Precios de Google Cloud STT en 2026: de $0,003 a $0,016 por minuto

Google Cloud Speech-to-Text V2 cobra $0.016 por minuto para transcripción en tiempo real y desde ~$0.003 por minuto con Dynamic Batch, el nivel con entrega en 24 horas que la mayoría de los equipos pasa por alto. Si has estado cotizando con las tarifas de V1 o tratando streaming y batch como intercambiables, tus estimaciones de coste probablemente se desvían un 50% o más.

La versión corta

La API V2 (la opción por defecto actual) incluye la familia de modelos Chirp de Google sin recargo. El reconocimiento estándar en tiempo real cuesta $0.016/min, y baja con el volumen hasta $0.004/min a partir de 2 millones de minutos al mes. Dynamic Batch reduce eso a aproximadamente $0.003 o $0.004/min a cambio de resultados en 24 horas, una opción interesante para cualquier carga de trabajo que no dependa del tiempo. La API V1 heredada usa una tabla de tarifas aparte, ligada a la aceptación del registro de datos; esos números siguen en la página de precios, pero solo aplican si llamas explícitamente a los endpoints de V1. El nivel gratuito da a cada cuenta 60 minutos al mes, de forma continua, más un crédito único de $300 para clientes nuevos de GCP. Los modelos médicos (solo en V1) se facturan aparte a $0.078/min.

El error de precios más común: usar el endpoint de streaming para audio pregrabado. Eso añade alrededor de un 50% (en V1) o elimina por completo el descuento de Dynamic Batch (en V2). Ajusta el endpoint a tu requisito de latencia.

API V2: el modelo de precios actual

La API V2 es la vía recomendada por Google para integraciones nuevas. Incluye Chirp, el modelo universal de Google entrenado con más de 100 idiomas, a la tarifa estándar, sin recargo por elegir el modelo más capaz.

Reconocimiento en tiempo real (estándar):

Dynamic Batch (V2): Aproximadamente $0.003 por minuto para cargas de trabajo que puedan aceptar un plazo de entrega de hasta 24 horas. Esta es la principal palanca de reducción de costes en V2 que no existía en V1. Para un estudio de podcast, un proyecto de transcripción de archivos o cualquier flujo de trabajo nocturno por lotes, Dynamic Batch puede reducir los costes por minuto en un 80% en comparación con el tiempo real.

La facturación, según la mayoría de las fuentes, redondea al alza hasta los 15 segundos más cercanos por solicitud. Un clip de 16 segundos se factura como 30 segundos. A gran escala, con muchos clips cortos, ese redondeo se acumula más rápido de lo que sugiere la tarifa por minuto. Para archivos más largos (entrevistas, episodios, grabaciones de llamadas), el efecto del redondeo es insignificante.

API V1: Tarifas heredadas aún en uso

La API V1 sigue siendo compatible con las integraciones existentes. Su precio se estructura en torno al consentimiento para el registro de datos, no a niveles de volumen.

El registro de datos significa que Google puede usar tu audio para mejorar sus modelos. Para contenido no sensible (podcasts públicos, grabaciones de marketing), aceptar esta opción reducía los costes de V1 en un 33%. Para cualquier cosa que toque datos personales, HIPAA o información financiera, el registro de datos queda descartado, independientemente del ahorro.

La API V2 no utiliza esta misma estructura de descuento por registro de datos, que es una de las razones por las que la tarifa por minuto parece idéntica ($0.016), pero los mecanismos difieren. Si estás comparando tu factura actual con las tarifas publicadas, confirma qué versión de la API llama tu código.

Dynamic Batch

~$0,003/min

Volumen alto (más de 2M min)

$0,004/min

Volumen medio (1M min)

$0,008/min

Estándar (hasta 500K min)

$0,016/min

Tarifas según la página de precios de Google Cloud y fuentes de terceros, julio de 2026. La tarifa Dynamic Batch es de aproximadamente $0,003-$0,004/min; la gráfica usa $0,003.

Nivel gratuito: qué obtienes realmente

60 minutos al mes, de forma indefinida. No es una prueba, se renueva cada mes durante toda la vida de tu cuenta, sin fecha de caducidad. El uso de V1 y V2 cuenta contra este límite.

