Precios de las APIs de transcripción de voz a texto en 2026: comparativa real de costes

Esta guía compara las cinco APIs que la mayoría de los equipos acaban preseleccionando en 2026: AssemblyAI, OpenAI (familia gpt-4o-transcribe), Deepgram, Google Cloud Speech-to-Text y AWS Transcribe. Cada precio que aparece abajo se ha extraído de la página de precios de cada proveedor en junio de 2026 y está enlazado al final. Los precios cambian, así que confirma siempre contra la página en vivo antes de fijar una cifra en tu presupuesto.

Si quieres análisis individuales más a fondo, tenemos páginas dedicadas sobre precios de Google Cloud Speech-to-Text, precios de AWS Transcribe y precios de OpenAI Whisper API.

Tabla comparativa de precios completa

Aquí tienes el desglose lado a lado de los cinco proveedores a fecha de junio de 2026. Las tarifas corresponden a transcripción estándar por lotes (pre-grabada) salvo que se indique lo contrario. AssemblyAI cotiza por hora, el resto por minuto, así que se muestran ambas columnas para que la comparación sea justa.

AssemblyAI

$0.15/hr

OpenAI

$0.18/hr

Google Cloud

$0.24/hr

Deepgram

$0.46/hr

AWS Transcribe

$1.44/hr

Lowest published batch price per provider, 2026. Lower is cheaper.

Desde que se escribió esta comparativa por primera vez a principios de 2026, han cambiado algunas cosas:

• AssemblyAI marca ahora el precio mínimo para una API completa. La transcripción asíncrona con Universal-2 cuesta $0.15 por hora, lo que equivale a $0.0025 por minuto, e incluye diarización de hablantes y soporte para 99 idiomas.
• OpenAI ha añadido un modelo más barato y diarización. gpt-4o-mini-transcribe cuesta $0.003 por minuto, y el nuevo modelo gpt-4o-transcribe-diarize (lanzado en octubre de 2025) incorpora etiquetas de hablante de serie en la transcripción tipo Whisper, algo que la antigua API de Whisper nunca ofreció.
• Deepgram ya no es la opción más económica. Nova-3 de pago por uso está en $0.0077 por minuto ($0.46/hora), por encima de las tarifas de Nova-2 que convirtieron a Deepgram en la ganadora en presupuesto durante 2024 y 2025.
• La tarifa estándar de Google es ahora de $0.016 por minuto en la API V2 con los modelos Chirp, y existe un nivel aparte de procesamiento por lotes dinámico de 24 horas a $0.004 por minuto para cargas de trabajo que puedan esperar.

Comparativa de precios entre los cinco principales proveedores de API de transcripción de voz a texto en 2026

Cómo funciona el modelo de precios de cada proveedor

Precios de AssemblyAI

AssemblyAI cobra por hora de audio y factura por separado la transcripción asíncrona (archivos pregrabados) y la de streaming.

• Universal-2 (asíncrono): 0,15 $ por hora (0,0025 $ por minuto)
• Universal-3.5 Pro (asíncrono): 0,21 $ por hora (0,0035 $ por minuto)
• Universal Streaming (tiempo real): 0,15 $ por hora
• Universal-3.5 Pro Realtime: 0,45 $ por hora
• Crédito gratuito: 50 $ al registrarte, sin necesidad de tarjeta

Lo que hay que vigilar con el streaming de AssemblyAI es la unidad de facturación. El streaming se cobra por duración de la sesión, es decir, el tiempo que la conexión WebSocket permanece abierta, no la longitud del audio que realmente envías. Si mantienes un stream abierto durante silencios largos, pagas por ese tiempo de inactividad. Para la transcripción asíncrona esto no es un problema, porque pagas por el audio que envías.

La diarización, las marcas de tiempo a nivel de palabra y la detección de idioma están incluidas en la tarifa base asíncrona. AssemblyAI publica cobertura de 99 idiomas para la transcripción asíncrona, con un conjunto más reducido para el streaming multilingüe en tiempo real.

AssemblyAI anunció que, a partir del 1 de julio de 2026, los precios de los modelos en región suben alrededor de un 10%, pero puedes mantener las tarifas actuales añadiendo "model_region": "global" a tus solicitudes. Confirma la tarifa vigente antes de cerrar un contrato.

Precios de OpenAI (familia gpt-4o-transcribe)

Los precios de transcripción de audio de OpenAI ahora son una pequeña familia de modelos, en lugar del único endpoint de Whisper que solía ser.

• gpt-4o-transcribe: 0,006 $ por minuto (estimado; se factura por token)
• gpt-4o-mini-transcribe: 0,003 $ por minuto (estimado; se factura por token)
• gpt-4o-transcribe-diarize: transcripción con etiquetas de hablante integradas
• Sin nivel gratuito, sin descuentos por volumen

Dos correcciones a la vieja sabiduría convencional. Primero, OpenAI ahora tiene una opción de $0.003/min en gpt-4o-mini-transcribe, que rebaja la tarifa heredada de $0.006 de Whisper. Segundo, la queja de siempre de que "Whisper no tiene diarización" ya no se sostiene: gpt-4o-transcribe-diarize incluye identificación de hablantes e incluso puede asignar segmentos a hasta cuatro hablantes conocidos mediante audio de referencia.

Las limitaciones restantes son reales. La API de transcripción es solo por lotes, así que no hay streaming en tiempo real de verdad como el que ofrecen Deepgram, AssemblyAI y Google. El modelo de diarización requiere una chunking_strategy para audio de más de 30 segundos y no admite prompts ni granularidades de timestamp. Para muchas cargas de trabajo de podcasts, entrevistas y reuniones que entregan un archivo terminado, nada de eso importa y el precio es difícil de superar.

Precios de Deepgram

Los precios de Deepgram se centran en el modelo Nova-3 en 2026.

• Nova-3 monolingüe (pago por uso): $0.0077 por minuto ($0.46 por hora)
• Nova-3 multilingüe: $0.0092 por minuto
• Plan Growth: hasta aproximadamente $0.0065 por minuto con un compromiso anual prepagado (alrededor de un 16% de descuento)
• Crédito gratuito: $200, sin necesidad de tarjeta

Deepgram factura por segundo de audio, así que un clip de 37 segundos cuesta exactamente lo que valen esos 37 segundos, no un minuto redondeado. Eso ayuda si procesas muchos clips cortos.

Deepgram ya no es la opción más barata. La tarifa de Nova-2 de aproximadamente $0.0043 por minuto que la convertía en la opción económica se está retirando de los precios públicos en favor de Nova-3 a $0.0077. Deepgram sigue ganándose su lugar en la lista corta por su streaming de baja latencia, su buena precisión en inglés y su facturación por segundo, pero la regla de oro de "Deepgram siempre es lo más barato" de 2024 está desactualizada. Sitios secundarios todavía citan la vieja cifra de $0.0043; trata cualquier valor tan bajo como un precio heredado de Nova-2 y consulta el selector en vivo.

Precios de Google Cloud Speech-to-Text

Google Cloud Speech-to-Text reorganizó sus precios en torno a la API V2 y los modelos Chirp.

• Reconocimiento estándar en tiempo real (Chirp, V2): $0.016 por minuto ($0.96 por hora)
• Lote dinámico: $0.004 por minuto ($0.24 por hora), resultados entregados en 24 horas
• Nivel gratuito: 60 minutos al mes, sin caducidad

Los precios anteriores tenían niveles separados: estándar ($0.024) y mejorado ($0.036). La API V2 agrupa Chirp, Chirp 2 y Chirp 3 en la misma tarifa de $0.016 por minuto, sin prima por modelo, lo que resulta más simple y más barato que el antiguo nivel mejorado. El lote dinámico a $0.004 por minuto es un 75% más barato que el tiempo real y se adapta a cualquier carga de trabajo que no necesite una respuesta instantánea, como el procesamiento de archivos durante la noche.

Las cuentas nuevas de Google Cloud también reciben $300 en créditos de plataforma con caducidad a los 90 días, aparte de la asignación gratuita mensual de 60 minutos para Speech-to-Text específicamente.

Precios de AWS Transcribe

AWS Transcribe mantiene una tarifa estándar única con descuentos automáticos por volumen que se activan a medida que escalas.

• Nivel 1 (primeros 250.000 min/mes): $0.024 por minuto
• Nivel 2 (250K a 1M min/mes): $0.015 por minuto
• Nivel 3 (1M a 5M min/mes): $0.0102 por minuto
• Nivel 4 (más de 5M min/mes): $0.0078 por minuto

AWS factura en incrementos de un segundo con un cargo mínimo de 15 segundos por solicitud. Ese mínimo de 15 segundos supone un coste real si procesas muchos clips muy cortos, porque un clip de 4 segundos se factura igualmente como 15. El nivel gratuito es de 60 minutos al mes solo durante los primeros 12 meses, y a partir de ahí cada minuto es de pago.

Los descuentos por volumen son la razón por la que AWS sigue en la conversación a gran escala. A partir de 250.000 minutos al mes (unas 4.167 horas) bajas a $0.015, y los tramos siguen cayendo hasta $0.0078 por encima de los 5 millones de minutos mensuales. Para una empresa nativa de AWS que ya tiene audio en S3, la integración entre servicios más estos descuentos automáticos puede compensar el precio de lista más alto.

Coste a Escala: Recalculado para 2026

Las tarifas por minuto son fáciles de comparar, pero lo que importa es la factura. Estos son los costes mensuales reales en tres niveles de volumen, recalculados con las tarifas actuales de 2026 que aparecen arriba. Todas las cifras usan el modelo estándar por lotes más barato de cada proveedor.

100 Horas al Mes (6.000 minutos)

Típico para un producto de transcripción con unos cientos de usuarios activos, una red de podcasts que procesa episodios semanales, o un equipo de soporte pequeño.

Con 100 horas, AssemblyAI Universal-2 cuesta alrededor de un 90% menos que el estándar de AWS y un 84% menos que la tarifa en tiempo real de Google. El modelo mini de OpenAI y el tramo por lotes de 24 horas de Google son ambos más baratos que Deepgram. Esta es la señal más clara de que el veredicto ha cambiado desde 2024.

1.000 Horas al Mes (60.000 minutos)

Un producto en crecimiento, un centro de contacto mediano, o una empresa de medios procesando contenido a gran escala.

Con 1.000 horas, AssemblyAI procesa el mismo volumen por $150 que AWS estándar cobra a $1.440. Eso supone más de $15.000 ahorrados al año frente al precio de lista de AWS, antes de que se aplique cualquier descuento por volumen (que no se aplica a este volumen).

10.000 Horas al Mes (600.000 minutos)

Escala empresarial: centros de contacto globales, archivos multimedia grandes, grabaciones de cumplimiento normativo o una API que sirve a miles de desarrolladores.

A escala empresarial los descuentos por volumen de AWS por fin se aplican: 600.000 minutos se facturan como los primeros 250.000 a $0,024 ($6.000) más 350.000 a $0,015 ($5.250), lo que da $11.250 en lugar de $14.400 a tarifa plana. Aun así, AssemblyAI Universal-2 a $1.500 resulta unos $9.750 más barato al mes que AWS con descuento. A este volumen, todos los proveedores también negociarán tarifas personalizadas, así que trata los precios de lista como punto de partida, no como factura final.

Costes Ocultos que Deberías Conocer

La tarifa por minuto es solo una parte de la factura. Hay varios costes adicionales que pueden mover tu gasto total de forma significativa.

Cargos Mínimos y Redondeo

Cómo redondea un proveedor importa cuando procesas muchos clips cortos:

• AWS Transcribe: incrementos de un segundo con un mínimo de 15 segundos por solicitud. Un clip de 4 segundos se factura como si fueran 15.
• Deepgram: se factura por segundo, sin mínimo documentado, lo que resulta más favorable para clips cortos.
• Google Cloud: históricamente factura en incrementos de 15 segundos, redondeando hacia arriba.
• AssemblyAI streaming: se factura por duración de la sesión, así que el tiempo de conexión inactiva cuenta.

Si tu carga de trabajo son miles de clips diminutos (comandos de voz, mensajes de voz cortos), estas reglas pueden hacer que tu coste efectivo por minuto supere con creces la tarifa anunciada.

