Gender-API vs. ChatGPT: नाम का लिंग किससे तय कराना चाहिए?

दोनों तुम्हें बता सकते हैं कि Sandra आम तौर पर स्त्री नाम है। लेकिन यह कैसे जाना, अगले साल भी वही जवाब, और शुरू करने से पहले दस लाख नामों का दाम — ये सिर्फ एक ही दे सकता है

अंतिम समीक्षा 2026-09-01 Gender-API.com की टीम द्वारा लिखा और सँभाला गया

छोटा जवाब

जब तुम्हें कुछ गिने-चुने नामों पर राय चाहिए हो, या पढ़ने लायक लेख — कोई व्याख्या, कोई उत्पत्ति, कोई संबोधन — तब LLM लो
जब जवाब कल भी वही होना चाहिए, सबूत के साथ आना चाहिए, हर रिकॉर्ड के हिसाब से दाम होना चाहिए, या डेटा सुरक्षा अधिकारी के सवाल के सामने टिकना चाहिए, तब नामों का डेटाबेस लो
बड़े पैमाने पर फ़ैसला सटीकता नहीं करती, हिसाब देने की क्षमता करती है। 9,124,598 देशों में फैले 192 नाम, हर जवाब के साथ उसके अपने नमूनों की संख्या — सामने वह जनरेशन है जो अपना हिसाब दिखा नहीं सकती
दोनों साथ अच्छे चलते हैं। मॉडल को यह API एक टूल के रूप में दो — इसके लिए हम एक होस्टेड MCP सर्वर देते हैं — फिर लेबल डेटा से आता है और शब्द मॉडल से

एक सवाल — जर्मनी में Andrea पुरुष नाम है या स्त्री नाम — के दो जवाब। Gender-API की प्रतिक्रिया में gender female, probability 0.85, samples 464 और country DE आते हैं, और हर बार दोहराने पर वह एक जैसी रहती है। भाषा मॉडल की प्रतिक्रिया में सिर्फ female का लेबल आता है, और वह प्रॉम्प्ट, temperature और मॉडल संस्करण के साथ बदलती है — वही सवाल, और दोनों जवाब आमने-सामने

ये दोनों चीज़ें असल में क्या हैं

Gender-API.com नामों के डेटाबेस पर चलने वाली खोज सेवा है। जिस देश में देखे गए उसके हिसाब से बाँटे गए 9,124,598 नाम, 192 देशों का समर्थन। तुम एक नाम भेजते हो और लिंग, प्रायिकता तथा जवाब जिन नमूनों पर टिका है उनकी संख्या पाते हो। कुछ भी जनरेट नहीं होता

ChatGPT — और हर दूसरा सामान्य कामकाज वाला भाषा मॉडल — एक टेक्स्ट जनरेटर है। वह जानता है कि “Sandra” स्त्री संदर्भों में आता है, क्योंकि उसके प्रशिक्षण पाठ में यह शब्द ऐसे ही बरता गया था। यह वाकई काम का संकेत है, और आम नामों पर सही लेबल देता है। लेकिन उसकी बनावट में ऐसा कुछ नहीं है जो यह रखे कि पुर्तगाल में कितनी Sandra स्त्रियाँ थीं — इसलिए न कुछ उद्धृत करने को है, न कोई सीमा तय करने को, न कुछ जाँचने को

