BroadRouter

Voz a texto (speech-to-text)

Actualizado

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

También llamado: voz a texto, transcripción de audio, API de transcripción, reconocimiento automático del habla, reconocimiento de voz, audio a texto, STT, ASR, speech-to-text, automatic speech recognition, transcription API, audio transcription, voice to text

Las notas de voz, las llamadas y las reuniones contienen información que el software no puede buscar hasta que se convierte en texto. La conversión de voz a texto cierra esa brecha.

Cómo funciona

Hugging Face define el reconocimiento automático del habla como “the task of transcribing a given audio to text” (traducción: la tarea de transcribir un audio dado a texto). Un modelo ASR moderno convierte el audio en características y luego genera la secuencia de palabras más probable.

A través de una API compatible con OpenAI, usted sube el archivo como multipart form data a /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

La respuesta es JSON con la transcripción en text. Los proveedores fijan límites de tamaño y formato de archivo; el propio endpoint de OpenAI acepta archivos de hasta 25 MB (según su guía de voz a texto, consultada el 2026-11-15).

Por qué importa

  • La precisión define el valor. Una transcripción con nombres o números equivocados puede ser peor que ninguna. La precisión se mide con la tasa de error por palabra, y baja con acentos, dialectos, voces superpuestas y audio telefónico.
  • Precio por hora de audio. La conversión de voz a texto se cobra por minuto de audio, así que el volumen es fácil de prever: horas de audio por la tarifa por hora.
  • Privacidad. La voz contiene nombres, números de teléfono y datos de salud o bancarios. Pregunte si se conservan el audio y las transcripciones; consulte retención cero de datos.
  • Flujos de procesamiento. Una transcripción suele pasar después a un LLM, para resúmenes, enrutamiento o extracción.

En BroadNet Inference

Modelo Idiomas Precio por minuto Por hora
BroadNet Transcribe Arabic Árabe, incluidos dialectos $0.0042 $0.25
BroadNet Transcribe 14 idiomas $0.002 $0.12

Ambos aceptan WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por archivo; un archivo más grande devuelve 413. Envíe language=ar para árabe, o puede volver transliterado a letras latinas. BroadNet informa que el modelo árabe 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. El audio y las transcripciones no se conservan.

Otros proveedores pueden costar menos. El 2026-11-14, la página de precios de Soniox indicaba unos USD 0.10 por hora para transcripción de archivos (asíncrona) y USD 0.12 por hora en tiempo real, y su lista de idiomas incluye el árabe. Eso es menos que los $0.25 por hora de BroadNet Transcribe Arabic, así que pruebe ambos con su propio audio. Nuestro índice abierto de precios de APIs de voz a texto incluye más de 20 productos, con fuente y fecha para cada precio.

Ambos modelos funcionan con el crédito inicial gratuito de $5, que cubre unos 1,190 minutos de audio en árabe. Empiece con la guía de voz a texto en árabe, convierta los archivos .ogg de WhatsApp con la guía de notas de voz y compare proveedores con la guía de compra.

Preguntas frecuentes

¿Cómo se mide la precisión de la conversión de voz a texto?

Con la tasa de error por palabra (WER), la proporción de palabras que una transcripción tiene mal frente a una referencia correcta. Cuanto más baja, mejor. Mídala con sus propias grabaciones, porque la precisión varía mucho según el acento, el dialecto y la calidad del audio.

¿Cómo transcribo archivos más grandes que el límite de tamaño?

Divida el audio en partes más cortas, idealmente en las pausas, y transcriba cada una. Comprimir a MP3 también reduce el tamaño.

¿Por qué el árabe a veces vuelve en letras latinas?

Sin una indicación del idioma, algunos modelos transliteran. En BroadNet Inference, envíe language=ar para árabe.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity