Precio de la API de OpenAI Whisper en 2026: $0.003-$0.006 por minuto

Precios de la API de Whisper de OpenAI en 2026: la versión corta

Cuando la gente habla del "precio de la API de Whisper", normalmente se refiere a un único número: $0.006 por minuto. Ese número sigue siendo correcto para el modelo original whisper-1. Pero en 2026 ya no es toda la historia, y tratarlo como un precio único y fijo es como los equipos acaban pagando el doble de lo que necesitan.

OpenAI ahora ejecuta varios modelos de voz a texto en el mismo endpoint /v1/audio/transcriptions. whisper-1 es el modelo heredado. Junto a él están gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize, además de variantes en tiempo real para audio en vivo. La opción de transcripción más barata de OpenAI en 2026 es gpt-4o-mini-transcribe a $0.003 por minuto, que es la mitad del precio de Whisper. Si todavía usas whisper-1 por costumbre, puede que estés pagando de más.

Aquí tienes la lista completa con las tarifas actuales, extraída de la página de precios de OpenAI:

gpt-4o-mini

$0.18/hr

whisper-1

$0.36/hr

gpt-4o-transcribe

$0.36/hr

gpt-4o-diarize

$0.36/hr

gpt-realtime

$1.02/hr

realtime-translate

$2.04/hr

OpenAI list price per hour by model, 2026.

Una lectura rápida de esta tabla: para transcripción por lotes sencilla al menor coste, gpt-4o-mini-transcribe gana. Para la mejor precisión al mismo precio que Whisper, usa gpt-4o-transcribe. Para etiquetas de hablante, usa la variante diarize. Solo deberías recurrir al antiguo whisper-1 cuando necesites específicamente marcas de tiempo a nivel de palabra o archivos de subtítulos, porque los modelos gpt-4o más nuevos eliminaron esas salidas.

Soy Bello M. Amadou. Trabajo con herramientas de transcripción y he visto a muchos equipos elegir un modelo solo por el precio para luego descubrir que el barato no puede generar el archivo SRT que necesita su editor de vídeo. Esta guía pretende ahorrarte ese rodeo.

Qué Cambió Desde los Días de la "Tarifa Plana de $0.006"

La API original de Whisper se lanzó como un producto deliberadamente simple: un modelo, un precio, sin niveles. Esa simplicidad era su punto fuerte, y muchos artículos antiguos todavía la describen así. Ahora está desactualizada.

A finales de 2025, OpenAI lanzó una nueva generación de modelos de audio basados en su arquitectura GPT-4o, y se estabilizaron para producción durante 2026. Los efectos prácticos:

El precio mínimo bajó. gpt-4o-mini-transcribe cuesta $0.003 por minuto, superando a la antigua tarifa de Whisper en un 50 por ciento. Para trabajo de alto volumen y tolerante a la precisión, como indexación de búsqueda interna o borradores, este es el nuevo estándar.

Accuracy improved at the same price. gpt-4o-transcribe cuesta lo mismo, $0.006 por minuto, que whisper-1, pero OpenAI lo posiciona como un modelo de transcripción más preciso. Evaluadores independientes reportan una tasa de error por palabra más baja que Whisper v3 en audio de referencia, aunque las cifras exactas varían según el conjunto de pruebas, así que trata cualquier porcentaje concreto que veas en internet como orientativo, no como verdad absoluta.

La diarización de hablantes ahora es nativa. La antigua API de Whisper no tenía una forma integrada de etiquetar a los hablantes. gpt-4o-transcribe-diarize añade detección automática de hablantes y devuelve una respuesta diarized_json con etiquetas de hablante y marcas de tiempo por segmento, al mismo precio por minuto. Incluso puedes proporcionar clips de referencia cortos para hasta cuatro hablantes conocidos.

Existe transcripción en tiempo real. La API clásica de Whisper era solo por lotes. Ahora OpenAI ofrece transcripción en tiempo real mediante gpt-realtime-whisper ($0.017/min) y una variante que traduce mientras hablas ($0.034/min), y gpt-4o-transcribe en sí mismo admite respuestas en streaming. La afirmación genérica de que "la API de Whisper no puede hacer tiempo real" ahora solo es cierta para whisper-1 concretamente.