300 $ en créditos de GCP para clientes nuevos. Esto aplica a todos los servicios de Google Cloud, no solo a Speech-to-Text, y caduca a los 90 días. Para hacer pruebas es generoso; para planificar producción, trátalo como un empujón inicial de una sola vez, no como una subvención continua.

La facturación requiere una forma de pago registrada aunque te mantengas dentro del nivel gratuito. Si tu cuenta de facturación caduca, las llamadas a la API fallan de inmediato.

Escenarios de coste reales

Escenario 1: Estudio de podcast, 50 horas al mes

Un equipo que produce 50 horas de episodios al mes para notas del programa y contenido SEO no necesita resultados en menos de un segundo. Los podcasts se graban por adelantado, se procesan durante la noche, y la ventana de 24 horas es suficiente.

Configuración V2 Dynamic Batch:

• Volumen: 50 horas = 3.000 minutos/mes
• Tarifa: ~$0,003/min
• Crédito del nivel gratuito: 60 minutos
• Minutos facturables: 2.940
• Coste mensual: 2.940 x $0,003 = ~8,82 $/mes

Compáralo con la tarifa V1 de "registro de datos" que recomendaba la sabiduría convencional de antes: 2.940 x $0,016 = 47,04 $/mes. Dynamic Batch no es un descuento menor. Es un nivel de precios distinto que reduce el coste del mismo trabajo en aproximadamente un 80 %. La contrapartida es exclusivamente el tiempo de respuesta.

Si el equipo tiene una fecha límite y necesita las transcripciones en una hora, usan el modo estándar en tiempo real a $0.016/min. Para las notas del programa del día siguiente, Dynamic Batch es la opción obvia.

Si solo necesitas transcripciones sin la complejidad de configurar GCP, ConvertAudioToText ofrece planes de tarifa plana que eliminan por completo el cálculo por minuto.

Escenario 2: Centro de llamadas, 500 horas al mes

Un equipo de atención al cliente transcribe 500 horas de grabaciones telefónicas al mes para revisión de calidad. Las llamadas ya están grabadas y se revisan al siguiente día hábil, así que no se requiere una entrega el mismo día.

Configuración de V2 Dynamic Batch:

• Volumen: 500 horas = 30.000 minutos/mes
• Tarifa: ~$0.003/min
• Minutos facturables: 29.940
• Coste mensual: 29.940 x $0.003 = ~$89,82/mes

Con las tarifas estándar de V2 en tiempo real, el mismo volumen cuesta 29.940 x $0.016 = $478,64/mes. La decisión depende por completo de si los equipos de revisión necesitan las transcripciones el mismo día en que ocurren las llamadas. La mayoría de los flujos de trabajo de control de calidad pueden asumir un retraso de 24 horas.

A modo de comparación, con este volumen el competidor de Deepgram de Google (Nova-3, $0.0077/min) costaría unos $231 al mes con tarifas en tiempo real, sigue siendo más caro que Dynamic Batch pero bastante menos que el tiempo real de Google. Consulta el desglose completo de precios de API para ver el panorama completo.

Escenario 3: Plataforma sanitaria, 1.000 horas al mes

Una plataforma de telemedicina transcribe 1.000 horas de consultas al mes. Tanto el soporte de vocabulario médico como el cumplimiento de HIPAA son importantes.

Configuración de V1 Medical Conversation (V2 no tiene un modelo médico específico):

• Volumen: 1.000 horas = 60.000 minutos/mes
• Tarifa: $0.078/min (registro de datos desactivado para HIPAA)
• Minutos facturables: 59.940
• Coste mensual: 59.940 x $0.078 = $4.675,32/mes

Eso son 56.100 dólares al año. Con este nivel de gasto, merece la pena contactar con el equipo comercial de Google Cloud para negociar una tarifa empresarial personalizada, ya que los acuerdos por volumen pueden reducir el precio por minuto entre un 15 y un 30%. Las plataformas a esta escala también deberían evaluar si un modelo general bien configurado, con gestión de vocabulario personalizado, puede igualar la precisión del modelo Medical para su terminología específica.

La decisión entre V1 y V2

Mi opinión: para cualquier integración nueva que se inicie hoy, usa V2. El modelo Chirp es más capaz en un conjunto más amplio de idiomas, Dynamic Batch solo existe en V2, y los descuentos por volumen en V2 son públicos y automáticos, sin necesidad de hablar con un comercial. El único motivo para quedarse en V1 es una integración existente que requeriría una refactorización considerable.

