Costo de transcripción empresarial 2026: de $0.0078 a $0.024/min a gran escala

A escala empresarial, los precios de la transcripción no son una sola cifra. Las tarifas publicadas de las APIs bajan de $0.024/min a menos de $0.008/min con el volumen, y los contratos personalizados empujan aún más abajo. Lo difícil es saber qué costos comparar y qué impulsa la factura total más allá de la tarifa por minuto.

Qué se considera empresarial

Un umbral práctico: más de 1,000 horas de audio al mes, despliegue en toda la organización, o cualquier caso de uso con requisitos de cumplimiento que los planes estándar de consumo no pueden satisfacer. Ejemplos comunes:

• Equipos de control de calidad de centros de contacto que transcriben llamadas grabadas para revisión de calidad.
• Sistemas de salud que ejecutan documentación clínica asistida por IA.
• Empresas de servicios financieros que archivan comunicaciones con clientes para cumplir la normativa.
• Empresas de medios que producen subtítulos para contenido de televisión y streaming.
• Despachos legales que gestionan declaraciones juradas y registros de audiencias a gran escala.
• Agencias gubernamentales que procesan sesiones grabadas.

Estos casos de uso comparten tres rasgos: alto volumen, requisitos de cumplimiento que cambian la lista corta de proveedores, y múltiples partes interesadas internas (TI, legal, compras) en la decisión.

Tramos de volumen publicados: lo que las APIs cobran realmente

La estructura de tramos publicada más clara del segmento empresarial pertenece a AWS Transcribe. Las tarifas aplican tanto a lotes como a streaming (se cobran de forma idéntica):

Ese tramo de más de 5M representa un descuento del 67.5 % frente a la tarifa de lista. Nota: la redacción de contenido PII añade $0.0024/min en el Nivel 1 (también con tramos decrecientes), y los modelos de lenguaje personalizados añaden $0.006/min.

Google Cloud Speech-to-Text V2 (que incluye el modelo Chirp sin recargo adicional) sigue una curva similar:

El procesamiento Dynamic Batch baja a $0.003/min con plazos de entrega de hasta 24 horas. Google factura en incrementos de 15 segundos redondeados hacia arriba, lo cual importa en grabaciones cortas.

AssemblyAI no publica tramos de descuento por volumen. Las tarifas base son $0.0025/min ($0.15/hora) para Universal-2 y $0.0035/min ($0.21/hora) para Universal-3.5 Pro. Los contratos empresariales personalizados requieren contactar a su equipo de ventas. Un dato relevante: a partir del 1 de julio de 2026, los precios de los modelos in-region de AssemblyAI aumentan un 10 %, pero los clientes pueden pasar model_region: global en las solicitudes a la API para mantener las tarifas actuales.

Deepgram publica un plan Growth a un precio aproximadamente 12-20 % inferior a las tarifas de pago por uso (streaming de Nova-3 Monolingual: $0.0048/min pago por uso, $0.0042/min Growth). Por encima de ese nivel, los contratos empresariales son personalizados y no se divulgan.

Rev.ai lista la transcripción Reverb a $0.20/hora ($0.0033/min) como su tarifa publicada. Los precios por volumen empresarial no se divulgan y requieren una gestión comercial.

Nivel 1 (0-250K)

$0.024/min

Nivel 2 (250K-1M)

$0.015/min

Nivel 3 (1M-5M)

$0.0102/min

Nivel 4 (más de 5M)

$0.0078/min

Tarifas publicadas, US East (N. Virginia). El Nivel 4 (más de 5M min/mes) está un 67.5 % por debajo de la tarifa de lista.

Qué impulsa la factura total más allá de las tarifas por minuto

La tarifa destacada rara vez es la partida dominante en despliegues grandes. Cinco factores la inflan de manera constante.