Whisper sigue aquí, y sigue siendo de código abierto. OpenAI no ha retirado whisper-1. Permanece en la lista de modelos a $0.006 por minuto, y los pesos de Whisper de código abierto siguen disponibles para descargar libremente desde GitHub para autoalojamiento. Whisper no cambió de nombre. Ahora es una opción entre varias.

El detalle que la mayoría de artículos pasan por alto: por qué todavía necesitas whisper-1

Aquí está lo más útil de esta guía, y es la razón por la que no puedes simplemente cambiar todo a ciegas a los modelos gpt-4o más baratos.

The gpt-4o transcription models dropped word-level timestamps and subtitle outputs. According to OpenAI's speech-to-text guide, whisper-1 supports the json, text, srt, verbose_json, and vtt response formats, and the timestamp_granularities[] parameter for word and segment timing. The gpt-4o-transcribe and gpt-4o-mini-transcribe models support only json and plain text. Requesting verbose_json from a gpt-4o model returns an error telling you to use json or text instead.

What that means in practice:

So if your workflow is building captions for video, generating subtitles for a YouTube upload, or aligning a transcript to a timeline, the newer and "better" models will not give you the timing data you need. You either stay on whisper-1, or you run a gpt-4o transcript through a separate alignment step. For a lot of subtitle pipelines, staying on Whisper is simply the right call, and that is a legitimate reason it is not going anywhere.

The 25MB and 25-Minute File Limits

Every OpenAI transcription model, old and new, shares the same two hard limits on a single API request:

• Tamaño máximo de archivo de 25MB. Los archivos de más de 25MB se rechazan directamente.
• Duración máxima de audio de 1500 segundos (25 minutos). Un audio más largo devuelve un error de duración excedida, confirmado por varios desarrolladores en el foro de la comunidad de OpenAI.

El límite de duración pilla desprevenido a mucha gente porque un podcast de una hora comprimido a MP3 puede estar cómodamente por debajo de los 25MB de tamaño y aun así superar el límite de 25 minutos. Hay que cumplir ambas restricciones.

Cómo se ve 25MB según el formato:

Ten en cuenta que incluso cuando el tamaño de archivo permite 52 minutos (MP3 a 64 kbps), el límite de 1500 segundos te obliga igualmente a dividir cualquier cosa que supere los ~25 minutos. Así que en 2026 el límite de duración, no el de tamaño, suele ser la restricción que realmente condiciona.

Cómo sortear los límites

Comprime antes de subir. Para voz, convertir un WAV a MP3 a 64 kbps reduce el tamaño del archivo en un 90 por ciento o más sin pérdida significativa de precisión, porque 64 kbps conserva el rango de frecuencias que el reconocimiento de voz realmente utiliza. FFmpeg hace esto con un solo comando.

Extrae el audio del vídeo primero. Un MP4 de una hora puede pesar 500MB, pero su pista de audio como MP3 puede estar muy por debajo de 25MB. Nunca subas vídeo al endpoint de transcripción; la API ignora la pista de vídeo de todos modos, así que solo estás desperdiciando ancho de banda y probablemente topando con el límite de tamaño sin necesidad.

Divide archivos largos en los silencios. Para cualquier cosa que supere los 25 minutos tienes que trocear. Divide en pausas naturales en lugar de a mitad de frase, o tendrás palabras cortadas en cada frontera que luego tendrás que volver a unir. Busca trozos de unos 20 a 24 minutos para mantenerte cómodamente por debajo de ambos límites.

Deja que un servicio lo gestione. Si prefieres no montar un pipeline de compresión y segmentación, ConvertAudioToText hace el preprocesado automáticamente. Subes un archivo largo (hasta 5 GB en planes de pago o un enlace de hasta 24 horas) y se encarga de la extracción, la segmentación y el reensamblaje. Si quieres específicamente la salida de Whisper, la API de OpenAI o el autoalojamiento son tu camino.

Autoalojar Whisper: software gratuito, coste real de infraestructura

Como Whisper es código abierto, puedes ejecutarlo en tu propia GPU y no pagar nada a OpenAI por minuto. El modelo es gratis de descargar, pero el cómputo y la ingeniería no lo son, por eso la gente sigue pagando $0.006 (o $0.003) por minuto.

