Si estás integrando transcripción en una app, una herramienta de centro de llamadas, un asistente de notas o un agente de voz, necesitas una API de voz a texto, no una app de dictado. Este artículo compara seis de las opciones más usadas según lo que dicen sus propias páginas: modelos, compatibilidad con streaming, funciones destacadas y precio de lista, todo a octubre de 2026.
Primero, una aclaración sincera, porque mucha gente llega a este artículo desde nuestra web: LumeVoice no es una API. Es una app de dictado para personas en Mac, Windows, iPhone y Android. Mantienes una tecla, hablas y aparece texto limpio en la app que estés usando. No hay API para desarrolladores, SDK ni plan por minuto. Si eres desarrollador y solo quieres hablarle a tu editor o a tu agente de programación en lugar de escribir, de eso trata nuestra página para desarrolladores. Si estás integrando voz en software, sigue leyendo.
No hemos medido el rendimiento de estas API y no citamos puntuaciones de precisión. Los resultados publicados dependen del conjunto de pruebas, y la única puntuación que importa es la de tu audio.
De un vistazo#
| API | Modelos (oct. 2026) | Streaming | Precio de lista | Gratis para empezar |
|---|---|---|---|---|
| OpenAI | gpt-transcribe, gpt-4o-transcribe, gpt-4o-mini-transcribe, whisper-1 | Sí (modelos en tiempo real) | 0,003–0,006 $/min para archivos; 0,017 $/min en tiempo real | Whisper de código abierto para alojar tú mismo |
| Deepgram | Nova-3 (monolingüe y multilingüe), Flux | Sí | 0,0043–0,0052 $/min pregrabado; 0,0048–0,0078 $/min streaming | 200 $ de crédito |
| AssemblyAI | Universal-3.5 Pro, Universal-2, Universal-Streaming | Sí | 0,15–0,21 $/h archivos; desde 0,15 $/h streaming | 50 $ de crédito |
| Google Cloud | Speech-to-Text V2 | Sí | 0,016 $/min estándar (primer nivel); 0,003 $/min lote dinámico | Consulta la nota del nivel gratuito |
| Azure AI Speech | Transcripción en tiempo real, rápida y por lotes, MAI Transcribe | Sí | Por hora de audio, consulta la calculadora | 5 h/mes (nivel gratuito) |
| Amazon Transcribe | Por lotes y streaming | Sí | Por minuto según la región | 60 min/mes durante 12 meses |
Desliza para ver todas las columnas
Qué decidir antes de comparar precios#
¿Archivos o audio en directo? La transcripción por lotes (pregrabada) es más barata y sencilla. El streaming es para subtítulos, agentes de voz y todo aquello que una persona espera. Algunos modelos solo hacen una de las dos cosas.
¿Qué idiomas? Muchos proveedores tienen modelos distintos para inglés y multilingües a precios distintos. Consulta la lista de idiomas del modelo exacto.
¿Qué extras? Las etiquetas de hablante (diarización), la redacción de información personal, el vocabulario personalizado o los términos clave, las marcas de tiempo y la traducción se cobran y se admiten de forma distinta en cada sitio.
¿Adónde van los datos? Lee las condiciones de uso y retención de datos de cada proveedor, y si el audio puede usarse por defecto para mejorar modelos. Los sectores regulados deberían comprobar si existen acuerdos como un BAA antes de enviar cualquier audio.
¿Cómo se factura? Por minuto, por hora, por segundo o por token; con o sin mínimos; el streaming facturado por audio o por tiempo de conexión. Estos detalles mueven tu coste real más que la tarifa de cabecera.
1. OpenAI: transcripción sencilla de archivos, más tiempo real#
Voz a texto de OpenAI
Veredicto: El inicio más fácil, sobre todo si ya usas OpenAI
La página de precios de OpenAI enumera varios modelos de transcripción con un coste estimado por minuto: gpt-4o-mini-transcribe unos 0,003 $, gpt-transcribe unos 0,0045 $, gpt-4o-transcribe y whisper-1 unos 0,006 $, y gpt-4o-transcribe-diarize (con etiquetas de hablante) unos 0,006 $. Para audio en directo, gpt-live-transcribe y gpt-realtime-whisper cuestan unos 0,017 $ por minuto, y gpt-realtime-translate unos 0,034 $ (precios de OpenAI).
- Bueno para: una sola clave de API para la transcripción y el resto de tu infraestructura de IA; un modelo de diarización; la familia Whisper además es de código abierto, así que puedes alojarla tú mismo (Whisper en GitHub).
- Ojo con: los modelos más nuevos se cobran por tokens, así que las cifras por minuto son estimaciones de OpenAI.
2. Deepgram: pensada en torno al streaming#
Deepgram
Veredicto: Una opción sólida para apps de voz en directo
La página de pago por uso de Deepgram enumera Nova-3 Monolingual a 0,0043 $ el minuto pregrabado y 0,0048 $ en streaming, Nova-3 Multilingual a 0,0052 $ y 0,0058 $, y sus modelos Flux, solo de streaming, a 0,0065 $ (inglés) y 0,0078 $ (multilingüe) el minuto. Algunas tarifas de streaming aparecían como precios promocionales por tiempo limitado, con la tarifa estándar tachada. Las cuentas nuevas reciben 200 $ de crédito (precios de Deepgram).
- Bueno para: transcripción en tiempo real para agentes de voz y productos en directo; modelos monolingües y multilingües por separado.
- Ojo con: las tarifas promocionales de streaming pueden cambiar; consulta la tarifa estándar para presupuestar a largo plazo.
