Preços da API Whisper da OpenAI em 2026: US$ 0,003 a US$ 0,006 por minuto

Preços da API do OpenAI Whisper em 2026: a versão resumida

Quando as pessoas falam em "preço da API do Whisper", normalmente estão pensando em um único número: US$ 0,006 por minuto. Esse número ainda vale para o modelo original whisper-1. Mas em 2026 ele não conta mais a história inteira, e tratar tudo como um preço fixo é o jeito mais rápido de times acabarem pagando o dobro do que precisariam.

A OpenAI hoje roda vários modelos de transcrição de fala no mesmo endpoint /v1/audio/transcriptions. O whisper-1 é o modelo legado. Ao lado dele estão o gpt-4o-transcribe, o gpt-4o-mini-transcribe e o gpt-4o-transcribe-diarize, além de variantes em tempo real para áudio ao vivo. A opção de transcrição mais barata da OpenAI em 2026 é o gpt-4o-mini-transcribe, a US$ 0,003 por minuto, metade do preço do Whisper. Se você ainda usa o whisper-1 por hábito, talvez esteja pagando mais do que deveria.

Aqui está a lista completa com as tarifas atuais, tirada direto da página de preços da 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.

Uma leitura rápida dessa tabela: para transcrição simples em lote com o menor custo, o gpt-4o-mini-transcribe vence. Para a melhor precisão pelo mesmo preço do Whisper, use o gpt-4o-transcribe. Para rótulos de falante, use a variante diarize. Você só deve recorrer ao legado whisper-1 quando precisar especificamente de timestamps por palavra ou arquivos de legenda, porque os modelos gpt-4o mais novos abandonaram essas saídas.

Eu sou Bello M. Amadou. Trabalho com ferramentas de transcrição e já vi muitos times escolherem um modelo só pelo preço para depois descobrirem que o barato não consegue gerar o arquivo SRT que o editor de vídeo deles precisa. Este guia serve para poupar você dessa volta.

O Que Mudou Desde os Dias da "Tarifa Fixa de $0.006"

A API original do Whisper foi lançada como um produto deliberadamente simples: um modelo, um preço, sem camadas. Essa simplicidade era seu diferencial, e muitos artigos antigos ainda a descrevem assim. Isso está desatualizado.

No fim de 2025, a OpenAI lançou uma nova geração de modelos de áudio construídos sobre sua arquitetura GPT-4o, e eles se tornaram estáveis para produção ao longo de 2026. Os efeitos práticos:

O piso de preço caiu. O gpt-4o-mini-transcribe custa $0.003 por minuto, ficando 50 por cento abaixo da antiga tarifa do Whisper. Para trabalho de alto volume e tolerante a imprecisões, como indexação de busca interna ou rascunhos, esse é o novo padrão.

Precisão melhorada pelo mesmo preço. O gpt-4o-transcribe custa os mesmos $0,006 por minuto que o whisper-1, mas é posicionado pela OpenAI como um modelo de transcrição mais preciso. Revisores independentes relatam uma taxa de erro de palavras menor que a do Whisper v3 em áudios de referência, embora os números exatos variem conforme o conjunto de testes, então trate qualquer porcentagem única que você vir online como uma direção, não como verdade absoluta.

Diarização de falantes agora é nativa. A antiga API do Whisper não tinha um jeito embutido de rotular falantes. O gpt-4o-transcribe-diarize adiciona detecção automática de falantes e retorna uma resposta diarized_json com rótulos de falante e timestamps de segmento, pela mesma taxa por minuto. Você ainda pode fornecer clipes de referência curtos para até quatro falantes conhecidos.

Transcrição em tempo real existe. A API clássica do Whisper era apenas em lote. A OpenAI agora oferece transcrição em tempo real via gpt-realtime-whisper ($0,017/min) e uma variante de tradução enquanto fala ($0,034/min), e o próprio gpt-4o-transcribe suporta respostas em streaming. A afirmação genérica de que "a API do Whisper não faz tempo real" agora só é verdadeira para o whisper-1 especificamente.

O Whisper continua aqui, e continua open source. A OpenAI não aposentou o whisper-1. Ele permanece na lista de modelos a $0,006 por minuto, e os pesos open source do Whisper ainda podem ser baixados gratuitamente do GitHub para hospedagem própria. O Whisper não foi renomeado. Agora ele é uma opção entre várias.

