्सर पर टिप्पणी चिपका दे।

एक स्थानीय मॉडल स्थानीय कोई उपयोग शुल्क नहीं

आपके कंप्यूटर पर · Ollama या LocalAI जैसा OpenAI-संगत सर्वर · न खाता, न कुंजी

• पक्ष में: मुफ़्त, ऑफ़लाइन, और आपका डिक्टेट किया कुछ भी मशीन से बाहर नहीं जाता। स्थानीय Parakeet के साथ यह ऐसा Vito है जिसका कहीं कोई खाता नहीं और कभी कोई बिल नहीं।
• विपक्ष में: आपको ऐसी मशीन चाहिए जो ठीक-ठाक मॉडल सँभाल सके, और सफ़ाई उतनी ही अच्छी होगी जितना मॉडल आप देंगे। साधारण लैपटॉप पर यह चारों विकल्पों में सबसे धीमा है।

Groq अनुशंसित मुफ़्त टियर

उनके सर्वर · आपकी अपनी कुंजी · सचमुच मुफ़्त टियर, बिना कार्ड

• पक्ष में: कोई ख़र्च नहीं, कोई कार्ड नहीं, और इतना तेज़ कि इंतज़ार सफ़ाई का नहीं रहता। अपनी शर्तों के मुताबिक़ Groq आपके भेजे पर प्रशिक्षण नहीं करता, और ऊपर से शून्य-संग्रहण की सेटिंग भी देता है।
• विपक्ष में: मुफ़्त टियर मीटर के बजाय सीमा पर चलता है, इसलिए बहुत लंबे दिन का डिक्टेशन किसी सीमा से टकरा सकता है — और मुफ़्त टियर बदलना प्रदाता के हाथ में है। आपका टेक्स्ट उनके सर्वर पर जाता है।

Anthropic (Claude) सर्वोच्च श्रेणी

उनके सर्वर · आपकी अपनी कुंजी · प्रीपेड क्रेडिट, कोई मुफ़्त टियर नहीं

• पक्ष में: प्रतिलेख को टेक्स्ट बनाने में इनमें सबसे बेहतर, और वही जो Vito Assist को देना चाहिए जब आप चाहते हों कि बोले गए जवाब पढ़ने लायक हों।
• विपक्ष में: पहले डिक्टेशन से ही पैसा लगता है, और बिना बैलेंस वाला खाता ख़ाली खाते के बजाय एक उलझाऊ त्रुटि के रूप में सामने आता है।

कोई भी अन्य OpenAI-संगत प्रदाता

एक बेस URL और एक कुंजी · उस प्रदाता के अपने मॉडल और क़ीमतें

• पक्ष में: अगर आप पहले से किसी को टोकन के पैसे देते हैं, तो Vito उन्हीं का उपयोग कर सकता है। लागत कार्ड उसी मॉडल के पीछे चलता है जो आपने सचमुच चुना है, इसलिए अनुमान सबसे सस्ते मॉडल पर टिकी अटकल नहीं है।
• विपक्ष में: मॉडल आप चुनते हैं और उसी के साथ रहते हैं। अगर कोई हज़ारों टोकन सोचने में लगा दे और कुछ लौटाए नहीं, तो इलाज Thinking नियंत्रण है, बड़ा टोकन बजट नहीं।

तीन समझदार सेटअप

• कहीं साइन अप किए बिना। स्थानीय Parakeet और एक स्थानीय मॉडल। कहीं कोई खाता नहीं, कोई उपयोग शुल्क नहीं, और न आपका ऑडियो न आपका टेक्स्ट मशीन से बाहर जाता है। क़ीमत है आपके कंप्यूटर पर बोझ, और 60 के बजाय 25 भाषाएँ।
• मुफ़्त, पर काम कहीं और। सुनने के लिए AssemblyAI का मुफ़्त शुरुआती क्रेडिट, सँवारने के लिए Groq का मुफ़्त टियर। दोनों में से कोई कार्ड नहीं माँगता, आपकी मशीन आराम में रहती है, और दस मिनट में आप डिक्टेट कर रहे होते हैं। क्रेडिट आख़िरकार ख़त्म हो ही जाता है।
• सबसे अच्छा नतीजा। सुनने के लिए Soniox, सँवारने के लिए Claude — सब मिलाकर लगभग €0.15 प्रति घंटे भाषण। 60 भाषाएँ, लाइव प्रतिलेख, और यहाँ के किसी भी संयोजन से साफ़ टेक्स्ट।

शुरू करने से पहले

कुछ बातें जानने लायक हैं, आप जो भी रास्ता चुनें:

• बिना कुछ चुकाए और बिना कहीं साइन अप किए आप डिक्टेशन तक पहुँच सकते हैं। वही ऊपर वाला स्थानीय रास्ता है। अगर आप चाहें कि काम क्लाउड करे, तो AssemblyAI का शुरुआती क्रेडिट और Groq का मुफ़्त टियर भी बिना कार्ड वहाँ पहुँचा देते हैं।
• भुगतान वाले प्रीपेड हैं। Soniox और Anthropic को कुछ भी करने से पहले बैलेंस चाहिए। कुछ यूरो बहुत सारे डिक्टेशन के बराबर हैं, पर शून्य शून्य ही है, और ख़ाली खाता ख़ाली खाते के बजाय एक उलझाऊ त्रुटि के रूप में सामने आता है।
• कार्ड जोड़ रहे हैं तो वहीं ख़र्च की सीमा भी तय कर दीजिए। एक मिनट लगता है और एक चूक तथा आपके बैलेंस के बीच बस यही खड़ा रहता है। (मुफ़्त टियर और स्थानीय मॉडल कोई बिल नहीं बना सकते, इसलिए जब तक आप उन्हीं पर हैं, सीमित करने को कुछ नहीं है।)
• कुंजी एक पासवर्ड है। जिसके पास वह है, वह आपका पैसा ख़र्च करता है — या आपका मुफ़्त कोटा। हर गाइड में उसे ठीक से सँभालने की बात है।
• इनमें से कुछ भी स्थायी नहीं है। हर विकल्प सेटिंग्स → स्पीच रिकग्निशन में अलग कार्ड है, और बदलना बस दूसरा चुनने की बात है। स्थानीय से शुरू करके बाद में कुंजी जोड़ना — या उल्टा — कुछ नहीं लेता।