Sobrecarga de cumplimiento. HIPAA exige un BAA firmado, cifrado en reposo y en tránsito, registros de auditoría y retención de datos configurable. SOC 2 Type II es hoy la expectativa básica, no un diferenciador. GDPR añade residencia de datos y acuerdos de tratamiento. La autorización FedRAMP es obligatoria para trabajo federal de EE. UU. y representa un costo sustancial que los proveedores trasladan. Espere un 15-30 % por encima de precios comparables sin cumplimiento cuando los proveedores lo cotizan por separado.

Streaming frente a lotes. AssemblyAI cobra $0.45/hora por streaming en tiempo real de Universal-3.5 Pro frente a $0.21/hora por procesamiento asíncrono. AWS cobra ambos de forma idéntica. Verifique siempre el modo de entrega que realmente necesita, no la tarifa general destacada del modelo.

Funciones adicionales. Diarización de hablantes, análisis de sentimiento, detección de temas, redacción de PII: cada una añade cargos por minuto. AWS Call Analytics (que incluye funciones de analítica) cuesta $0.030/min en el Nivel 1 frente a $0.024/min para transcripción estándar.

Modelos personalizados. Los archivos de vocabulario personalizado suelen ser gratuitos o de bajo costo. Los modelos acústicos o de lenguaje ajustados (fine-tuning) son proyectos de servicios profesionales que pueden ir desde tarifas modestas de configuración hasta más de $50,000 para trabajo específico de un dominio.

Integración y soporte. La disponibilidad respaldada por SLA (99.9 % o más), la gestión dedicada de cuentas y las integraciones de API personalizadas suelen incluirse en contratos empresariales anuales y no forman parte de la tarifa por minuto. Añaden un costo real.

Para un análisis más profundo de lo que se esconde dentro de los precios de los proveedores, la entrada sobre costos ocultos de los servicios de transcripción lo cubre en detalle.

Cálculos concretos con tarifas verificadas

En lugar de publicar estimaciones redondeadas, esto es lo que arrojan las tarifas verificadas en volúmenes específicos:

Centro de contacto, 10,000 horas/mes (600,000 min): En el Nivel 2 de AWS, los primeros 250,000 min cuestan $6,000 y los siguientes 350,000 min cuestan $5,250, para un total de $11,250/mes antes de cualquier complemento de cumplimiento. En el tramo equivalente de Google ($0.010/min), el total es $6,000 por los primeros 500,000 min más $1,000 por los siguientes 100,000, sumando $7,000/mes. Los contratos personalizados de cualquiera de los dos proveedores probablemente quedarían por debajo de estas tarifas publicadas.

Archivo de cumplimiento financiero, 4,000 horas/mes (240,000 min): Este volumen cae enteramente en el Nivel 1 para AWS ($0.024/min = $5,760/mes) y Google ($0.016/min = $3,840/mes). La sobrecarga de cumplimiento (retención pertinente para FINRA, registros de auditoría, cifrado) implica un costo adicional según el proveedor y la estructura del contrato.

Subtitulado de medios, 5,000 horas/mes (300,000 min): AWS con tarifas mixtas de Nivel 1 y Nivel 2: primeros 250,000 min a $0.024 = $6,000, siguientes 50,000 a $0.015 = $750, total $6,750/mes para transcripción estándar. Si se necesitan subtítulos por streaming en tiempo real, la prima del streaming (donde aplica) añade un costo considerable.

Consulte comparación de precios de transcripción 2026 para una comparación más amplia de proveedores, y costo de transcripción por hora para referencias por unidad.

Autoalojamiento: números honestos

Autoalojar Whisper Large-v3 en GPU en la nube se cita frecuentemente como la alternativa barata. Las cifras reales son menos dramáticas.

El alquiler de GPU A100 cuesta entre $1.49 y $3.43/hora en 2026 según el proveedor. Whisper Large-v3 procesa aproximadamente 6-10 horas de audio por hora de GPU con inferencia optimizada. Eso sitúa el costo efectivo de cómputo en $0.15-$0.25 por hora de audio, o $0.0025-$0.0042 por minuto.

