Mejor modelo de IA para transcribir audio
Convertir reuniones, entrevistas y videos en texto, o generar subtítulos. No hay una tabla abierta de calidad de transcripción en las fuentes consultadas, así que la lista se ordena por precio, no por calidad, con una alternativa con pesos abiertos.
Modelos sugeridos
Atención: el orden de esta lista es por precio, no por calidad. No hay una tabla abierta de calidad para transcribir audio en las fuentes consultadas, así que entra un modelo principal por empresa, del menor al mayor precio por minuto de audio en la página oficial de cada una.
1 Grok Speech to Text xAI
Por qué sirve: Modelo principal de xAI para transcribir audio. Según la página oficial: Idiomas: más de 38, con portugués de Brasil · Separación de hablantes: sí · Tiempo real: sí, por WebSocket · Además: tiempos por palabra y archivos de hasta 500 MB (página oficial)
Orden por precio, no por calidad.
- Precio: US$ 0,10 por hora (equivale a US$ 0,001667 por minuto) (fuente: xAI, página oficial; envío de archivo; en tiempo real, US$ 0,20 por hora)?qué es
- Costo estimado (mira el bloque Cómo calculamos): alrededor de US$ 0,10 (estimación)
- Pesos: No informados?
- Alternativa: con pesos abiertos: Whisper large-v3
2 ElevenLabs Scribe v3 ElevenLabs
Por qué sirve: Modelo principal de ElevenLabs para transcribir audio. Según la página oficial: Idiomas: más de 90 · Separación de hablantes: sí, hasta 32 personas · Tiempo real: en la versión Scribe v3 Live · Además: hasta 1.000 términos clave (página oficial)
Orden por precio, no por calidad.
- Precio: US$ 0,20 por hora (equivale a US$ 0,003333 por minuto) (fuente: ElevenLabs, página oficial)?
- Costo estimado (mira el bloque Cómo calculamos): alrededor de US$ 0,20 (estimación)
- Pesos: No informados?
- Alternativa: con pesos abiertos: Whisper large-v3 · más barato: Grok Speech to Text, US$ 0,001667 por minuto
3 AssemblyAI Universal-3.5 Pro AssemblyAI
Por qué sirve: Modelo principal de AssemblyAI para transcribir audio. Según la página oficial: Idiomas: 18, con portugués y acentos regionales · Separación de hablantes: no informado · Tiempo real: no informado · Además: acepta prompt y términos clave (página oficial)
Orden por precio, no por calidad.
- Precio: US$ 0,21 por hora (equivale a US$ 0,0035 por minuto) (fuente: AssemblyAI, página oficial)?
- Costo estimado (mira el bloque Cómo calculamos): alrededor de US$ 0,21 (estimación)
- Pesos: No informados?
- Alternativa: con pesos abiertos: Whisper large-v3 · más barato: Grok Speech to Text, US$ 0,001667 por minuto
4 gpt-transcribe OpenAI
Por qué sirve: Modelo principal de OpenAI para transcribir audio. Según la página oficial: Idiomas: detecta el idioma y acepta pistas de idioma · Separación de hablantes: no informado · Tiempo real: no informado · Además: archivos de hasta 25 MB, con prompt y palabras clave (página oficial)
Orden por precio, no por calidad.
- Precio: US$ 0,0045 por minuto (fuente: OpenAI, página oficial)?
- Costo estimado (mira el bloque Cómo calculamos): alrededor de US$ 0,27 (estimación)
- Pesos: No informados?
- Alternativa: con pesos abiertos: Whisper large-v3 · más barato: Grok Speech to Text, US$ 0,001667 por minuto
5 MiniMax ASR MiniMax
Por qué sirve: Modelo principal de MiniMax para transcribir audio. Según la página oficial: Idiomas: multilingüe, con detección automática · Separación de hablantes: sí · Tiempo real: sí, por streaming · Además: exporta subtítulos SRT y VTT (página oficial)
Orden por precio, no por calidad.
- Precio: US$ 0,38 por hora (equivale a US$ 0,006333 por minuto) (fuente: MiniMax, página oficial)?
- Costo estimado (mira el bloque Cómo calculamos): alrededor de US$ 0,38 (estimación)
- Pesos: No informados?
- Alternativa: con pesos abiertos: Whisper large-v3 · más barato: Grok Speech to Text, US$ 0,001667 por minuto
Cómo calculamos
Ajusta los números y el costo de cada modelo de la página se recalcula al instante. Sin JavaScript, valen los valores predeterminados de abajo.
Con estos números: 60 minutos de audio (estimación).
Costo de cada modelo = cantidad × precio por minuto de audio publicado por la empresa. Cuando la empresa usa otra unidad, la conversión aparece junto al precio. Es una cuenta de referencia y no cambia el orden de la lista.
Otros modelos de pago evaluados
Otras versiones y empresas, con el precio de la página oficial de cada una. Quedan fuera de la lista de arriba cuando ya hay un modelo de la misma empresa entre los cinco primeros, cuando no entran en el criterio de esta página o cuando la empresa no publica precio por minuto de audio.
| Modelo | Precio y fuente | Costo estimado |
|---|---|---|
| gpt-4o-mini-transcribe OpenAI | US$ 0,003 por minuto (fuente: OpenAI, página oficial) | alrededor de US$ 0,18 (estimación) |
| Whisper (API) OpenAI | US$ 0,006 por minuto (fuente: OpenAI, página oficial) | alrededor de US$ 0,36 (estimación) |
| Deepgram Nova-3 Deepgram | US$ 0,0077 por minuto (fuente: Deepgram, página oficial; monolingüe, pago por uso; el precio es el de streaming) | alrededor de US$ 0,46 (estimación) |
Preguntas frecuentes
¿Cuál es el mejor modelo de IA para transcribir audio?
Según la regla de esta página, la lista empieza con Grok Speech to Text, ElevenLabs Scribe v3, AssemblyAI Universal-3.5 Pro, gpt-transcribe, MiniMax ASR. Atención: el orden de esta lista es por precio, no por calidad. No hay una tabla abierta de calidad para transcribir audio en las fuentes consultadas, así que entra un modelo principal por empresa, del menor al mayor precio por minuto de audio en la página oficial de cada una.
¿Cuánto cuesta transcribir audio con IA?
Con los valores predeterminados del bloque Cómo calculamos, la estimación va de US$ 0,10 a US$ 0,38 entre los modelos de la lista con precio publicado. Es solo una estimación y puedes ajustar los números en la página.
¿Hay una opción con pesos abiertos para transcribir audio?
Sí: Whisper large-v3.
¿Esta página usa IA para recomendar?
No. La recomendación sale de reglas fijas sobre datos públicos de Epoch AI, OpenRouter, Hugging Face y las páginas oficiales de precios de cada empresa, en la versión más reciente consultada. El texto escrito solo se compara con palabras clave.
Términos usados en esta página
Casos de uso con página propia
Páginas oficiales de precios consultadas
- ElevenLabs, versión más reciente consultada.
- AssemblyAI, versión más reciente consultada.
- OpenAI, versión más reciente consultada.
- MiniMax, versión más reciente consultada.
- Deepgram, versión más reciente consultada.
- xAI, versión más reciente consultada.
Fuentes
- Hugging Face Hub, metadados públicos do Hub; licença de cada modelo no repositório, versión más reciente consultada.
Las fechas vienen de las fuentes: entrada en OpenRouter o creación del repositorio en Hugging Face, que pueden no coincidir con el lanzamiento oficial. Familia y versión se agruparon por regla a partir del nombre.