O Detalhe Que a Maioria dos Artigos Ignora: Por Que Você Ainda Precisa do whisper-1

Aqui está a coisa mais útil deste guia, e é o motivo pelo qual você não pode simplesmente migrar tudo cegamente para os modelos gpt-4o mais baratos.

Os modelos de transcrição gpt-4o abandonaram os timestamps em nível de palavra e as saídas de legenda. De acordo com o guia de speech-to-text da OpenAI, o whisper-1 suporta os formatos de resposta json, text, srt, verbose_json e vtt, além do parâmetro timestamp_granularities[] para timing de palavras e segmentos. Já os modelos gpt-4o-transcribe e gpt-4o-mini-transcribe suportam apenas json e text simples. Pedir verbose_json de um modelo gpt-4o retorna um erro dizendo para você usar json ou text no lugar.

O que isso significa na prática:

Então, se o seu fluxo de trabalho envolve criar legendas para vídeo, gerar subtítulos para um upload no YouTube ou alinhar uma transcrição a uma linha do tempo, os modelos mais novos e "melhores" não vão te dar os dados de timing que você precisa. Ou você fica no whisper-1, ou roda uma transcrição do gpt-4o por uma etapa separada de alinhamento. Para muitos pipelines de legenda, permanecer no Whisper é simplesmente a decisão certa, e esse é um motivo legítimo para ele não ir a lugar nenhum.

Os Limites de Arquivo de 25MB e 25 Minutos

Todo modelo de transcrição da OpenAI, antigo e novo, compartilha os mesmos dois limites rígidos em uma única requisição de API:

• Tamanho máximo de arquivo de 25MB. Arquivos acima de 25MB são rejeitados de cara.
• Duração máxima de áudio de 1500 segundos (25 minutos). Áudios mais longos retornam um erro de duração excedida, confirmado por vários desenvolvedores no fórum da comunidade OpenAI.

O limite de duração pega muita gente desprevenida, porque um podcast de uma hora comprimido em MP3 pode ficar tranquilamente abaixo de 25MB em tamanho, mas ainda assim estourar o limite de 25 minutos. Você precisa atender às duas restrições.

O que 25MB representa em diferentes formatos:

Repare que mesmo quando o tamanho do arquivo permite 52 minutos (MP3 a 64 kbps), o limite de 1500 segundos ainda te obriga a dividir qualquer coisa acima de ~25 minutos. Então, em 2026, o limite de duração, e não o tamanho do arquivo, costuma ser a restrição que realmente importa.

Como contornar os limites

Comprima antes de enviar. Para fala, converter um WAV para MP3 a 64 kbps reduz o tamanho do arquivo em 90% ou mais, sem perda significativa de precisão, porque 64 kbps preserva a faixa de frequência que o reconhecimento de fala realmente usa. O FFmpeg faz isso em um único comando.

Extraia o áudio do vídeo primeiro. Um MP4 de uma hora pode ter 500MB, mas a trilha de áudio dele em MP3 pode ficar bem abaixo de 25MB. Nunca envie vídeo para o endpoint de transcrição; a API ignora o fluxo de vídeo de qualquer forma, então você só está desperdiçando banda e provavelmente batendo no limite de tamanho à toa.

Divida arquivos longos em silêncios. Para qualquer coisa acima de 25 minutos, você precisa dividir em partes. Corte em pausas naturais, e não no meio de uma frase, senão você fica com palavras cortadas em cada fronteira e depois precisa remendar tudo. Mire em partes de 20 a 24 minutos para ficar confortavelmente abaixo dos dois limites.

Deixe um serviço cuidar disso. Se você prefere não montar um pipeline de compressão e divisão em blocos, o ConvertAudioToText faz o pré-processamento automaticamente. Você envia um arquivo longo (até 5 GB nos planos pagos, ou um link de até 24 horas) e ele cuida da extração, divisão e remontagem. Se você quer especificamente a saída do Whisper, a API da OpenAI ou o self-hosting é o seu caminho.

