Whisper Large v3 vs Gemini 3.5 Live Translate
বেঞ্চমার্ক, এপিআই টোকেন মূল্য, কনটেক্সট উইন্ডো এবং ইনফারেন্স স্পিড তুলনা
Related topics (12)
OpenAI-এর Whisper Large v3 এবং Google-এর Gemini 3.5 Live Translate হলো দুটি শীর্ষস্থানীয় এআই মডেল। Whisper Large v3 মডেলে রয়েছে 448 টোকেন কনটেক্সট উইন্ডো এবং এর এপিআই মূল্য $0.01/$0.00 প্রতি ১ মিলিয়ন টোকেন, যেখানে Gemini 3.5 Live Translate মডেলে রয়েছে 131.1K টোকেন কনটেক্সট এবং মূল্য $5.00/$20.00 প্রতি ১ মিলিয়ন টোকেন। নিচে উভয় মডেলের বেঞ্চমার্ক, গতি ও খরচের বিস্তারিত তুলনা দেওয়া হলো।
যেকোনো দুটি এআই মডেল পরিবর্তন ও তুলনা করুন
আমাদের যাচাইকৃত বেঞ্চমার্ক ডাটাবেস থেকে যেকোনো এআই মডেল নির্বাচন করে তাৎক্ষণিক তুলনা দেখুন।
Whisper Large v3
অডিও ও স্পিচ এআইOpenAI-এর Whisper Large v3 হলো ন্যাচারাল ভয়েস সিনথেসিস, রিয়েল-টাইম অডিও প্রসেসিং ও স্পিচ ট্রান্সক্রিপশনের জন্য তৈরি এআই মডেল, যা 0K কনটেক্সট উইন্ডো, 55 টোকেন/সেকেন্ড স্পিড এবং $0.006/$0 প্রতি 1M টোকেন মূল্যে 45/100 ইন্টেলিজেন্স স্কোর প্রদ
$0.01 / 1M
$0.00 / 1M
448 tokens
36%
Gemini 3.5 Live Translate
অডিও ও স্পিচ এআইGoogle-এর Gemini 3.5 Live Translate হলো ন্যাচারাল ভয়েস সিনথেসিস, রিয়েল-টাইম অডিও প্রসেসিং ও স্পিচ ট্রান্সক্রিপশনের জন্য তৈরি এআই মডেল, যা 131K কনটেক্সট উইন্ডো, 130 টোকেন/সেকেন্ড স্পিড এবং $5/$20 প্রতি 1M টোকেন মূল্যে 84/100 ইন্টেলিজেন্স স
$5.00 / 1M
$20.00 / 1M
131.1K tokens
N/A
একনজরে প্রধান পার্থক্যসমূহ
- Whisper Large v3 is 3000.0x cheaper for API usage (input + output tokens combined).
- Gemini 3.5 Live Translate has a larger context window (131K vs 0K tokens).
- Gemini 3.5 Live Translate is faster at 130 tok/s vs 55 tok/s.
| বৈশিষ্ট্য | Whisper Large v3 | Gemini 3.5 Live Translate |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 45 | 84 |
Provider | OpenAI | |
Input Price Cost per million input tokens | $0.01 / 1M | $5.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $20.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $3.70 / 1M |
Context Window Maximum input + output tokens | 448 tokens~1 A4 pages of text | 131.1K tokens~197 A4 pages of text |
Max Output Tokens Per single request | 0K | 16K |
Throughput Speed Tokens generated per second | 55 tok/s | 130 tok/s |
SWE-bench Verified Real-world software engineering | 36% | N/A |
GPQA Diamond Graduate-level reasoning | 46% | N/A |
Cached Input Price Prompt caching discount per 1M tokens | $0.00 / 1M | $1.00 / 1M |
কোন ক্ষেত্রে কোন মডেল সেরা?
একনজরে সিদ্ধান্ত নেওয়ার ফ্রেমওয়ার্কEvaluations ongoing
যাচাইকৃত বেঞ্চমার্ক স্কোর তুলনা
স্বাধীন গবেষণা ল্যাব দ্বারা যাচাইকৃত অফিশিয়াল ইভ্যালুয়েশন মেট্রিক্স।
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Extremely difficult, closed-ended questions spanning the frontier of human expert knowledge.
Autonomous multi-step tasks executed inside a real command-line terminal environment.
Research-grade coding problems drawn from real scientific and numerical workloads.
Contamination-free competitive programming problems collected continuously over time.
