El precio de la voz a texto parece sencillo: un precio por minuto de audio. En la práctica, los proveedores cotizan por minuto, por hora o por segundo, separan el procesamiento por lotes del streaming y venden la diarización y la redacción de datos como extras. Esta página pone las principales API en una misma escala, con precios que obtuvimos de la página oficial de cada proveedor el 14 y 15 de noviembre de 2026 (cada fuente indica su fecha más abajo).
Todos los precios son de lista, de pago por uso, en dólares estadounidenses y para audio por lotes (pregrabado), salvo que se indique lo contrario. No incluyen descuentos por volumen ni contratos.
¿Cuánto cuestan las API de voz a texto por minuto y por cada 1,000 horas?
| Proveedor y modelo | Por minuto | Por hora | Por 1,000 horas |
|---|---|---|---|
| Groq, Whisper Large v3 Turbo | unos USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR, precio por tiempo limitado (50% de descuento sobre el de lista) | unos USD 0.00097 | USD 0.058 | USD 58 |
| Soniox, asíncrono (facturado por token; “about” por hora) | unos USD 0.00167 | unos USD 0.10 | unos USD 100 |
| Groq, Whisper Large v3 | unos USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR, precio de lista | unos USD 0.00193 | USD 0.116 | USD 116 |
| BroadNet Transcribe (14 idiomas) | $0.002 | $0.12 | $120.00 |
| AssemblyAI, Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI, gpt-4o-mini-transcribe (obsoleto, deja de funcionar el 2027-02-26) | USD 0.003 | USD 0.18 | USD 180 |
| Google, V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI, Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics, Melia 1 multilingüe (56 idiomas) | USD 0.004 | USD 0.24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram, Nova-3 monolingüe | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI, gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram, Nova-3 multilingüe | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI, whisper-1 / gpt-4o-transcribe (obsoletos, dejan de funcionar el 2027-02-26) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe, por lotes (US East) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google, V2 estándar (primeros 500,000 min) | USD 0.016 | USD 0.96 | USD 960 |
Las cifras por hora y por cada 1,000 horas son cálculos nuestros a partir del precio unitario publicado (por minuto x 60, luego x 1,000). Groq, DeepSeek, AssemblyAI y Speechmatics publican precios por hora; para la columna por minuto los dividimos entre 60. La página de precios de DeepSeek indica que su API de voz a texto cuesta USD 0.116 por hora, con un descuento del 50% por tiempo limitado y sin fecha de fin, así que presupueste con el precio de lista. Las tarifas de Speechmatics son sus precios de lista para audio pregrabado; su página de precios también puede mostrarlas con un descuento del 33% por entrenamiento de modelos y hasta un 25% por volumen aplicados, lo que deja Melia 1 en unos USD 0.12 por hora. El descuento del 33% es opcional y, si usted se adhiere, permite a Speechmatics usar su audio y sus transcripciones para mejorar sus modelos (según las preguntas frecuentes de su página de precios, consultadas el 2026-11-15).
Soniox, DeepSeek ASR y los endpoints de Whisper de Groq cuestan menos por hora que los dos modelos de BroadNet. La página de precios de Soniox, consultada el 2026-11-14, factura por token (USD 1.50 por 1M de tokens de audio de entrada y USD 3.50 por 1M de tokens de texto de salida en modo asíncrono) y dice que esto equivale a “about” (Traducción: «aproximadamente») USD 0.10 por hora para archivos subidos y USD 0.12 por hora para streaming en tiempo real. Su lista de idiomas incluye el árabe entre más de 60 idiomas. Usa su propia API basada en trabajos (jobs) en lugar del formato /v1/audio/transcriptions de OpenAI, así que cambiarse a Soniox implica escribir código de cliente nuevo.
Un cambio que conviene prever: la página de retiros de OpenAI, consultada el 2026-11-15, marca whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize como obsoletos (aviso emitido el 26 de agosto de 2026), con cierre el 26 de febrero de 2027 y gpt-transcribe o gpt-live-transcribe como reemplazo. Su página de precios marca como obsoletos esos mismos cuatro modelos. Si hoy calcula el costo de un pipeline de OpenAI, hágalo con gpt-transcribe a USD 0.0045 por minuto. Eso es más por hora que los dos modelos de BroadNet, pero OpenAI también vende transcripción en vivo (gpt-live-transcribe, USD 0.017 por minuto), y BroadNet no. Esta página solo compara precios; si va a dejar whisper-1, la guía de alternativas a la API de Whisper explica cómo probar un reemplazo con su propio audio y qué se rompe al cambiar. Para calcular sus propios volúmenes con estas tarifas, use la calculadora de costos de voz a texto.
Para el panorama completo, nuestro índice abierto de precios de API de voz a texto recoge precios por lotes y en streaming, incrementos de facturación y compatibilidad con árabe de más de 20 productos, cada uno verificado en la página de precios del propio proveedor (CSV y JSON).
¿Qué deja fuera el precio base?