Self-Hosting do Whisper: Software Gratuito, Custo Real de Infraestrutura

Como o Whisper é código aberto, você pode executá-lo na sua própria GPU e não pagar nada à OpenAI por minuto. O modelo é gratuito para baixar, mas o poder computacional e a engenharia não são, e é por isso que as pessoas ainda pagam $0.006 (ou $0.003) por minuto.

Os pesos do large-v3 do Whisper precisam de uma GPU capaz para rodar em velocidades utilizáveis. Custos aproximados de nuvem:

A coluna de velocidade é o que determina o custo real. Uma A100 transcrevendo a 8x tempo real processa oito horas de áudio por hora de GPU, então o custo por hora de áudio fica em torno de $0.15 a $0.40. Uma T4 rodando perto do tempo real te leva a cerca de uma hora de áudio por hora de GPU.

Mas o aluguel bruto da GPU é a parte fácil da conta. O self-hosting também significa que você é dono de:

• Infraestrutura. Provisionamento, autoscaling, failover e uptime. Não é um esquema de implantar e esquecer.
• Orquestração de jobs. Uma fila, workers, retentativas e rastreamento de status. Você está reconstruindo o backend que uma API gerenciada te entrega de graça.
• Monitoramento. Jobs de GPU falham de maneiras próprias: erros de memória insuficiente, incompatibilidade de versão do CUDA, deriva de driver. Isso consome tempo de engenharia.
• Armazenamento e rede. Mover áudio para nós de GPU e armazenar resultados adiciona custo que é fácil esquecer quando você modela numa planilha.

Quando o self-hosting realmente ganha em custo? Como guia aproximado, só em volume alto e sustentado:

Meu viés: o ponto de equilíbrio parece ótimo no papel e bem pior quando você precifica o tempo de um engenheiro para construir e cuidar do pipeline. Baixei a coluna da API para a taxa de $0,003 do gpt-4o-mini-transcribe, o que empurra o ponto de equilíbrio para mais longe do que a matemática antiga de $0,006 sugeria. Se você está abaixo de algumas centenas de horas por mês, a API gerenciada é quase sempre o custo total de propriedade mais barato, uma vez que você conta as pessoas.

OpenAI vs a Concorrência: Taxas Verificadas em Junho de 2026

O preço por minuto é o número visível, mas raramente conta o custo total, porque os provedores baratos costumam cobrar extras separadamente. Aqui estão as taxas atuais, verificadas, de pay-as-you-go para as principais APIs de transcrição em lote.

Fontes: preços da Deepgram, preços da AssemblyAI, preços do Google Cloud STT, preços do AWS Transcribe, preços do Azure Speech.

O que a tabela realmente te diz

A história de barato versus Whisper virou em 2026. Comparações antigas afirmavam que a Deepgram saía mais em conta que o Whisper. Com os atuais $0,0043 por minuto da Deepgram Nova-3 para áudio pré-gravado, ela ainda supera a tarifa de $0,006 do whisper-1, mas já não vence o próprio gpt-4o-mini-transcribe da OpenAI, que custa $0,003. As opções batch realmente mais baratas e confiáveis hoje são o modelo mini da OpenAI, o tier batch da Azure (ambos a $0,003) e o modelo Universal da AssemblyAI (em torno de $0,0035 por hora na tarifa cobrada). A Deepgram segue competitiva, mas deixou de ser a líder de preço que era no batch.

"Por minuto" esconde os adicionais. Tanto a Deepgram quanto a AssemblyAI cobram diarização de falantes, resumo e outros recursos como itens separados. A taxa base Universal da AssemblyAI é baixa, mas identificação de falantes, análise de sentimento e resumo adicionam custo por hora por cima. A Deepgram adiciona cerca de $0.002 por minuto para diarização. O gpt-4o-transcribe-diarize da OpenAI, por outro lado, inclui rótulos de falantes na taxa fixa de $0.006 sem sobretaxa, o que pode torná-lo a opção mais barata quando você realmente precisa de diarização.

Provedores empresariais cobram mais e oferecem mais. O Google Cloud a $0.016 e o AWS Transcribe a $0.024 custam de três a quatro vezes a taxa mini da OpenAI, mas eles entregam streaming, diarização, vocabulário personalizado e SLAs reais. A AWS também oferece descontos por volume até cerca de $0.0078 por minuto em escala muito alta, e o Google tem uma camada de "lote dinâmico" a $0.003 para tarefas não urgentes. Se você já está dentro do GCP ou AWS e valoriza a integração e o SLA, o preço mais alto compra coisas reais.