Con esas tarifas de cómputo, el autoalojamiento supera al Nivel 1 de AWS y es competitivo con el Nivel 2. Pero el cómputo no es el costo completo:

• Tiempo de ingeniería para construir, mantener y operar el pipeline (monitoreo, escalado, recuperación ante fallos, actualizaciones de modelo).
• Infraestructura más allá del cómputo: almacenamiento, redes, orquestación.
• El cumplimiento no se delega; la organización lo asume por completo.

Mi opinión: el autoalojamiento tiene sentido por encima de unas 5,000 horas de audio mensuales con cargas de trabajo predecibles y estables y capacidad existente de ingeniería de infraestructura. Por debajo de ese umbral, la sobrecarga de ingeniería supera de manera fiable el ahorro en cómputo. Para organizaciones sin un equipo de infraestructura de GPU, las APIs gestionadas con precios de Nivel 2-3 son casi siempre más baratas en términos de costo total de propiedad.

Deepgram Nova-3 cubre las características de rendimiento del motor que hay detrás de la vía de la API gestionada.

Tres modelos de precios a escala empresarial

Los contratos de transcripción empresarial usan tres estructuras, a menudo combinadas.

Por minuto con descuento por volumen. Los tramos de AWS y Google anteriores son ejemplos: tramos publicados que reducen el costo unitario a medida que aumenta el consumo. Los contratos personalizados llevan esto por debajo del piso publicado.

Capacidad reservada. Un compromiso de rendimiento mensual fijo a cambio de un descuento adicional y procesamiento dedicado. Típico de centros de contacto con volúmenes de llamadas predecibles. El descuento por comprometerse a una banda de capacidad concreta suele ser del 20-40 % respecto a los precios estándar por volumen.

Compromiso anual de gasto. Un compromiso total anual en dólares con una garantía de volumen correspondiente. Proporciona previsibilidad presupuestaria y desbloquea incorporación con servicio premium, soporte de integración personalizado y gestión de cuenta dedicada. Habitual en el rango de más de $100,000 para despliegues grandes.

Consulte precios de transcripción ilimitada frente a precios por consumo para una visión más amplia de cómo se comparan estos modelos según los tipos de carga de trabajo.

Lo que los equipos de compras empresariales realmente evalúan

El precio no es el primer filtro. En la práctica, los proveedores quedan descartados antes de las conversaciones de precios por fallar en:

Postura de seguridad y cumplimiento. ¿Puede el proveedor firmar un BAA? ¿Cuentan con certificación SOC 2 Type II vigente? ¿Dónde residen los datos y puede el cliente configurar la retención? Los proveedores que no responden con precisión quedan fuera desde el principio.

SLAs. Compromisos de disponibilidad del 99.9 % o mejor, garantías de tiempo de respuesta de soporte y RTO/RPO documentados para interrupciones. Son elementos críticos para los despliegues en producción.

Precisión en audio específico del dominio. Muchas empresas realizan pruebas de precisión estilo RFP sobre su propio audio representativo antes de preseleccionar proveedores. Los benchmarks de WER publicados sobre audio limpio de estudio no predicen el rendimiento en audio de centro de contacto con ruido de fondo y vocabulario especializado.

Estabilidad del proveedor. ¿Existirá este proveedor dentro de tres años? ¿Tienen un historial público a una escala comparable? Los equipos de compra lo ponderan mucho; afecta tanto al riesgo como al costo de cambiar de proveedor.

Calidad de integración. Calidad de la documentación de la API, disponibilidad de SDK, soporte de webhooks y compatibilidad con el stack existente del cliente (CRM, EHR, plataformas de archivado para cumplimiento).

Por dónde empezar

Defina su marco de evaluación antes de hablar con proveedores. Necesita cuatro cosas: su piso mínimo de precisión sobre audio representativo, sus requisitos de cumplimiento (lo que reduce la lista corta de inmediato), su perfil de volumen y la previsibilidad de su carga de trabajo, y sus necesidades de integración.