Tarifas de transferencia de datos y salida

Google Cloud y AWS cobran por la salida de datos cuando los resultados abandonan su nube. Como guía aproximada:

• Google Cloud: alrededor de $0.12 por GB en el primer nivel de salida mensual
• AWS: alrededor de $0.09 por GB en el primer nivel de salida mensual
• AssemblyAI, OpenAI, Deepgram: sin tarifas de salida, los resultados se devuelven en la respuesta de la API

El texto de las transcripciones es diminuto (unos pocos KB por hora de audio), así que la salida de resultados es insignificante. El coste real de datos está en subir el audio fuente al almacenamiento en la nube primero. Una hora de WAV con calidad de CD son aproximadamente 635 MB, así que 10.000 horas al mes implican ingerir cientos de terabytes de audio.

Costes de almacenamiento de audio

Si conservas el audio fuente por cumplimiento normativo, reprocesado o control de calidad:

• Google Cloud Storage (Estándar): unos $0.020 por GB/mes
• AWS S3 (Estándar): unos $0.023 por GB/mes
• Cloudflare R2: unos $0.015 por GB/mes, sin tarifas de salida

Para archivos grandes, un proveedor sin salida como Cloudflare R2 ahorra dinero real con el tiempo. Las tarifas de almacenamiento cambian, así que confírmalas contra la página de precios actual de tu región.

Preprocesado de audio y límites de archivo

No todas las API aceptan todos los formatos de forma nativa, y algunas tienen topes de tamaño de archivo que obligan a dividir en fragmentos:

• OpenAI ha aplicado históricamente un límite de 25 MB por solicitud, así que las grabaciones largas deben dividirse.
• AWS Transcribe espera audio en S3 o transmitido en formatos específicos.
• Deepgram, AssemblyAI y Google Cloud aceptan una amplia variedad de formatos de entrada.

Si tu fuente es video o un códec poco común, ten en cuenta el tiempo de procesamiento con FFmpeg, la computación para extraer audio y el almacenamiento temporal para archivos intermedios. Ese trabajo de ingeniería es un costo real, aunque nunca aparezca en la factura de la API.

Sobrecarga de SDK e Integración

Google Cloud y AWS requieren sus SDK en la nube, configuración de IAM y conexiones de autenticación. AssemblyAI, OpenAI y Deepgram ofrecen APIs REST más simples que puedes usar con una sola solicitud HTTP autenticada. Para un equipo pequeño, esa diferencia supone días de ahorro en integración y mantenimiento.

Costos ocultos en un pipeline de transcripción de voz a texto más allá de la tarifa por minuto

¿Qué API Gana para Tu Caso de Uso?

No existe una única API de transcripción de voz a texto que sea la mejor. La elección correcta depende del volumen, las funciones, la infraestructura existente y el presupuesto.

Mejor por Costo Más Bajo

Ganador: AssemblyAI Universal-2 ($0.0025/min) u OpenAI gpt-4o-mini-transcribe ($0.003/min)

Si el precio es el factor decisivo y necesitas una API completa con diarización, AssemblyAI Universal-2 es el mínimo a $0.15 por hora. Si solo necesitas transcripción por lotes y puedes prescindir del streaming en tiempo real, el modelo mini de OpenAI a $0.003 por minuto le sigue de cerca con buena precisión. El nivel dinámico por lotes de Google ($0.004/min) es una tercera opción económica sólida cuando un plazo de 24 horas es aceptable.

Mejor para Tiempo Real y Streaming

Ganador: Deepgram o AssemblyAI

Deepgram está diseñado para streaming de baja latencia con resultados provisionales, endpointing y facturación por segundo, y sigue siendo una opción destacada para subtitulado en directo y agentes de voz, incluso con su tarifa más alta de Nova-3. El Universal Streaming de AssemblyAI, a $0.15 por hora, es competitivo en precio e incluye endpointing inteligente y diarización. OpenAI no es una opción aquí porque su API de transcripción es solo por lotes.

Mejor para Empresas y Alto Volumen

Ganador: AWS Transcribe (con descuentos por volumen) o AssemblyAI (con acuerdo empresarial)

A escala empresarial, la conversación pasa de precios de lista a tarifas negociadas. Los descuentos automáticos por volumen de AWS, a 250K, 1M y 5M de minutos al mes, lo hacen competitivo sin necesidad de llamada comercial, y la integración es sencilla si ya operas en AWS. Si no estás atado a una nube concreta, la tarifa por hora de AssemblyAI sigue siendo más barata en cada nivel de volumen y además negocia precios empresariales por encima.