Los pesos de large-v3 de Whisper necesitan una GPU capaz para funcionar a velocidades utilizables. Costes aproximados en la nube:

La columna de velocidad es la que determina el coste real. Una A100 transcribiendo a 8x tiempo real procesa ocho horas de audio por hora de GPU, así que el coste por hora de audio ronda los $0.15 a $0.40. Una T4 funcionando cerca del tiempo real te acerca a una hora de audio por hora de GPU.

Pero el alquiler bruto de la GPU es la parte fácil de la factura. Autoalojar también significa que te haces cargo de:

• Infraestructura. Aprovisionamiento, autoescalado, conmutación por error y disponibilidad. No es un sistema de desplegar y olvidarse.
• Orquestación de trabajos. Una cola, workers, reintentos y seguimiento de estado. Estás reconstruyendo el backend que una API gestionada te da gratis.
• Monitorización. Los trabajos con GPU fallan de maneras muy particulares: errores de memoria, incompatibilidades de versiones de CUDA, deriva de drivers. Todo esto consume tiempo de ingeniería.
• Almacenamiento y red. Mover audio a los nodos GPU y guardar los resultados añade costes que es fácil olvidar cuando lo modelas en una hoja de cálculo.

¿Cuándo gana realmente el autoalojamiento en coste? Como guía aproximada, solo con un volumen alto y sostenido:

Mi sesgo: el punto de equilibrio se ve genial sobre el papel y mucho peor una vez que pones precio al tiempo de un ingeniero para construir y cuidar el pipeline. He bajado la columna de API a la tarifa de $0.003 de gpt-4o-mini-transcribe, lo que aleja aún más el punto de equilibrio que la vieja matemática de $0.006 sugería. Si estás por debajo de unas pocas cientos de horas al mes, la API gestionada es casi siempre el coste total de propiedad más barato una vez que cuentas a las personas.

OpenAI frente a la competencia: tarifas verificadas de junio de 2026

El precio por minuto es el número visible, pero rara vez te dice el coste total, porque los proveedores baratos suelen facturar los extras por separado. Estas son las tarifas actuales y verificadas de pago por uso para las principales APIs de transcripción por lotes.

Fuentes: precios de Deepgram, precios de AssemblyAI, precios de Google Cloud STT, precios de AWS Transcribe, precios de Azure Speech.

Qué te dice realmente la tabla

La historia de barato frente a Whisper cambió en 2026. Las comparaciones antiguas afirmaban que Deepgram superaba a Whisper en precio. Con los $0.0043 por minuto actuales de Deepgram Nova-3 para audio pregrabado, sigue ganando a la tarifa de $0.006 de whisper-1, pero ya no supera a los $0.003 de gpt-4o-mini-transcribe de OpenAI. Las opciones de lote realmente más baratas y fiables hoy son el modelo mini de OpenAI, el nivel de lote de Azure (ambos a $0.003) y el modelo Universal de AssemblyAI (alrededor de $0.0035 por tarifa facturada por hora). Deepgram es competitivo, pero ya no es el líder en precios que fue para lote.

"Por minuto" oculta los extras. Tanto Deepgram como AssemblyAI facturan la diarización de hablantes, la generación de resúmenes y otras funciones como partidas separadas. La tarifa base Universal de AssemblyAI es baja, pero la identificación de hablantes, el análisis de sentimiento y los resúmenes añaden un coste por hora adicional. Deepgram suma unos $0.002 por minuto por la diarización. El gpt-4o-transcribe-diarize de OpenAI, en cambio, incluye las etiquetas de hablante en la tarifa plana de $0.006 sin recargo, lo que puede convertirlo en la opción más económica cuando realmente necesitas diarización.

Los proveedores empresariales cobran más e incluyen más. Google Cloud a $0.016 y AWS Transcribe a $0.024 cuestan de tres a cuatro veces la tarifa mini de OpenAI, pero incluyen streaming, diarización, vocabulario personalizado y SLAs reales. AWS además aplica descuentos por volumen que bajan hasta $0.0078 por minuto a escalas muy altas, y Google ofrece un nivel de "procesamiento por lotes dinámico" a $0.003 para trabajos no urgentes. Si ya estás metido de lleno en GCP o AWS y valoras la integración y el SLA, el precio más alto en la etiqueta compra cosas reales.