Luego ponga a prueba a dos o tres proveedores con su propio audio. Gana el proveedor que supere el listón de precisión y cumplimiento con el menor costo total de propiedad. Las tarifas por minuto que encabezan las páginas importan menos de lo que la mayoría de los compradores supone a escala empresarial; las capas de cumplimiento, integración y soporte son donde reside la verdadera diferencia de costo.

Si su organización necesita transcripción limpia a una escala menor o variable antes de comprometerse con un contrato empresarial, ConvertAudioToText convierte audio a texto sin dependencias de bots de reuniones ni licencias por puesto. No es un producto de contrato empresarial, pero cubre con solvencia el rango de 100 a 1,000 horas al mes. Consulte nuestra página de precios para conocer los detalles vigentes de los planes, incluido el nivel Business con webhooks y analítica.

Fuentes

• Precios de AWS Transcribe (tabla de tramos de volumen vía corroboración de CostGoat)
• Precios de Google Cloud Speech-to-Text (tabla de tramos vía corroboración de CostBench)
• Precios de AssemblyAI
• Precios de Deepgram
• Precios de Rev.ai
• JarvisLabs: Precios de GPU A100 2026

Preguntas frecuentes

¿Cuál es la tarifa por minuto más económica para la transcripción empresarial?

La tarifa publicada del Nivel 4 de AWS Transcribe (más de 5 millones de minutos al mes) es de $0.0078/min. Google Cloud Speech-to-Text alcanza $0.004/min con más de 2 millones de minutos al mes, o $0.003/min mediante Dynamic Batch (con plazos de entrega de hasta 24 horas). AssemblyAI y Deepgram no publican tramos de descuento, pero ofrecen contratos personalizados por debajo del precio de lista para compradores de alto volumen.

¿El cumplimiento de HIPAA encarece la transcripción?

Sí, normalmente. Los proveedores que admiten HIPAA exigen un Acuerdo de Asociado Comercial (BAA) firmado, aplican cifrado en reposo y en tránsito, proporcionan registros de auditoría y limitan la retención de datos. Estas obligaciones añaden sobrecarga operativa que el proveedor incluye en el precio. Espere una prima del 15-30 % sobre un despliegue comparable sin HIPAA, aunque la prima exacta depende del proveedor y de los términos del contrato.

¿Cuándo supera el autoalojamiento de Whisper a las APIs gestionadas en costo?

El punto de equilibrio es más alto de lo que supone la mayoría de las estimaciones. El alquiler de GPU A100 cuesta entre $1.49 y $3.43/hora en 2026, y Whisper Large-v3 procesa aproximadamente 6-10 horas de audio por hora de GPU, lo que sitúa el costo efectivo de cómputo en $0.15-$0.25 por hora de audio. Eso supera al Nivel 1 de AWS pero está cerca de las tarifas de los Niveles 2-3. El autoalojamiento gana claramente por encima de 5,000 horas de audio al mes con carga predecible y capacidad de ingeniería existente; por debajo de ese umbral, las APIs gestionadas suelen ser más económicas una vez que se cuenta la sobrecarga de ingeniería y operación.

¿Qué certificaciones de cumplimiento debo exigir a un proveedor de transcripción empresarial?

Como mínimo: SOC 2 Type II (la base de facto en 2026), además de un BAA de HIPAA firmado si maneja datos de salud, y acuerdos de tratamiento de datos GDPR para datos de la UE. Para despliegues federales de EE. UU., se requiere autorización FedRAMP. ISO 27001 es habitual como verificación secundaria. Solicite informes de auditoría actuales, no autoatestaciones.

¿La transcripción por streaming en tiempo real es más cara que la por lotes?

Depende del proveedor. AWS Transcribe cobra lo mismo por lotes y por streaming dentro de cada nivel. AssemblyAI cobra aproximadamente 3 veces más por streaming en tiempo real ($0.45/hora) que por procesamiento asíncrono ($0.15/hora) en su modelo Universal-3.5 Pro. Las tarifas de streaming y de audio pregrabado de Deepgram también difieren. Compare siempre el modelo específico y el modo de entrega que necesita, no las tarifas destacadas.