Comparativa de API de voz a texto

Elige AssemblyAI por el menor coste del ejemplo: $21 por 100 horas de audio.

Actualizado · 7 fuentes · Metodología

NecesidadRecomendaciónMotivo
Menor coste del ejemploAssemblyAI$212
Procesamiento no streaming más rápidoDeepgramAA mide 623.2 segundos de audio procesados por segundo en Nova-3.5
Menor AA-WER v2ElevenLabsElevenLabs Scribe v2 2.2% / AssemblyAI Universal-3.5 Pro 3.0%5

Rendimiento

ProveedorAPI e ID del modeloAA-WER v2 (%)Velocidad de procesamiento de audio (×)
AssemblyAI5Universal-3.5 Pro3.0%101.5×
ElevenLabs5Scribe v22.2%72.2×
Deepgram5Nova-35.2%623.2×
OpenAI5GPT Transcribe3.3%45.0×

Cobertura lingüística documentada

Proveedor / modeloCobertura del modelo
AssemblyAI · Universal-3.5 Pro18 idiomas; incluye inglés y español2
ElevenLabs · Scribe v290+ idiomas; incluye inglés y español3
Deepgram · Nova-3El modo multi documentado enumera 10 idiomas, incluidos inglés y español; el precio inglés usa el modo monolingüe.6
OpenAI · GPT TranscribeSe documentan códigos de inglés, español y francés; no se publica un total fijo del modelo.7

Precios y coste por solicitud

ProveedorInglés / hora de audioInglés / 100 horasInglés/español mixtos / horaInglés/español mixtos / 100 horas
AssemblyAI2$0.21$21$0.21$21
ElevenLabs3$0.22$22$0.22$22
Deepgram · Nova-3 monolingüe1$0.258$25.8$0.312$31.2
OpenAI4$0.27$27$0.27$27
Ejemplo de coste: 100 horas de audio mono en inglés
AssemblyAI$21
ElevenLabs$22
Deepgram$25.8
OpenAI$27

Opciones, ventajas y limitaciones

  1. AssemblyAI

    Universal-3.5 Pro en AssemblyAI tiene referencia AA-WER/velocidad 3.0% · 101.5×; el precio base es $0.21/hora de audio.

    Precio base / hora de audio
    $0.21
    Cantidad del ejemplo
    100
    Total del ejemplo
    $21

    Ventajas

    • Universal-3.5 Pro admite 18 idiomas.2

    Limitaciones

    • Universal-3.5 Pro supera los $0.15/hora de Universal-2; el modelo más barato tiene otras capacidades e idiomas.2

    Fuentes:25

  2. ElevenLabs

    Scribe v2 en ElevenLabs tiene referencia AA-WER/velocidad 2.2% · 72.2×; el precio base es $0.22/hora de audio.

    Precio base / hora de audio
    $0.22
    Cantidad del ejemplo
    100
    Total del ejemplo
    $22

    Ventajas

    • Scribe v2 tiene el menor AA-WER de esta tabla: 2.2%.5

    Limitaciones

    • Scribe v2 a $0.22/hora excluye keyterm prompting a $0.05/hora y edición a $0.07/hora.3

    Fuentes:35

  3. Deepgram

    Nova-3 en Deepgram tiene referencia AA-WER/velocidad 5.2% · 623.2×; el precio base es $0.258/hora de audio.

    Precio base / hora de audio
    $0.258
    Cantidad del ejemplo
    100
    Total del ejemplo
    $25.8

    Ventajas

    • AA mide 623.2 segundos de audio procesados por segundo en Nova-3.5

    Limitaciones

    • AA-WER de Nova-3 es 5.2%, superior a los demás modelos de la tabla; la tarifa no incluye streaming ni extras.15

    Fuentes:15

  4. OpenAI

    GPT Transcribe en OpenAI tiene referencia AA-WER/velocidad 3.3% · 45.0×; el precio base es $0.27/hora de audio.

    Precio base / hora de audio
    $0.27
    Cantidad del ejemplo
    100
    Total del ejemplo
    $27

    Ventajas

    • GPT Transcribe registra AA-WER de 3.3%, por debajo del 5.2% de Nova-3.5

    Limitaciones

    • A $0.0045/minuto, la tarifa por duración de GPT Transcribe de $0.27/hora es la más alta de estas 4 tarifas base.4

    Fuentes:45

Metodología y fuentes

Las cifras AA-WER v2 y de velocidad no streaming son mediciones publicadas por AA, no pruebas realizadas para este artículo. El gráfico usa 100 horas de audio mono pregrabado en inglés, sin extras. Deepgram utiliza Nova-3 Monolingual Pay As You Go a $0.0043/minuto. La tarifa separada para inglés/español mixtos utiliza Nova-3 Multilingual a $0.0052/minuto: $0.312/hora y $31.2 por 100 horas. Las otras tarifas base no añaden un recargo lingüístico separado en este ejemplo bilingüe. GPT Transcribe factura la duración a $0.0045/minuto. Menor WER es mejor; la velocidad mide segundos de audio procesados por segundo, no latencia streaming. Los recuentos siguen la documentación de cada modelo y no clasifican la calidad lingüística; OpenAI no publica un total fijo para GPT Transcribe. Las tarjetas siguen el coste ascendente del ejemplo en inglés. Los valores de rendimiento variables de terceros corresponden a la instantánea del lote indicada en la línea de actualización y no son garantías en tiempo real. Los factores de velocidad de AA son medianas móviles de 7 días medidas con audio de 10 minutos.

  1. Deepgram · Nova-3 especificaciones y precios
  2. AssemblyAI · Universal-3.5 Pro especificaciones y precios
  3. ElevenLabs · Scribe v2 especificaciones y precios
  4. OpenAI · especificaciones y precios de GPT Transcribe
  5. Artificial Analysis · AA-WER v2 sin streaming
  6. Deepgram · modos de idioma de Nova-3
  7. OpenAI · indicaciones de idioma de GPT Transcribe

Usa los LLM de Novita tras la transcripción

Crea resúmenes del texto transcrito con Novita Model APIs. Los endpoints y tarifas de transcripción anteriores son de los proveedores externos indicados.

Empieza a desarrollarExplora los modelos