La cobertura de idiomas sigue favoreciendo a los grandes y a OpenAI. Google lidera con más de 125 idiomas, los modelos gpt-4o cubren más de 99, y AWS y Azure rondan los 100. Los 36 de Deepgram se quedan cortos. Si transcribes muchos idiomas desde una sola API, OpenAI y Google son los que mejor encajan.

Para una comparativa más detallada entre todos los proveedores, consulta nuestra comparativa de precios de APIs de transcripción de voz a texto y el ranking completo de las mejores APIs de transcripción. Para un cara a cara específico contra Google, lee Whisper vs Google Cloud Speech.

Cuándo la transcripción de OpenAI es la opción correcta

A pesar del amplio abanico, hay casos claros donde los modelos de audio de OpenAI son la mejor opción.

Una alternativa gestionada: precios de ConvertAudioToText con nivel gratuito y planes mensuales planos, sin medición por minuto

Transcripción multilingüe por lotes a buen precio. Con más de 99 idiomas en los modelos gpt-4o y un precio mínimo de $0.003, transcribir entrevistas en francés, japonés y portugués desde una sola API con precios consistentes es difícil de superar. La mayoría de los competidores o cobran más por idiomas que no sean inglés o admiten menos idiomas. Puedes probar la transcripción multilingüe y luego traducir el resultado sin necesidad de un servicio aparte.

Flujos de trabajo con subtítulos y marcas de tiempo (en whisper-1). Como se mencionó antes, si necesitas SRT, VTT o sincronización de palabras, whisper-1 es una de las pocas APIs de bajo costo que genera archivos de subtítulos directamente. Esa es una razón real y concreta para usarla.

Proyectos a pequeña escala y prototipos. Diez horas de audio cuestan $1.80 con el modelo mini. Sin suscripción, sin mínimo, sin infraestructura. Para investigadores, desarrolladores independientes y productos en fase inicial, eso es suficiente para empezar. El endpoint simple y la buena documentación hacen que un prototipo funcional sea rápido de montar, y puedes comprobar la experiencia primero con nuestra herramienta gratuita de audio a texto o de URL a texto.

Vía de escape con código abierto. Como Whisper es de código abierto, puedes empezar con la API por comodidad y migrar más tarde a una transcripción autohospedada de calidad idéntica si tu volumen lo justifica. Pocos servicios propietarios ofrecen esa continuidad. Para más información sobre la ruta sin API, consulta nuestra guía de conversor gratuito de audio a texto.

Calcula tu factura mensual de transcripción con OpenAI

Costes con las dos tarifas habituales, para que elijas la fila que coincide con tu elección de modelo:

Estos precios cubren solo la transcripción. Si además necesitas diarización, la fila gpt-4o-transcribe-diarize coincide con la columna de $0,006 sin coste adicional. Si necesitas resúmenes, formato o generación de subtítulos añadidos, tenlos en cuenta o usa una plataforma como ConvertAudioToText que agrupa transcripción, resúmenes y exportaciones en una tarifa plana mensual. Consulta la página de precios para ver los planes actuales.

Preguntas frecuentes

¿Cuánto cuesta la API de Whisper de OpenAI por minuto en 2026?

El modelo heredado whisper-1 sigue costando $0,006 por minuto ($0,36 por hora), facturado por segundo según la duración real del audio. Pero OpenAI ahora también ofrece gpt-4o-mini-transcribe a $0,003 por minuto, que es la mitad del precio de Whisper, y gpt-4o-transcribe al mismo $0,006 con mejor precisión. Así que "el precio de la API de Whisper" ya no es un único número. Consulta la página de precios de OpenAI para ver las tarifas oficiales actuales.

¿Cuál es la diferencia entre whisper-1 y gpt-4o-transcribe?