यही एक बनावटी फ़र्क नीचे दिए सारे व्यावहारिक अंतरों की जड़ है

आमने-सामने

वे अंतर जो टिके रहते हैं, चाहे तुम कोई भी मॉडल चुनो

तुम्हें क्या चाहिए	Gender-API.com	सामान्य कामकाज वाला LLM
एक ही इनपुट पर हर बार एक ही जवाब	हाँ — यह डेटाबेस की खोज है	नहीं — सैंपलिंग, प्रॉम्प्ट के शब्द और मॉडल संस्करण, सब इसे हिला देते हैं
एक अकेले जवाब के पीछे का सबूत	हर नतीजे और हर देश के लिए नमूनों की संख्या और प्रायिकता	कोई नहीं; भरोसे का आँकड़ा मांगो तो वह भी जनरेट किया हुआ होता है
वह दायरा जो तुम लिखकर बता सको	9,124,598 नाम, 192 देश	अज्ञात और बताया नहीं गया
देश के हिसाब से जवाब	देश, locale या IP का पैरामीटर नतीजा बदल देता है	सिर्फ तब जब तुम प्रॉम्प्ट में कहो — और फिर भी वह अंदाज़ा ही है
बारह महीने बाद का बरताव	वही endpoint अनुबंध, OpenAPI के रूप में प्रकाशित; v1 और v2 दोनों अब भी चालू	मॉडल हटाए और बदले जाते हैं; जवाब उनके साथ सरक जाते हैं
Batch prakriya	हर अनुरोध पर 100 नाम, या एक करोड़ पंक्तियों तक की CSV	कॉन्टेक्स्ट की सीमा, टुकड़े करना, rate limit और दोबारा कोशिश — सब तुम खुद लिखते हो
लागत की इकाई	हर खोज पर एक credit, पहले से खरीदे पैकेज से	आने और जाने वाले टोकन — प्रॉम्प्ट की लंबाई और दोबारा कोशिशों से बदलते हैं
डेटा कहाँ संसाधित होता है	सर्वर जर्मनी में, प्रोसेसिंग EU के भीतर, मांगने पर DPA	विक्रेता, प्लान और तुम्हें दिए गए क्षेत्र पर निर्भर
पूरा नाम अलग करना, ई-मेल पते से नाम निकालना	अलग endpoint मौजूद	प्रॉम्प्ट की जुगत, और किनारे के मामलों में यह चुपचाप चूक जाता है
वह नाम जिसका डेटा किसी के पास नहीं	बता देता है — result_found false होता है, या प्रायिकता कम	फिर भी जवाब देता है, उसी भरोसेमंद लहज़े में
किसी नाम, उसकी उत्पत्ति या उसके रूपों की व्याख्या	यह उसका काम नहीं है	वाकई बेहतर — भाषा मॉडल इसी के लिए है

दस लाख नामों का लिंग तय करने में क्या खर्च आता है?

यहाँ मार्केटिंग का आँकड़ा नहीं, हिसाब का तरीका है — ताकि तुम आज की दरों पर खुद जोड़ सको

API के साथ: एक खोज एक credit है। हमारी सबसे अच्छी प्रकाशित थोक दर 1,000 नामों पर लगभग €0.35 बैठती है, इसलिए दस लाख नाम करीब €349 (कर रहित) पड़ते हैं — तय रकम, शुरू करने से पहले पता, VAT वाले इनवॉइस पर। एकमुश्त पैकेज के credit कभी खत्म नहीं होते

LLM के साथ: हर अनुरोध और हर दोबारा कोशिश पर, दोनों दिशाओं में, टोकन के हिसाब से पैसा लगता है। कई नामों को एक प्रॉम्प्ट में जोड़ने से प्रति नाम लागत घटती है, पर हर बैच के साथ निर्देश फिर से भेजने पड़ते हैं, लंबे नाम और अनजान लिपियाँ छोटे नामों से ज़्यादा टोकन लेती हैं, और बिगड़े जवाब की कीमत में दोबारा कोशिश भी जुड़ जाती है। नतीजा एक अंदाज़ा है, बजट में लिखने लायक आँकड़ा नहीं

सच कहें तो: कुछ हज़ार नामों के लिए सामान्य मॉडल इतना सस्ता है कि इनमें से कुछ भी मायने नहीं रखता। मोड़ पैमाने के साथ आता है — और टोकन के दाम से जितना लगता है, उससे पहले, क्योंकि बैचिंग, दोबारा कोशिश और आउटपुट जाँचने का सारा काम खोज endpoint के सामने करना ही नहीं पड़ता

थोक कीमतें देखो

दोहराने पर एक जैसा नतीजा: यही बात अक्सर फ़ैसला करती है

एक ग्राहक सूची दो बार चलाओ और दो अलग नतीजे मिलें, तो तुम्हारे पास एक ऐसी समस्या है जो समझाई नहीं जा सकती: कौन सा चक्कर सही था, क्या बदला, और उस व्यक्ति को क्या कहोगे जिसे पिछले महीने “श्री” और इस महीने “श्रीमती” लिखा गया