3. AssemblyAI: precio por hora, rica en funciones#
AssemblyAI
Veredicto: Lo mejor para archivos con muchos extras
AssemblyAI lista Universal-3.5 Pro a 0,21 $ la hora y Universal-2 a 0,15 $ la hora para audio pregrabado. El streaming cuesta 0,15 $ la hora con Universal-Streaming (inglés o multilingüe) y desde 0,45 $ la hora con Universal-3.6 Pro Realtime; el streaming se factura por tiempo de conexión, no por el audio enviado. Las cuentas nuevas reciben 50 $ de crédito sin tarjeta (precios de AssemblyAI).
- Bueno para: extras en la misma plataforma: diarización de hablantes, indicación de términos clave, detección de entidades, redacción de datos personales (más de 47 idiomas en Universal-2), traducción a más de 100 idiomas para audio pregrabado y un Modo Médico para inglés, español, alemán y francés.
- Ojo con: la facturación por tiempo de conexión en el streaming; cierra las sesiones inactivas.
4. Google Cloud Speech-to-Text#
Google Cloud Speech-to-Text
Veredicto: La mejor opción si ya trabajas en Google Cloud
La página de precios de Google lista el reconocimiento estándar V2 a 0,016 $ el minuto para los primeros 500.000 minutos al mes, bajando por niveles hasta 0,004 $ a partir de 2.000.000 de minutos. El lote dinámico, para audio que puedes esperar (Google dice que en menos de 24 horas), figura a 0,003 $ el minuto (precios de Google Cloud). La página de herramientas gratuitas de Google indica 60 minutos de audio gratis al mes; confirma cómo se aplica a la versión de la API que uses.
- Bueno para: descuentos por volumen, una vía barata por lotes y mantener la facturación y el IAM dentro de Google Cloud.
- Ojo con: el precio difiere entre versiones de la API y modelos, así que calcula el del modelo exacto que vayas a llamar.
5. Azure AI Speech#
Azure AI Speech
Veredicto: La mejor opción para empresas con Microsoft
La página de precios de voz de Azure enumera la transcripción en tiempo real, rápida y por lotes, además de los modelos MAI Transcribe, cada una facturada por hora de audio en incrementos de un segundo. El nivel gratuito (F0) incluye 5 horas de audio al mes de transcripción estándar en tiempo real, compartidas con Custom speech; el lote no está en el nivel gratuito (precios de Azure Speech). Azure muestra las tarifas por región, así que usa su calculadora de precios para obtener un presupuesto.
- Bueno para: modelos de voz personalizados, acuerdos empresariales y residencia de datos en las regiones de Azure.
- Ojo con: las tarifas varían según la región y el nivel de compromiso.
6. Amazon Transcribe#
Amazon Transcribe
Veredicto: La mejor opción si tu audio ya está en AWS
Amazon Transcribe ofrece transcripción por lotes y en streaming, facturada por segundo sin mínimo, con tarifas fijadas por región y en niveles por volumen. El nivel gratuito da 60 minutos al mes durante 12 meses desde tu primera solicitud; no cubre la redacción automática de contenido ni los modelos de lenguaje personalizados (precios de Amazon Transcribe).
- Bueno para: flujos basados en S3, modelos de lenguaje personalizados y redacción, dentro de la seguridad y la facturación de AWS.
- Ojo con: elige tu región en la página de precios para ver la tarifa real.
Errores habituales al elegir#
Comparar solo las tarifas de cabecera. Una tarifa por minuto más barata puede salir más cara al añadir diarización, redacción o un modelo multilingüe, o cuando el streaming factura el tiempo de conexión inactiva.
Probar con audio limpio. Las demos de los proveedores usan voces claras. Tus usuarios hablan por altavoz, con acentos, voces que se pisan y jerga. Prueba con eso.
Ignorar los precios promocionales. Deepgram mostraba algunas tarifas de streaming como ofertas por tiempo limitado en octubre de 2026. Presupuesta con la tarifa estándar si planificas a un año vista.
Olvidar que el nivel gratuito termina. Los minutos gratis de AWS duran 12 meses; las ofertas de crédito se agotan con el uso.
Atarte demasiado pronto. Mantén tu llamada de transcripción detrás de una pequeña interfaz en tu código para poder cambiar de proveedor si cambian los precios o la calidad. El mercado se mueve rápido, y los modelos lanzados este año pueden retirarse el próximo.
Cómo elegir en una tarde#
- Reúne 20 clips reales: tus acentos, tu ruido, tu jerga, cortos y largos.
- Selecciona tres según las decisiones anteriores (directo o archivos, idiomas, extras, nube).
- Pasa los mismos clips por cada una usando el crédito gratuito. Lee las transcripciones en paralelo, fijándote en nombres, números y puntuación.
- Calcula el precio de tu mes real, incluidos los extras, el tiempo de streaming inactivo y los niveles por volumen.
- Lee las condiciones sobre datos antes de enviar audio de clientes.
Dónde encaja LumeVoice (y dónde no)#
No encaja, si lo que quieres es crear software. LumeVoice ejecuta Whisper large-v3-turbo en Groq, con Voxtral de Mistral como respaldo, detrás de una app de dictado, y nada de eso se expone como API. Si lo que de verdad quieres es dictar más rápido, en Slack, el correo, tu IDE o un agente de programación, ahí es donde ayuda.
¿Quieres dictar, no programar?
LumeVoice es una app de dictado, no una API: mantén una tecla, habla y el texto limpio llega a tu editor, terminal o chat. Cada cuenta nueva recibe 3000 palabras gratis, sin tarjeta.