Ambos usan el mismo endpoint de transcripción, pero gpt-4o-transcribe es el modelo más nuevo y preciso, y además admite respuestas en streaming. El detalle importante son los formatos de salida: whisper-1 puede devolver SRT, VTT, verbose_json y marcas de tiempo a nivel de palabra, mientras que los modelos gpt-4o solo devuelven json o texto plano. Si necesitas archivos de subtítulos o un timing de palabra preciso, todavía tienes que usar whisper-1. Para transcripciones simples o salida con etiquetas de hablante, los modelos gpt-4o son la mejor opción.

¿Existe un nivel gratuito para la transcripción de OpenAI?

No. Cada minuto se factura; no hay ningún nivel gratuito permanente para los modelos de audio de OpenAI. Las cuentas nuevas de OpenAI a veces reciben un pequeño crédito único que se puede aplicar a la transcripción, pero eso es un crédito de bienvenida, no un nivel gratuito continuo. Para transcripción realmente gratuita, puedes autoalojar el modelo Whisper de código abierto (pagas por la GPU en lugar de por minuto) o usar una herramienta web gratuita para trabajos pequeños.

¿Puede OpenAI hacer diarización de hablantes ahora?

Sí. La API original de Whisper no podía etiquetar hablantes, pero gpt-4o-transcribe-diarize añade detección automática de hablantes y devuelve una respuesta diarized_json con etiquetas de hablante y marcas de tiempo por segmento, al mismo precio de $0.006 por minuto que la transcripción estándar, sin recargo por diarización. Opcionalmente, puedes proporcionar clips de referencia cortos para hasta cuatro hablantes conocidos y así mejorar el etiquetado.

¿Cuál es el límite de tamaño de archivo para la API de transcripción de OpenAI?

Todos los modelos comparten un tamaño máximo de archivo de 25MB y una duración máxima de audio de 1500 segundos (25 minutos) por solicitud. Debes cumplir ambos, y el límite de duración suele ser el que se alcanza primero, ya que un podcast de una hora puede pesar menos de 25MB pero supera con creces los 25 minutos. Para archivos más largos, extrae el audio del vídeo, comprime a un MP3 de menor bitrate y divide por silencios en fragmentos que estén por debajo de ambos límites.

¿Cuál es más barato en 2026, OpenAI o Deepgram?

Depende del modelo de OpenAI. Deepgram Nova-3, a 0,0043 dólares por minuto para audio pregrabado, está por debajo de la tarifa de 0,006 dólares de whisper-1, pero no supera los 0,003 dólares de gpt-4o-mini-transcribe de OpenAI. Deepgram además cobra unos 0,002 dólares por minuto extra por la diarización, mientras que el modelo de diarización de OpenAI es una tarifa plana de 0,006 dólares con las etiquetas de hablante incluidas. Así que para transcripción simple y barata, el modelo mini de OpenAI gana; para streaming, Deepgram es más sólido. Haz los cálculos con tu conjunto de funciones exacto en lugar de comparar solo los precios de etiqueta.

¿Puedo usar la API de Whisper de OpenAI para transcripción en tiempo real?

El modelo heredado whisper-1 es solo por lotes y no puede hacer tiempo real. Sin embargo, OpenAI ahora ofrece gpt-realtime-whisper a 0,017 dólares por minuto y gpt-realtime-translate a 0,034 dólares por minuto para streaming en vivo de baja latencia, y gpt-4o-transcribe admite respuestas en streaming. Así que la vieja regla de "Whisper no puede con audio en vivo" ahora solo aplica al modelo específico whisper-1, no a toda la línea de transcripción de OpenAI. Para subtitulado en vivo con la menor latencia, Deepgram sigue siendo una alternativa fuerte para comparar.

¿Cómo se compara la transcripción por API con contratar a un transcriptor humano?

Los servicios de transcripción humana suelen cobrar entre 1 y 3 dólares por minuto de audio, así que a 0,003 o 0,006 dólares por minuto, la API de OpenAI es entre 200 y 1.000 veces más barata. Los humanos siguen ganando con audio difícil, como acentos marcados, hablantes que se solapan o ruido considerable, donde su precisión es difícil de igualar. Para grabaciones limpias con un solo hablante, la diferencia en precisión es pequeña y el coste es enorme, por eso la mayoría de los equipos usan ahora IA para los primeros borradores y reservan la revisión humana para el audio que de verdad lo necesita.