खोज निश्चयात्मक होती है। वही नाम उसी देश के साथ वही लिंग, वही प्रायिकता और वही नमूनों की संख्या देता है। नीचे का डेटा बढ़े तो नमूनों की संख्या भी उसके साथ बढ़ती है — दिखाई देते हुए, जवाब के भीतर — तो बदलाव कोई अचानक हो गई बात नहीं, बल्कि ऐसी चीज़ है जिसकी ओर तुम इशारा कर सकते हो

जनरेट किए गए जवाब में ऐसी कोई गारंटी नहीं। Temperature, नया मॉडल संस्करण, दोबारा लिखा गया सिस्टम प्रॉम्प्ट, कोई सुरक्षा फेरबदल जिसके बारे में तुम्हें बताया ही नहीं गया: इनमें से कोई भी सीमारेखा पर खड़े नाम को पलट सकता है, और कोई भी तुम्हारे डेटा में निशान नहीं छोड़ता

वही नाम और वही देश जनवरी, जून और दिसंबर में देखने पर हर बार probability 0.85 और 464 samples के साथ female देता है। जनरेट किया गया जवाब पहले female, फिर male, फिर female देता है — जून और दिसंबर के बीच मॉडल संस्करण बदला गया, और डेटा में इस बदलाव को दर्ज करने वाला कुछ भी नहीं है — उदाहरण के तौर पर। वही इनपुट, तीन बार चलाना, एक साल

हर जवाब अपना सबूत साथ लाता है

v2 endpoint पर एक अनुरोध:

POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }

{
    "input":  { "first_name": "Sandra" },
    "details": {
        "credits_used": 1,
        "samples": 464,
        "country": null,
        "first_name_sanitized": "sandra",
        "duration": "436ms"
    },
    "result_found": true,
    "first_name": "Sandra",
    "probability": 0.85,
    "gender": "female"
}

दो फ़ील्ड वह काम करते हैं जो कोई जनरेट किया जवाब नहीं देता। “samples” बताता है कि जवाब कितने अवलोकनों पर टिका है, और “probability” उनमें स्त्री हिस्से का अनुपात। दोनों मिलकर तुम्हें अपनी सीमा तय करने देते हैं — ठीक-ठाक नमूनों के साथ 0.9 से ऊपर के नतीजे लो, बाकी मैन्युअल जाँच में भेजो — पूरे डेटाबेस के लिए एक ही भरोसे का स्तर मानने के बजाय

पूरा संदर्भ: v2 API दस्तावेज़

एक ही नाम हर जगह एक ही लिंग नहीं होता

Andrea इटली में मुख्य रूप से पुरुष नाम है और जर्मनी में मुख्य रूप से स्त्री नाम। Jean फ़्रांस में पुरुष नाम है और अंग्रेज़ी बोलने वाले देशों में काफ़ी हद तक स्त्री नाम। Nikita रूस में पुरुष नाम है और बाकी जगह आम तौर पर स्त्री नाम। ये अनोखे किनारे के मामले नहीं हैं — ये आम ग्राहक सूचियों में आम नाम हैं

किसी सामान्य मॉडल से देश बताए बिना पूछो और तुम्हें वही अर्थ मिलेगा जो उसके प्रशिक्षण पाठ में हावी था — व्यवहार में यानी अंग्रेज़ी वाला। API देश साफ़ तौर पर लेता है:

नाम Andrea के लिए दो एक जैसे API अनुरोध, जिनमें अंतर सिर्फ country फ़ील्ड का है। Country IT पर male मिलता है, country DE पर female। जिस प्रॉम्प्ट में देश नहीं बताया गया हो, वह वही अर्थ देता है जो प्रशिक्षण पाठ में हावी था — दो एक जैसे अनुरोध, एक फ़ील्ड का फ़र्क, उलटे जवाब

locale (en_US) या आने वाले की IP भी उतनी ही अच्छी तरह काम करती है, और उलटे सवाल के लिए एक अलग endpoint है — कोई नाम किस देश से आता है

