La API Whisper de OpenAI es el punto de partida habitual de muchos equipos: un endpoint, un precio, decenas de idiomas. Uno busca una alternativa a la API de Whisper cuando ocurre una de cuatro cosas: la precisión con su audio no es suficiente, la factura crece con el volumen, su equipo de seguridad quiere que se conserven menos datos o el modelo que usa va a retirarse. Este artículo muestra cómo decidir y cómo probar una alternativa sin reescribir su código.
¿Se va a retirar la API Whisper de OpenAI?
Sí, según el calendario actual de OpenAI. Su página de obsolescencias, consultada el 2026-11-15, marca como obsoletos whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize, con aviso el 26 de agosto de 2026 y cierre el 26 de febrero de 2027. El reemplazo recomendado es gpt-transcribe (USD 0.0045 por minuto, o USD 0.27 por hora) para archivos, o gpt-live-transcribe para audio en vivo. Su página de precios marca como obsoletos los mismos cuatro modelos, y su guía de voz a texto dice “Start with gpt-transcribe” (Traducción: «Empiece con gpt-transcribe»). El endpoint /v1/audio/translations también está obsoleto. Así que tendrá que volver a probar su audio con un modelo nuevo de todos modos, lo que convierte este momento en un buen momento para comparar el reemplazo de OpenAI con otros proveedores sobre los mismos clips.
Para el panorama completo, nuestro índice abierto de precios de API de voz a texto lista precios por lotes y en streaming, incrementos de facturación y soporte de árabe de más de 20 productos, cada uno verificado con la página de precios del propio proveedor (CSV y JSON).
¿Por qué buscan los equipos una alternativa a la API de Whisper?
| Motivo | Qué comprobar en una alternativa |
|---|---|
| Precisión en un idioma o dialecto concreto | Tasa de error por palabra publicada en un conjunto de prueba relevante, y luego su propia prueba |
| Precio a gran volumen | Precio por hora de audio y mínimos de facturación |
| Retención de datos | Si se guardan el audio y las transcripciones, y durante cuánto tiempo |
| Límites | Tamaño de archivo, formatos, límites de frecuencia |
| Funcionalidades | Marcas de tiempo, diarización, prompts, streaming |
La guía de voz a texto de OpenAI dice “Whisper supports 98 languages, but accuracy varies by language” (Traducción: «Whisper admite 98 idiomas, pero la precisión varía según el idioma»). Ese es el punto de partida honesto: la lista de idiomas indica lo que es posible, no lo que funciona bien.
¿Qué alternativas a la API de Whisper existen y cuánto cuestan?
| Opción | Precio (de lista, nov. 2026) | Idiomas | Notas |
|---|---|---|---|
API Whisper de OpenAI (whisper-1) |
USD 0.006/min | 98 (la precisión varía) | Archivos de 25 MB; prompts de hasta 224 tokens; cierra el 2027-02-26 |
OpenAI gpt-transcribe |
USD 0.0045/min (USD 0.27/hora) | Consulte la guía de OpenAI | Reemplazo recomendado por OpenAI; la guía de OpenAI muestra marcas de tiempo por palabra solo para whisper-1 y etiquetas de hablante solo para el modelo diarize obsoleto |
| Groq, Whisper Large v3 | USD 0.111/hora | Multilingüe | Groq declara un WER del 10.3 %; mínimo de facturación de 10 segundos |
| Groq, Whisper Large v3 Turbo | USD 0.04/hora | Multilingüe | Groq declara un WER del 12 %; no entrenado para traducción |
| Soniox (asíncrono) | unos USD 0.10/hora, facturado por token | Más de 60, árabe incluido | API propia basada en trabajos, no compatible con OpenAI; en tiempo real, unos USD 0.12/hora |
| Whisper autoalojado | El costo de su GPU | Los mismos que Whisper | Licencia MIT; usted lo ejecuta y lo escala |
| BroadNet Transcribe | $0.002/min | 14 | No es Whisper; basado en Cohere Transcribe |
| BroadNet Transcribe Arabic | $0.0042/min | Árabe | BroadNet informa #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 |
Los precios y las cifras de Groq se consultaron en las páginas oficiales el 2026-11-14; los de OpenAI se volvieron a consultar el 2026-11-15. gpt-transcribe de OpenAI cuesta más por hora que los dos modelos de BroadNet. El endpoint Turbo de Groq y Soniox cuestan menos por hora que BroadNet Transcribe ($0.12 la hora); Soniox requiere código de cliente nuevo porque no usa el formato de solicitud de OpenAI. Las cifras de WER de Groq son sus propios números publicados, no una prueba sobre un conjunto común con los demás, así que no las compare directamente con las de BroadNet. Esta página trata sobre el cambio; para la lista completa de precios, incluidos DeepSeek, AssemblyAI, Deepgram, Google, AWS y Speechmatics con los precios de sus complementos, consulte la comparación de precios de voz a texto, y la calculadora de costos de voz a texto calcula el costo de sus horas mensuales.
¿Qué significan realmente las cifras de precisión?