El número por minuto rara vez es toda la factura. Revise estos puntos antes de comparar:
| Concepto | Lo que dicen las páginas |
|---|---|
| Diarización de hablantes | Deepgram: incluida para audio pregrabado, USD 0.0020/min extra en streaming. AWS: incluida en el precio estándar. AssemblyAI: +USD 0.02/h. OpenAI: modelo aparte gpt-4o-transcribe-diarize a USD 0.006/min, obsoleto y con cierre el 2027-02-26. |
| Redacción de datos personales (PII) | Deepgram: USD 0.0020/min. AWS: USD 0.0024/min (nivel 1). AssemblyAI: redacción de texto +USD 0.08/h en Universal-2 y +USD 0.12/h en Universal-3.5 Pro; redacción de audio +USD 0.05/h. |
| Streaming | AWS: USD 0.01/min frente a USD 0.006 por lotes. Deepgram Nova-3 monolingüe: USD 0.0048 en streaming (precio promocional válido hasta el 2027-02-13) frente a USD 0.0043 pregrabado. Speechmatics Melia 1: USD 0.40/h en tiempo real frente a USD 0.24/h pregrabado. |
| Mínimo de facturación | Groq factura al menos 10 segundos por solicitud. AWS factura por segundo sin mínimo. Google redondea cada solicitud al segundo siguiente. |
| Niveles por volumen | Google V2 estándar baja a USD 0.01/min después de 500,000 minutos al mes, y más por encima de 1 millón. En AWS, el estándar por lotes y el streaming ahora tienen tarifa plana; sus niveles por volumen se aplican a extras como la redacción. |
Para un centro de llamadas que necesita diarización y redacción, Deepgram Nova-3 pregrabado pasa a USD 0.0063 por minuto con redacción, y AWS a USD 0.0084. Un precio base barato con extras caros puede salir peor que un precio base más alto que ya los incluye.
¿Cuánto cuesta transcribir 10,000 notas de voz al mes?
Supongamos que una bandeja de soporte recibe 10,000 notas de voz de WhatsApp al mes, de 30 segundos cada una. Son 5,000 minutos.
- A USD 0.006 por minuto (AWS por lotes, o el whisper-1 obsoleto de OpenAI): USD 30.
- A USD 0.0045 (OpenAI gpt-transcribe): USD 22.50.
- A USD 0.0043 (Deepgram Nova-3): USD 21.50.
- Con BroadNet Transcribe Arabic: $21.00.
Aquí los mínimos de facturación importan. El mínimo de 10 segundos de Groq no cambia la factura de estas notas de 30 segundos, pero cobra una nota de dos segundos que solo dice “ok” como si durara 10 segundos. Con un mínimo de 15 segundos, esa nota de dos segundos cuesta lo mismo que una de 15 segundos. Para el flujo completo de notas de voz, consulte notas de voz a texto para empresas.
¿Qué importa además del precio?
Un modelo más barato que se equivoca en 1 de cada 5 palabras cuesta más en corrección humana de lo que ahorra. Antes de cambiar, mida la tasa de error por palabra (WER) con 30 a 50 de sus propias grabaciones por idioma. Nuestra guía de alternativas a Whisper muestra cómo hacer esa prueba en una tarde, y la guía de compra de API de voz a texto en árabe explica la evaluación dialecto por dialecto.
Otras preguntas que no tienen que ver con el precio:
- Idiomas. BroadNet Transcribe cubre 14 idiomas (lista completa); OpenAI dice que Whisper (el
whisper-1obsoleto) admite 98, con precisión variable. - Límites de archivo. OpenAI limita las subidas a 25 MB y BroadNet a 25 MiB, así que divida las llamadas largas.
- Retención. El audio suele ser más sensible que el texto. Pregunte si se almacenan el audio y las transcripciones; consulte retención de datos en API de LLM comparada.
Dónde encaja BroadNet Transcribe
BroadNet Transcribe cuesta $0.002 por minuto ($0.12 por hora) en 14 idiomas: inglés, español, francés, alemán, italiano, portugués, griego, neerlandés, polaco, chino, japonés, coreano, vietnamita y árabe. BroadNet Transcribe Arabic cuesta $0.0042 por minuto y está diseñado para los dialectos árabes; BroadNet informa que ocupa el puesto #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard. Ambos usan el endpoint /v1/audio/transcriptions compatible con OpenAI, aceptan WAV o MP3 de hasta 25 MiB y no conservan audio ni transcripciones (retención de datos cero). El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe; cree una clave para probar sus propios archivos.
Dónde no encaja: BroadNet no ofrece transcripción en streaming, diarización integrada ni extras de redacción. Si necesita subtítulos en vivo o etiquetas de hablante desde la propia API, Deepgram, AssemblyAI y AWS ofrecen ambas cosas. OpenAI ofrece transcripción en vivo, pero su único modelo de etiquetado de hablantes está obsoleto. Compare los dos modelos de BroadNet lado a lado en la página de comparación, o vea todos los precios en precios.