Mejor para Aplicaciones Multilingües

Ganador: Google Cloud o AssemblyAI

Los modelos Chirp de Google Cloud cubren un conjunto muy amplio de idiomas con una precisión sólida en lenguas no inglesas, todo a la tarifa plana de $0.016 por minuto. AssemblyAI publica cobertura de 99 idiomas para transcripción asíncrona a $0.0025 por minuto, lo que lo hace a la vez amplio y económico para archivos terminados. Los modelos de OpenAI manejan bien muchos idiomas y el cambio de código, pero solo por lotes.

Mejor para Diarización de Locutores

Ganador: AssemblyAI, con OpenAI ahora como contendiente real

AssemblyAI incluye la diarización en su tarifa base asíncrona. El cambio notable de 2026 es gpt-4o-transcribe-diarize de OpenAI, que añade etiquetas de locutor integradas a la familia Whisper por primera vez y puede asignar segmentos a locutores conocidos. Deepgram, Google Cloud y AWS también admiten diarización, así que esto ya no es un diferenciador que obligue a elegir una única opción.

Cuándo un Servicio Gestionado Supera a la API Cruda

Cada opción anterior es una API en bruto. La pregunta real para muchos equipos es construir versus comprar. El precio por minuto de la lista es la parte más pequeña del coste total una vez que sumas ingeniería de integración, autenticación, preprocesamiento de audio (FFmpeg, conversión de formatos, división en fragmentos por límites de tamaño de archivo), lógica de reintentos, almacenamiento y el mantenimiento continuo de todo ello.

Planes de ConvertAudioToText: una tarifa plana de 14,99 US$ al mes por transcripción ilimitada en lugar de una factura de API medida por minuto

Ese es el hueco que cubre ConvertAudioToText. Procesamos cada archivo con nuestro motor premium o nuestro motor estándar, así que obtienes la transcripción sin elegir ni pagar una API. Subes audio o pegas una URL, y recibes una transcripción formateada con diarización de hablantes, múltiples formatos de exportación (SRT, VTT, TXT), y una capa de generador de subtítulos y transcripción de reuniones por encima, sin tener que mantener ningún tipo de integración de API.

Si prefieres la ruta de la API en bruto, nuestra guía de las mejores APIs de voz a texto repasa la integración y ejemplos de código. Compra el servicio gestionado cuando tu coste real sea el tiempo de ingeniería; integra la API directamente cuando tengas la escala y el equipo para gestionar el pipeline.

Preguntas Frecuentes

¿Cuál es la API de voz a texto más barata en 2026?

AssemblyAI Universal-2 a $0.0025 por minuto ($0.15 por hora) es la API de transcripción de voz a texto más barata con todas las funciones, e incluye diarización y soporte para 99 idiomas. El modelo gpt-4o-mini-transcribe de OpenAI le sigue de cerca a $0.003 por minuto, aunque solo para transcripción por lotes. Si un plazo de entrega de 24 horas te vale, el nivel dinámico por lotes de Google Cloud a $0.004 por minuto es otra opción económica sólida. Deepgram, que fue la más barata en 2024 y 2025, ahora cuesta $0.0077 por minuto con Nova-3 y ya no es la ganadora en presupuesto.

¿Sigue Deepgram teniendo el precio más bajo por minuto?

No. La tarifa de Nova-2 de Deepgram, alrededor de $0.0043 por minuto, la convertía en la opción económica en años anteriores, pero la tarifa actual de pago por uso de Nova-3 es de $0.0077 por minuto ($0.46 por hora). AssemblyAI ($0.0025/min) y el modelo mini de OpenAI ($0.003/min) son más baratas ahora. Deepgram sigue compitiendo fuerte en latencia de streaming y facturación por segundo, solo que no en el precio de cabecera. Algunos sitios de comparativas todavía citan la cifra antigua de $0.0043, así que verifica contra la página de precios en vivo de Deepgram.

¿Tiene Google Cloud Speech-to-Text un nivel gratuito?

Sí. Google Cloud ofrece 60 minutos de transcripción gratuita al mes sin límite de tiempo, y se mantiene indefinidamente. Las cuentas nuevas de Google Cloud también reciben $300 en créditos de plataforma que caducan a los 90 días. El nivel gratuito de AWS Transcribe también es de 60 minutos al mes, pero solo durante los primeros 12 meses; después, cada minuto se factura.