American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.
Accuracy when reasoning over very large inputs that fill the model context window.
Tokens emitted per second during active generation streaming.
লেটেন্সি ও রেসপন্স টাইম
প্রথম টোকেন আসার সময় (TTFT) এবং ৫০০ টোকেনের রেসপন্স জেনারেট করতে আনুমানিক সময়।
রিয়েল-টাইম টোকেন খরচ সিমুলেটর
প্রম্পট ক্যাশিং ডিসকাউন্টসহ মাসিক ক্লাউড API খরচ হিসাব করতে স্লাইডার পরিবর্তন করুন।
Whisper Large v3 · শক্তি ও প্রধান সুবিধাসমূহ
- 0K কনটেক্সট উইন্ডো এবং সর্বোচ্চ 0K আউটপুট টোকেন জেনারেশন সক্ষমতা (SWE-bench Verified 36% · GPQA Diamond 46%)
- 55 টোকেন/সেকেন্ড জেনারেশন স্পিড এবং মাত্র 350ms প্রথম টোকেন ল্যাটেন্সি (TTFT)
- ওপেন-ওয়েটস আর্কিটেকচার (1.55B) — vLLM, Ollama বা প্রাইভেট GPU ক্লাস্টারে সেলফ-হোস্টিংযোগ্য
বিবেচ্য বিষয় ও সীমাবদ্ধতা
- সম্পূর্ণ প্রিসিশনে লোকাল GPU সার্ভারে হোস্ট করতে পর্যাপ্ত VRAM ও হার্ডওয়্যার অবকাঠামো প্রয়োজন
- অত্যন্ত জটিল মাল্টি-হপ গবেষণার ক্ষেত্রে ফ্ল্যাগশিপ রিজনিং মডেলের তুলনায় নির্ভুলতা কিছুটা কম হতে পারে
Gemini 3.5 Live Translate · শক্তি ও প্রধান সুবিধাসমূহ
- 131K কনটেক্সট উইন্ডো এবং সর্বোচ্চ 16K আউটপুট টোকেন জেনারেশন সক্ষমতা (Arena Elo 1420)
- 130 টোকেন/সেকেন্ড জেনারেশন স্পিড এবং মাত্র 300ms প্রথম টোকেন ল্যাটেন্সি (TTFT)
- $5/$20 প্রতি 1M টোকেন মূল্যে প্রম্পট ক্যাশিং এবং স্ট্রাকচার্ড JSON টুল-কলিং পাইপলাইন সাপোর্ট
বিবেচ্য বিষয় ও সীমাবদ্ধতা
- প্রোপ্রাইটারি ক্লাউড মডেল — লোকাল অন-প্রিমাইজ GPU-তে ওপেন-ওয়েটস হিসেবে ডাউনলোড করা যায় না
- হাই-ভলিউম প্রোডাকশন ট্রাফিকের ক্ষেত্রে প্রম্পট ক্যাশিং ও ব্যাচ API ব্যবহার না করলে খরচ বেশি হতে পারে
টোকেন ব্যবহার ও টাস্ক ইকোনমিক্স
একটি স্ট্যান্ডার্ড এজেন্টিক টাস্ক সম্পন্ন করতে আনুমানিক খরচ এবং টোকেন ব্যবহার।
| Metric | Whisper Large v3 | Gemini 3.5 Live Translate |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.09 | $0.85 |
Output Tokens / Task Tokens generated per task | 3K | 8K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
টেকনিক্যাল স্পেসিফিকেশন
অফিশিয়াল প্রোভাইডার রিলিজ স্পেক্স, API মডেল আইডি, রেট লিমিট, লং-কনটেক্সট প্রাইসিং ও এজেন্টিক সক্ষমতা
| বৈশিষ্ট্য | Whisper Large v3 | Gemini 3.5 Live Translate |
|---|---|---|
| অফিশিয়াল API মডেল আইডি (SDK) | whisper-large-v3 | models/gemini-3-5-live-translate |
| API প্রোটোকল | OpenAI Responses API & Chat Completions v1 | Google Gemini API (generateContent) + OpenAI-Compatible SDK |
| রিলিজ তারিখ | 2023-11 | 2026-06 |
| নলেজ কাটঅফ | 2023 (audio corpus) | February 2026 |
| আর্কিটেকচার | Encoder-decoder speech transformer | Low-latency neural speech-to-speech cross-lingual transformer |
| প্যারামিটার স্কেল | 1.55B | Confidential |