V2 no ofrece actualmente modelos Medical dedicados. Si tu aplicación necesita los modelos Medical Dictation o Medical Conversation de Google, te quedas en V1. No es un caso marginal, es la razón legítima por la que la API de V1 sigue teniendo soporte.

Google Cloud frente a otras APIs

El precio en tiempo real de V2 de Google, de $0.016/min, se sitúa por encima de Deepgram y AssemblyAI en cuanto a coste puro por minuto. Donde realmente destaca es en la amplitud de idiomas (más de 125 a través de Chirp), la cuota mensual gratuita que nunca caduca, y la integración profunda con el resto de GCP. La comparación con AWS Transcribe es especialmente ajustada sobre el papel; las diferencias prácticas se reducen al encaje con tu ecosistema y a qué estructura de capa gratuita se adapta mejor a tu ciclo presupuestario.

Para una visión más amplia de cómo se fijan los precios de las APIs de transcripción, la comparación entre Google y Deepgram es un buen caso de estudio sobre la diferencia entre amplitud de idiomas y eficiencia por minuto.

Cuándo Tiene Sentido Google Cloud Speech-to-Text

Necesitas más de 125 idiomas. Chirp cubre lenguas que la mayoría de competidores no ofrecen con calidad de producción. Si tu aplicación maneja suajili, javanés, tagalo u otros idiomas con pocos recursos, Google suele ser la única opción alojada viable.

Tu infraestructura ya está en GCP. Audio almacenado en Cloud Storage, resultados escritos en BigQuery, disparadores mediante Cloud Functions, cero costes de salida de datos, autenticación nativa con cuentas de servicio y herramientas operativas ya en marcha. La fricción de integración es prácticamente nula.

Transcripción médica con la postura de cumplimiento de Google. Los modelos Medical incluyen cobertura BAA de HIPAA y certificaciones específicas del sector sanitario que la mayoría de competidores no pueden igualar.

Casillas de cumplimiento empresarial. SOC 2 Tipo II, ISO 27001, FedRAMP, si tu equipo de seguridad tiene una lista de verificación, Google Cloud la cumple.

Cuándo Buscar Alternativas

Alto volumen sensible al coste sin requisitos médicos. Con 500 horas al mes, Deepgram Nova-3 en tiempo real ($0.0077/min) resulta sustancialmente más barato que V2 de Google en tiempo real. El artículo sobre los costes ocultos de los servicios de transcripción repasa comparativas de coste total, incluidos los gastos generales de infraestructura.

Puntos de referencia de precisión solo en inglés. Algunos competidores se adelantan en la tasa de error por palabra específica del inglés. Deepgram Nova-3 y los modelos más grandes de Whisper rinden bien con contenido en inglés. Si tu contenido es exclusivamente en inglés y la WER es tu métrica principal, haz tu propia prueba antes de asumir que Google es el mejor.

Infraestructura sin GCP. Usar Speech-to-Text requiere un proyecto de GCP, cuenta de servicio, cuenta de facturación y configuración del SDK. Eso es manejable, pero no es trivial para una startup que no sea cliente de GCP de todos modos. Una API independiente como AssemblyAI o una herramienta llave en mano como la herramienta de audio a texto de ConvertAudioToText te lleva del archivo a la transcripción más rápido si no estás construyendo un pipeline personalizado. Los planes de tarifa plana sin facturación por minuto están en nuestra página de precios.

Lista de verificación para reducir costes

Cambia las cargas de trabajo no urgentes a Dynamic Batch. El nivel V2 Dynamic Batch es la reducción de costes de mayor impacto disponible. Si los resultados pueden esperar 24 horas, no hay razón para pagar tarifas en tiempo real.

Convierte de estéreo a mono antes de enviar. El audio multicanal se factura por canal. Una grabación estéreo estándar duplica tu coste si no la conviertes primero. Reducir a mono a 16kHz antes de subir reduce el almacenamiento, la transferencia y el coste de la API sin afectar a la precisión.

Confirma que estás llamando a los endpoints V2 para código nuevo. La calculadora de precios y la documentación usan V2 por defecto, pero las integraciones copiadas de ejemplos antiguos pueden seguir apuntando a endpoints V1. Verifícalo revisando la URL del endpoint en tus llamadas a la API.