GDPR, और तुम जो नाम भेजते हो वे असल में कहाँ जाते हैं

असली ग्राहकों के नाम निजी डेटा हैं, इसलिए यह खरीद का सवाल है, कोई फुटनोट नहीं। जो हम साफ़ कह सकते हैं:

हम एक जर्मन कंपनी हैं; हमारे सारे सर्वर जर्मनी में हैं और डेटा EU के भीतर संसाधित होता है
डेटा प्रोसेसिंग समझौता तुम अपने खाते से मांग सकते हो
सर्वर लॉग में भेजा गया नाम होता है और वे लेखा-जोखा के कारण 14 दिन रखे जाते हैं
अपलोड की गई CSV और Excel फ़ाइलें एन्क्रिप्टेड रखी जाती हैं और दस दिन बाद मिटा दी जाती हैं
हर खरीद पर सही VAT इनवॉइस बनता है, और EU के VAT नंबर ठीक से सँभाले जाते हैं

कोई मॉडल विक्रेता उसी डेटा के लिए ठीक है या नहीं, यह सवाल तुम्हारे डेटा सुरक्षा अधिकारी का है — पर यह लंबा सवाल है, और जब भी विक्रेता कोई उप-प्रोसेसर बदले, इसे फिर से पूछना पड़ता है। हमारे जवाब गोपनीयता अवलोकन में हैं

जब ChatGPT बेहतर चुनाव है

अगर जवाब हमेशा “API खरीद लो” होता, तो यह पन्ना पढ़ने लायक न होता। वह नहीं है:

एक बार का काम। स्प्रेडशीट में चालीस नाम, कोई पाइपलाइन नहीं, इसे कोई दोबारा नहीं चलाएगा
तुम्हें लेबल नहीं, वजह चाहिए — किसी नाम की उत्पत्ति, उसके रूप, वह आम तौर पर कैसे छोटा किया जाता है, किसी संस्कृति में किसी को शालीनता से कैसे संबोधित करें
वे नाम जो किसी डेटाबेस में नहीं: नए गढ़े शब्द, काल्पनिक पात्र, ऐसी लिप्यंतरण जो किसी रजिस्टर में नहीं। जहाँ खोज के पास कुछ भी नहीं होता, वहाँ मॉडल एक वाजिब अंदाज़ा लगा देता है
तुम्हें नतीजे में फ़ील्ड नहीं, खुला लेख चाहिए — लिंग का कॉलम नहीं, अभिवादन की एक पंक्ति

यह उदारता नहीं है, हम भी इन्हें ऐसे ही बरतते हैं: हमारे अपने नाम पन्नों पर नाम की उत्पत्ति के विवरण एक भाषा मॉडल बनाता है, क्योंकि लेख लिखना ही वह काम है जिसमें भाषा मॉडल अच्छा है

सबसे अच्छा तरीका दोनों है: मॉडल को API बुलाने दो

अगर तुम पहले से किसी LLM पर बना रहे हो, तो चुनने की ज़रूरत नहीं। आज के मॉडल टूल बुलाते हैं, और लिंग की खोज एक आदर्श टूल है: सीमित सवाल, तथ्य वाला जवाब, और मॉडल के पास उसका डेटा नहीं

हम एक होस्टेड MCP सर्वर देते हैं, ताकि MCP समझने वाला कोई भी सहायक या एजेंट डेटाबेस से सीधे पूछ सके। उसके टूल हैं query_first_name, query_full_name, query_email, get_country_of_origin और get_statistics

अपने टूल खुद तय करने के लिए नौ भाषाओं (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET) के आधिकारिक क्लाइंट, एक OpenAPI विवरण, और /skill.md पर एक तैयार अमल गाइड है जिसे तुम सीधे किसी कोडिंग सहायक को थमा सकते हो

बात इसी बँटवारे की है: क्या करना है यह मॉडल तय करता है, क्या सच है यह डेटाबेस

अक्सर पूछे जाने वाले सवाल

क्या ChatGPT किसी नाम का लिंग बता सकता है?