¿Puede la API de transcripción de OpenAI hacer diarización de hablantes ahora?

Sí. La antigua API de Whisper no podía etiquetar hablantes, pero OpenAI lanzó gpt-4o-transcribe-diarize en octubre de 2025, que añade identificación de hablantes integrada y puede asignar segmentos a hasta cuatro hablantes conocidos usando audio de referencia. La limitación principal es que la API de transcripción de OpenAI sigue siendo solo por lotes, así que no hay streaming en tiempo real como ofrecen Deepgram, AssemblyAI y Google. El modelo de diarización también requiere una estrategia de fragmentación para audio de más de 30 segundos.

¿Cómo calculo el coste mensual de mi API de transcripción de voz a texto?

Calcula tu volumen mensual de audio en minutos y multiplícalo por la tarifa por minuto del proveedor y modelo que elijas. Por ejemplo, 500 horas al mes con AssemblyAI Universal-2 son 500 horas x 60 minutos x $0.0025 = $75 al mes. Ojo con la unidad de facturación: AWS tiene un mínimo de 15 segundos por solicitud, AssemblyAI factura por duración de la sesión en streaming (incluye el tiempo inactivo) y Deepgram cobra por segundo. Luego añade costes ocultos como almacenamiento de audio, transferencia de datos en Google Cloud y AWS, y cualquier cómputo de preprocesamiento para conversión de formato.

¿Es más barato el streaming o la transcripción por lotes?

El modo por lotes (audio pre grabado) suele ser más barato o igual de caro, porque el streaming en tiempo real requiere infraestructura dedicada y gestión de WebSocket. El lote dinámico de Google cuesta $0.004 por minuto frente a $0.016 en tiempo real, una diferencia del 75%. AssemblyAI cobra $0.15 por hora tanto para el modo asíncrono como para el streaming básico, pero el streaming se factura por duración de la sesión, no por longitud del audio. Si tu carga de trabajo no necesita una respuesta instantánea, el lote es casi siempre la opción económica más sensata.

¿Puedo cambiar de API de voz a texto sin reconstruir mi aplicación?

El flujo principal (enviar audio, recibir texto) es similar entre proveedores, así que cambiar implica sobre todo modificar tu código de integración, la autenticación y posiblemente tu pipeline de preprocesamiento. Para que el cambio sea barato, abstrae tu lógica de transcripción detrás de una interfaz interna, de modo que puedas cambiar de proveedor sin tocar el resto de la aplicación. Un servicio gestionado como ConvertAudioToText se encarga de esa abstracción por ti y ejecuta varios motores internamente, así obtienes transcripciones fiables sin tener que mantener las integraciones.

La conclusión final

El veredicto de 2026 es distinto al de 2024. AssemblyAI y el modelo mini de OpenAI son ahora los líderes en precio, Deepgram se ha movido al centro del grupo con Nova-3, y el nivel por lotes V2 de Google es una buena opción para trabajo no urgente. Haz una preselección basándote en las funciones que tu carga de trabajo realmente necesita, pasa tu propio volumen real por las tablas de costes de arriba, y confirma cada cifra contra la página de precios en vivo del proveedor antes de comprometerte, porque estas tarifas se mueven y al menos una (el precio por región de AssemblyAI) iba a cambiar pocos días después de publicarse esto.

Si tu verdadera limitación es el tiempo de ingeniería en lugar del coste por minuto, un pipeline gestionado como ConvertAudioToText elimina por completo la carga de integración y preprocesamiento. Si tienes la escala y el equipo, integra directamente la API más barata que cumpla con tus necesidades de funciones.

¿Qué API de transcripción de voz a texto es la mejor para alto volumen?

A escala empresarial, los descuentos automáticos por volumen de AWS Transcribe (hasta $0.0078 por minuto por encima de 5 millones de minutos al mes) lo hacen competitivo sin necesidad de una llamada comercial, especialmente si tu audio ya vive en S3. Si no estás atado a una nube, AssemblyAI sigue siendo más barato en todos los niveles de volumen según el precio de lista y además negocia tarifas empresariales personalizadas. Trata todos los precios de lista como un punto de partida a esta escala, porque todos los proveedores negocian.