---
title: "¿Qué es una API de voz a texto? ASR y transcripción | BroadRouter"
description: "La conversión de voz a texto transforma audio hablado en texto. Cómo funcionan las APIs de transcripción, cuánto cuestan por minuto y cómo se mide la precisión."
url: https://broadrouter.com/es/glossary/speech-to-text/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/speech-to-text/) (actualizado el 2026-11-15).

# Voz a texto (speech-to-text)

Actualizado 2026-11-15

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`:

```bash
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](https://broadrouter.com/es/glossary/word-error-rate/), 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](https://broadrouter.com/es/glossary/zero-data-retention/).
-   **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](https://broadrouter.com/es/models/cohere-transcribe-arabic/) | Árabe, incluidos dialectos | $0.0042 | $0.25 |
| [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-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](https://soniox.com/pricing) 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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/es/guides/arabic-speech-to-text-api/), convierta los archivos `.ogg` de WhatsApp con la [guía de notas de voz](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) y compare proveedores con la [guía de compra](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/).

## 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.

## Vea también

-   [Tasa de error por palabra (WER)](https://broadrouter.com/es/glossary/word-error-rate/) (término)
-   [Retención cero de datos (zero data retention, ZDR)](https://broadrouter.com/es/glossary/zero-data-retention/) (término)
-   [API compatible con OpenAI](https://broadrouter.com/es/glossary/openai-compatible-api/) (término)
-   [Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/) (término)
-   [Diarización de hablantes (speaker diarization)](https://broadrouter.com/es/glossary/diarization/) (término)
-   [Detección de actividad de voz (VAD)](https://broadrouter.com/es/glossary/vad/) (término)
-   [Frecuencia de muestreo (sample rate)](https://broadrouter.com/es/glossary/sample-rate/) (término)
-   [Marcas de tiempo en voz a texto (timestamps)](https://broadrouter.com/es/glossary/timestamps-asr/) (término)
-   [Code-switching (alternancia de códigos)](https://broadrouter.com/es/glossary/code-switching/) (término)
-   [Texto a voz (TTS, text-to-speech)](https://broadrouter.com/es/glossary/text-to-speech/) (término)
-   [WAV (archivo de audio)](https://broadrouter.com/es/glossary/wav/) (término)
-   [API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/) (guía)
-   [Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) (guía)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-speech-to-text&utm_content=page-cta) ·

**Fuentes**

-   [Precios de voz a texto de Soniox (consultado el 2026-11-14)](https://soniox.com/pricing)
-   [Hugging Face Tasks, reconocimiento automático del habla](https://huggingface.co/tasks/automatic-speech-recognition)
-   [OpenAI, guía de voz a texto (endpoint de transcripciones, límite de archivo de 25 MB; consultado el 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Referencia de la API de BroadNet Inference, transcripción (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-speech-to-text&utm_content=sources)
-   [Precios de BroadNet Inference legibles por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-speech-to-text&utm_content=sources)