| এন্টারপ্রাইজ রেট লিমিট (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | 10,000 – 30,000 RPM (Tier 5 Enterprise) · 800,000 – 2,000,000 TPM |
| লং-কনটেক্সট প্রাইসিং (>128K/200K) | পূর্ণ 0K কনটেক্সট জুড়ে একই ফ্ল্যাট রেট ($0.006/1M) | পূর্ণ 131K কনটেক্সট জুড়ে একই ফ্ল্যাট রেট ($5/1M) |
| প্রম্পট ক্যাশিং ও TTL | স্বয়ংক্রিয় প্রিফিক্স ক্যাশিং $0/1M (কোনো অতিরিক্ত রাইট ফি নেই) | ইমপ্লিসিট ও এক্সপ্লিসিট কনটেক্সট ক্যাশিং ($1/1M, কাস্টম TTL সহ) |
| কম্পিউটার ইউজ / GUI এজেন্ট | টেক্সট জেনারেশন (GUI অ্যাকশন লুপ নেই) | API ও CLI টুল-কলিং এজেন্ট সমর্থিত (র-পিক্সেল ডেস্কটপ ক্লিক ছাড়া) |
| MCP ও প্যারালাল টুল কলিং | প্রম্পট-ভিত্তিক টেক্সট/JSON আউটপুট | নেটিভ MCP সাপোর্ট · প্যারালাল ফাংশন কলিং · ১০০% স্ট্রিক্ট JSON স্কিমা |
| ওয়েব সার্চ ও কোড স্যান্ডবক্স | নেটিভ ওয়েব সার্চ টুল + হোস্টেড কোড ইন্টারপ্রেটার ও ফাইল সার্চ RAG | বিল্ট-ইন গুগল সার্চ গ্রাউন্ডিং + ম্যানেজড পাইথন কোড এক্সিকিউশন স্যান্ডবক্স |
| অফিশিয়াল ফাইন-টিউনিং (SFT/LoRA/RFT) | পূর্ণ ওয়েটস SFT, LoRA, QLoRA, DPO ও RL ফাইন-টিউনিং (Unsloth / Axolotl) | Vertex AI সুপারভাইজড অ্যাডাপ্টার টিউনিং ও ডিস্টিলেশন |
| মাল্টিমোডাল টোকেন বিলিং | টেক্সট BPE (~৪ অক্ষর/টোকেন) · অডিও (~২৫–৩২ টোকেন/সেকেন্ড) | টেক্সট BPE (~৪ অক্ষর/টোকেন) · অডিও (~২৫–৩২ টোকেন/সেকেন্ড) |
| কোয়ান্টাইজেশন ও মিনিমাম VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 2 GB VRAM (৪-বিট কোয়ান্টাইজড) · 4 GB VRAM (নেটিভ BF16) | Cloud-Hosted Proprietary (FP8 / BF16 Tensor Core Cluster) · লোকাল জিপিইউ প্রয়োজন নেই (১০০% ক্লাউড API) |
| সেফটি ও ফ্রন্টিয়ার ক্লাসিফিকেশন | OpenAI Preparedness Framework Audited & System Card Published | Google DeepMind Frontier Safety Framework Verified |
| এন্টারপ্রাইজ কমপ্লায়েন্স (ZDR/HIPAA/SOC2) | ১০০% অন-প্রেমিসেস / প্রাইভেট VPC নিয়ন্ত্রণ · সম্পূর্ণ HIPAA, GDPR ও SOC2 কমপ্লায়েন্ট | SOC2 Type II · GDPR · এন্টারপ্রাইজ টিয়ারে Zero Data Retention (ZDR) ও HIPAA BAA সুবিধা |
| ইনপুট মডালিটি | audio | audio |
| আউটপুট মডালিটি | text | audio, text |
Whisper Large v3 vs Gemini 3.5 Live Translate: সংক্ষিপ্ত প্রশ্নোত্তর (FAQ)
Which is more intelligent, Whisper Large v3 or Gemini 3.5 Live Translate?
Gemini 3.5 Live Translate is more intelligent. It scores 84 compared with 45 on the composite Intelligence Index.
Which model is faster?
Gemini 3.5 Live Translate is faster, generating 130 tokens per second compared with 55 tokens per second.
Which model is cheaper to run?
Whisper Large v3 is cheaper at $0.00 per 1M tokens blended, compared with $3.70 (7:2:1 cache:input:output ratio).
Which model has lower latency?