BroadNet publica tres cifras de WER para BroadNet Transcribe Arabic en su catálogo de modelos:
| Conjunto de prueba | Tipo de audio | WER |
|---|---|---|
| FLEURS-ar | Frases leídas con claridad | 3.8 |
| MASC-ar | Árabe real variado | 21.1 |
| Conjunto de dialectos de BroadNet | Habla dialectal | 23.4 |
En esos mismos conjuntos MASC y de dialectos, BroadNet informa para Whisper large-v3 31.5 y 31.8, frente a 21.1 y 23.4 de su modelo árabe: alrededor de un tercio menos de errores en MASC y alrededor de una cuarta parte menos en el conjunto de dialectos. Es una prueba de BroadNet sobre un competidor, así que compruébela con su audio. En el Open Universal Arabic ASR Leaderboard público, que usa los mismos conjuntos de prueba para todos los participantes, Whisper large-v3 ocupaba el puesto 19 de 39 el 15 de noviembre de 2026 (WER medio de 36.86), y Cohere Transcribe Arabic 07-2026, el modelo que sirve BroadNet, el puesto 4 (24.19).
La lección está en la dispersión. El mismo modelo es casi perfecto con habla leída y mucho más débil con conversación. El WER principal de cualquier proveedor indica cómo le fue con el audio de otros. Los dialectos se tratan a fondo en reconocimiento de voz en dialectos árabes.
Cómo probar una alternativa a Whisper en una tarde
- Reúna de 30 a 50 clips por idioma de tráfico real: llamadas, notas de voz, reuniones. Quite todo lo que no pueda compartir.
- Escriba a mano transcripciones de referencia de 10 clips por idioma.
- Ejecute ambas API con los mismos clips. Con proveedores compatibles con OpenAI, solo cambian el cliente y el modelo:
import os
from openai import OpenAI
whisper = OpenAI() # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def run(client, model, path, lang):
with open(path, "rb") as f:
return client.audio.transcriptions.create(model=model, file=f, language=lang).text
hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar") # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
- Puntúe con la misma normalización para ambos, usando jiwer:
import re, jiwer
def norm(t):
t = re.sub(r"[ً-ْ]", "", t) # strip Arabic diacritics
t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي") # unify alef and yaa
return re.sub(r"[^\w\s]", "", t).lower().strip()
print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
- Lea usted mismo 20 transcripciones. Revise números, nombres y términos de producto. Un modelo puede ganar en WER y aun así equivocarse en el número de cuenta.
¿Cuándo conviene autoalojar Whisper?
El código y los pesos de Whisper tienen licencia MIT, así que ejecutarlo usted mismo siempre es una opción. Tiene sentido cuando:
- El audio no puede salir de su red, por motivos legales o contractuales.
- Su volumen mantiene ocupada una GPU la mayor parte del día, de modo que no paga por horas inactivas.
- Necesita ajuste fino (fine-tuning) con su propio vocabulario o acento.
Cuesta más de lo que parece cuando el tráfico tiene picos, cuando necesita alta disponibilidad en varias máquinas o cuando nadie del equipo quiere encargarse de los controladores y las actualizaciones de las GPU (el cálculo del punto de equilibrio de las GPU). El README de openai/whisper también señala que el modelo turbo no está entrenado para traducción. Una API alojada convierte esos problemas en un precio por minuto, por eso la mayoría de los equipos empieza ahí y solo autoaloja cuando el volumen y los requisitos están claros.
Lista de verificación para migrar
Cambiar la URL base es lo fácil. Antes de mover el tráfico:
- Formatos. OpenAI acepta flac, mp3, mp4, m4a, ogg, wav y webm. BroadNet acepta WAV y MP3, así que convierta antes los
.oggy.m4acon ffmpeg. Para grabaciones del navegador, consulte grabar audio en el navegador y enviarlo a una API de voz a texto. - Tamaño de archivo. OpenAI limita las subidas a 25 MB; BroadNet, a 26,214,400 bytes (25 MiB).
- Campo de idioma. Envíelo siempre. En BroadNet, el árabe sin
language=arpuede volver en letras latinas. - Parámetros opcionales. Si depende de
prompt,verbose_jsono marcas de tiempo por palabra, confirme que la alternativa los admite. La documentación de BroadNet describe una respuesta JSON context. - Límites de frecuencia. Las claves de pago por uso de BroadNet permiten 30 solicitudes por minuto y 4 a la vez.
La versión general de esta lista está en la lista de verificación para migrar a una API compatible con OpenAI.
Dónde encaja BroadNet Transcribe
Elija BroadNet cuando le importe la precisión en árabe, cuando quiera que el audio y las transcripciones no se conserven (retención cero de datos) o cuando $0.002 por minuto en 14 idiomas mejore su factura actual. El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe, suficiente para hacer la prueba anterior; obtenga una clave en BroadNet Inference. La guía de voz a texto en árabe incluye ejemplos con curl y Python.
Quédese con los modelos de reemplazo de OpenAI, o con otro proveedor, si necesita alguno de los muchos idiomas que BroadNet no lista, traducción de voz, transcripción en vivo o prompts y pistas de palabras clave (la guía de OpenAI los documenta para gpt-transcribe). Para traducir grabaciones en árabe al inglés a partir de archivos, también funciona un pipeline de dos pasos: consulte traducir audio en árabe al inglés. Para el precio más bajo en inglés, los endpoints alojados de Whisper Turbo cuestan menos por hora.