हाँ, और आम नामों पर वह अक्सर सही होता है। जो वह नहीं कर सकता: तुम्हें बताना कि जवाब कितने रिकॉर्ड पर टिका है, एक ही जवाब दो बार देने की गारंटी देना, या उसी नाम का दूसरे देश में अलग जवाब देना। जिन नामों को उसने कभी देखा नहीं, उन पर भी वह उतने ही भरोसे से जवाब देता है — और बड़े पैमाने पर यही चूक मायने रखती है

क्या लिंग बताने वाला API किसी LLM से ज़्यादा सटीक है?

जो नाम नामों के डेटाबेस में मौजूद है, उसके लिए खोज बनावट से ही सटीक होती है: वह अनुमान नहीं, बल्कि देखी गई वितरण बताती है। अनजान नाम पर दोनों तरीकों पर भरोसा नहीं किया जा सकता, लेकिन इसे मानती सिर्फ खोज है। भरोसे वाला अंतर कोई एक सटीकता प्रतिशत नहीं है — यह है कि हर खोज के साथ नमूनों की संख्या और एक प्रायिकता आती है, जिन पर तुम अपनी सीमा तय कर सकते हो

दस लाख नामों का लिंग तय करने में कितना खर्च आता है?

Gender-API में एक खोज का दाम एक credit है, इसलिए दस लाख नाम एक तय और पहले से पता रकम है — हमारी सबसे अच्छी प्रकाशित थोक दर पर लगभग €349 (कर रहित), VAT वाले इनवॉइस पर, शुरू करने से पहले तय। LLM में हर अनुरोध और हर दोबारा कोशिश पर टोकन के हिसाब से पैसा लगता है, इसलिए बिल तुम्हारे प्रॉम्प्ट की लंबाई पर निर्भर करता है और उसका सिर्फ अंदाज़ा लगाया जा सकता है

क्या मैं एक LLM और लिंग बताने वाला API साथ इस्तेमाल कर सकता हूँ?

हाँ, और यही सबसे अच्छा तरीका है। मॉडल को यह API एक टूल के रूप में दो — ठीक इसी के लिए हम एक होस्टेड MCP सर्वर देते हैं — फिर लेबल डेटाबेस से आता है और शब्द मॉडल से। मॉडल उन तथ्यों पर अंदाज़ा लगाना बंद कर देता है जिनका उसके पास डेटा नहीं है

क्या एक ही नाम का हर देश में एक ही लिंग होता है?

नहीं, और बिना देश वाला प्रॉम्प्ट ठीक यहीं गलत होता है। Andrea इटली में मुख्य रूप से पुरुष नाम है और जर्मनी में मुख्य रूप से स्त्री नाम; Jean फ़्रांस में पुरुष नाम है और अंग्रेज़ी बोलने वाले देशों में काफ़ी हद तक स्त्री नाम। API देश, locale या IP पता लेता है और उसी देश के लिए जवाब देता है

जिस नाम को डेटाबेस नहीं जानता, उसका क्या होता है?

तुम्हें result_found: false मिलता है, या कम नमूनों के साथ कम प्रायिकता। यह एक संकेत है जिस पर काम किया जा सकता है — उन रिकॉर्ड को मैन्युअल जाँच में भेजो, या किसी मॉडल का सहारा लो। जनरेट किया गया जवाब तुम्हें ऐसा कोई संकेत नहीं देता

क्या Gender-API GDPR का पालन करता है?

हम एक जर्मन कंपनी हैं, सारे सर्वर जर्मनी में हैं और डेटा EU के भीतर संसाधित होता है। डेटा प्रोसेसिंग समझौता तुम अपने खाते से मांग सकते हो। भेजे गए नाम वाले अनुरोध लॉग लेखा-जोखा के कारण 14 दिन रखे जाते हैं; अपलोड की गई CSV और Excel फ़ाइलें एन्क्रिप्टेड रखी जाती हैं और दस दिन बाद मिटा दी जाती हैं

अपने नामों पर आज़माओ

हर खाते में हर महीने 100 मुफ़्त खोज शामिल हैं — उन नामों को जाँचने के लिए काफ़ी जिन पर LLM गलत निकला। क्रेडिट कार्ड नहीं चाहिए

मुफ़्त API की लो थोक कीमतें देखो

API दस्तावेज़ · CSV या Excel फ़ाइल में लिंग जोड़ो · MCP सर्वर