Gemini 3.5 Live Translate has lower latency, with a time to first token of 0.30s compared with 0.35s.
Which model has a larger context window?
Gemini 3.5 Live Translate has a larger context window, supporting 131.1K tokens compared with 448 tokens.
চূড়ান্ত মতামত
Whisper Large v3 (ন্যাচারাল ভয়েস সিনথেসিস, রিয়েল-টাইম অডিও প্রসেসিং ও স্পিচ ট্রান্সক্রিপশনের জন্য তৈরি, RAG নলেজ পাইপলাইন এবং স্কেলেবল প্রোডাকশন API ইন্টিগ্রেশন।) এবং Gemini 3.5 Live Translate (ন্যাচারাল ভয়েস সিনথেসিস, রিয়েল-টাইম অডিও প্রসেসিং ও স্পিচ ট্রান্সক্রিপশনের জন্য তৈরি, RAG নলেজ পাইপলাইন এবং স্কেলেবল প্রোডাকশন API ইন্টিগ্রেশন।) উভয়ই শক্তিশালী মডেল। সার্বিক রিজনিং ও কোডিং বেঞ্চমার্কে Gemini 3.5 Live Translate এগিয়ে, দ্রুত ইনফারেন্স গতির জন্য Gemini 3.5 Live Translate সেরা এবং কম এপিআই খরচে প্রোডাকশন ডিপ্লয়মেন্টের জন্য Whisper Large v3 সবচেয়ে সাশ্রয়ী পছন্দ।
সাধারণ জিজ্ঞাসা (FAQ)
কোডিং ও জটিল রিজনিংয়ের জন্য Whisper Large v3 নাকি Gemini 3.5 Live Translate কোনটি ভালো?+
বেঞ্চমার্ক এবং রিজনিং মূল্যায়নে Gemini 3.5 Live Translate এগিয়ে রয়েছে। তবে আপনার নির্দিষ্ট প্রজেক্টের জন্য উভয় মডেলের SWE-bench ও GPQA স্কোর তুলনা করে নেওয়া উত্তম।
Whisper Large v3 এবং Gemini 3.5 Live Translate-এর এপিআই খরচের পার্থক্য কত?+
Whisper Large v3-এর ইনপুট/আউটপুট মূল্য $0.01 / $0.00 (প্রতি ১ মিলিয়ন টোকেন) এবং Gemini 3.5 Live Translate-এর মূল্য $5.00 / $20.00। সার্বিক ওয়ার্কলোডে Whisper Large v3 বেশি সাশ্রয়ী।
কোন মডেলটির কনটেক্সট উইন্ডো ও স্পিড বেশি?+
Whisper Large v3 মডেলের কনটেক্সট উইন্ডো 448 টোকেন এবং Gemini 3.5 Live Translate মডেলের কনটেক্সট উইন্ডো 131.1K টোকেন। ইনফারেন্স গতির দিক থেকে Gemini 3.5 Live Translate দ্রুততর আউটপুট প্রদান করে।
মডেলের বিভিন্ন পরিমাপক যেমন কনটেক্সট উইন্ডো, টোকেন প্রাইজ এবং রিজনিং স্কোর সম্পর্কে বিস্তারিত জানতে আমাদের এআই গ্লোসারি দেখুন।
Related reading
- Gemini 3.5 Live Translate বনাম GPT Realtime Whisper: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
- Whisper Large v3 Turbo বনাম Gemini 3.5 Live Translate: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
- Whisper Large v3 Turbo বনাম Whisper Large v3: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
- Aion-3.0 বনাম Aion-Mini: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
- Aion-3.0 বনাম Gemini 3.6 Flash: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
- Aion-Mini বনাম Laguna XS 2.1: বেঞ্চমার্ক, এপিআই দাম ও স্পিড তুলনা (২০২৬)তুলনা
এআই ল্যাবগুলোর নতুন রিলিজের সাথে সাথে বেঞ্চমার্ক স্কোর, টোকেন প্রাইসিং এবং রেট লিমিট নিয়মিত পরিবর্তিত হয়। প্রোডাকশনে ব্যবহারের পূর্বে সর্বদা অফিশিয়াল প্রোভাইডার ডকুমেন্টেশন যাচাই করুন।
তথ্যসূত্র: OpenAI ও Google অফিশিয়াল এপিআই ডকুমেন্টেশন এবং স্বাধীন বেঞ্চমার্ক ইভালুয়েশন (২০২৬)।