Configura alertas de facturación en la consola de Cloud. Configura alertas al 50%, 80% y 100% de tu gasto mensual previsto. Un bucle de reintentos o un error de configuración puede multiplicar tu factura antes de que te des cuenta.

Usa la calculadora de precios de Google Cloud para modelar tu volumen real, versión de la API y conjunto de funciones antes de comprometerte.

Preguntas frecuentes

¿Cuánto cuesta Google Cloud Speech-to-Text por minuto en 2026?

La API V2 cobra $0.016 por minuto para transcripción estándar en tiempo real, bajando a $0.010 y $0.008 por minuto con volúmenes mensuales más altos. El modo Dynamic Batch cuesta aproximadamente $0.003 a $0.004 por minuto para cargas de trabajo que puedan aceptar un plazo de entrega de 24 horas. La API V1 cobra $0.016 por minuto con registro de datos activado, o $0.024 por minuto sin él. Los modelos médicos (solo V1) cuestan $0.078 por minuto.

¿Cuál es el nivel gratuito de Google Cloud Speech-to-Text?

Toda cuenta de Google Cloud recibe 60 minutos de transcripción gratuita al mes, de forma continua y sin fecha de caducidad. Los nuevos clientes de GCP también reciben $300 en créditos (caducan a los 90 días) que se aplican a todos los servicios de GCP, incluido Speech-to-Text. Pasados los 60 minutos gratuitos, se aplican automáticamente las tarifas estándar por minuto. Para usar la API, tu proyecto debe tener una cuenta de facturación vinculada, incluso dentro del nivel gratuito.

¿Qué es Dynamic Batch y cuánto cuesta?

Dynamic Batch es un modo de procesamiento exclusivo de V2 que pone tus solicitudes de transcripción en una cola de menor prioridad y entrega los resultados en un plazo de 24 horas. La tarifa es de aproximadamente $0.003 a $0.004 por minuto, frente a los $0.016 por minuto del modo estándar en tiempo real. Es ideal para trabajos por lotes nocturnos: archivos de podcasts, revisión de calidad al día siguiente, proyectos de transcripción masiva. Para subtitulado en vivo o cualquier caso que requiera resultados en segundos, usa el endpoint estándar en tiempo real.

¿Cuál es la diferencia de precios entre las API V1 y V2?

El precio de V1 se basa en un modelo de registro de datos: $0.016 por minuto con registro activado, o $0.024 por minuto sin él. El precio de V2 usa niveles de volumen que empiezan en $0.016 por minuto, sin descuento separado por registro de datos. V2 además añade Dynamic Batch e incluye la familia de modelos Chirp sin recargo. V1 es la única opción si necesitas los modelos de dictado médico o conversación médica. Para cualquier integración nueva, V2 es la vía recomendada.

¿Cómo se compara el precio de Google Cloud Speech-to-Text con el de Deepgram?

A tarifas en tiempo real, Deepgram Nova-3 ($0.0077/min) resulta más barato que Google V2 estándar ($0.016/min) para cargas de trabajo idénticas de hasta 500.000 minutos al mes. Por encima de 1 millón de minutos mensuales, los tramos de volumen de Google reducen V2 a $0.008/min o menos, lo que acerca la comparación. El Dynamic Batch de Google, a unos $0.003/min, supera a Deepgram en cargas de trabajo que no requieren tiempo real. La elección práctica depende de los idiomas que necesites (Google lidera en amplitud), tu huella en GCP y si la latencia en tiempo real es un requisito. Consulta la comparativa de precios de APIs de transcripción de voz para un desglose más detallado.

Fuentes

• Precios de Google Cloud Speech-to-Text, página oficial de precios
• CostBench: Precios de Google Speech-to-Text 2026, tabla de tarifas V1/V2
• BrassTranscripts: Google STT, por qué tu factura se duplica, contexto de costes de infraestructura
• Smallest.ai: Análisis de Google Cloud STT 2026, visión general del modelo V2
• Precios de Deepgram, tarifas Nova-3 verificadas
• Precios de Amazon Transcribe, tarifas de AWS
• Precios de Azure Speech, tarifas de Azure
• Precios de OpenAI Whisper 2026, tarifas de Whisper/gpt-4o