A amplitude de idiomas ainda favorece as grandes nuvens e a OpenAI. O Google lidera com mais de 125 idiomas, os modelos gpt-4o cobrem mais de 99, e AWS e Azure ficam em torno de 100. Os 36 da Deepgram são mais limitados. Se você transcreve muitos idiomas a partir de uma única API, OpenAI e Google são as opções mais fortes.

Para uma comparação lado a lado mais aprofundada entre todos os provedores, veja nossa comparação de preços de APIs de transcrição de fala e o ranking completo das melhores APIs de transcrição de fala. Para um confronto direto especificamente contra o Google, leia Whisper vs Google Cloud Speech.

Quando a Transcrição da OpenAI é a Escolha Certa

Apesar do campo mais amplo, há casos claros em que os modelos de áudio da OpenAI são a melhor opção.

Uma alternativa gerenciada: preços do ConvertAudioToText com camada gratuita e planos mensais fixos, sem medição por minuto

Transcrição multilíngue em lote com preço acessível. Com mais de 99 idiomas nos modelos gpt-4o e um piso de $0,003, transcrever entrevistas em francês, japonês e português a partir de uma única API com preço consistente é difícil de superar. A maioria dos concorrentes ou cobra mais por idiomas não ingleses ou suporta menos línguas. Você pode testar a transcrição multilíngue e depois traduzir o resultado sem precisar de um serviço separado.

Fluxos de trabalho com legendas e timestamps (no whisper-1). Como abordado acima, se você precisa de SRT, VTT ou marcação de tempo por palavra, o whisper-1 é uma das poucas APIs de baixo custo que emite arquivos de legenda diretamente. Esse é um motivo real e específico para usá-lo.

Projetos de pequena escala e protótipos. Dez horas de áudio custam $1,80 no modelo mini. Sem assinatura, sem mínimo, sem infraestrutura. Para pesquisadores, desenvolvedores independentes e produtos em estágio inicial, isso é o suficiente para começar. O endpoint simples e a boa documentação tornam um protótipo funcional uma tarefa rápida, e você pode validar a experiência primeiro com nossa ferramenta gratuita de áudio para texto ou URL para texto.

Saída de emergência com código aberto. Como o Whisper é open source, você pode começar na API por conveniência e migrar para transcrição auto-hospedada com qualidade idêntica depois, se o seu volume justificar. Poucos serviços proprietários oferecem essa continuidade. Para saber mais sobre o caminho sem API, veja nosso guia de conversor gratuito de áudio para texto.

Estimando sua conta mensal de transcrição da OpenAI

Custos nas duas taxas comuns, para você escolher a linha que corresponde à escolha do seu modelo:

Esses valores cobrem apenas a transcrição. Se você também precisar de diarização, a linha gpt-4o-transcribe-diarize corresponde à coluna de $0,006 sem custo adicional. Se precisar de resumos, formatação ou geração de legendas por cima, leve isso em conta ou use uma plataforma como ConvertAudioToText, que reúne transcrição, resumos e exportações numa taxa mensal fixa. Veja a página de preços para os detalhes atuais dos planos.

Perguntas Frequentes

Quanto custa a API do OpenAI Whisper por minuto em 2026?

O modelo legado whisper-1 ainda custa $0,006 por minuto ($0,36 por hora), cobrado por segundo com base na duração real do áudio. Mas a OpenAI agora também oferece gpt-4o-mini-transcribe a $0,003 por minuto, que é metade do preço do Whisper, e gpt-4o-transcribe pelo mesmo $0,006 com melhor precisão. Então "o preço da API do Whisper" não é mais um número único. Consulte a página de preços da OpenAI para as tarifas oficiais atuais.

Qual é a diferença entre whisper-1 e gpt-4o-transcribe?

Ambos usam o mesmo endpoint de transcrição, mas o gpt-4o-transcribe é o modelo mais novo, mais preciso e suporta respostas em streaming. O detalhe importante são os formatos de saída: o whisper-1 pode retornar SRT, VTT, verbose_json e timestamps em nível de palavra, enquanto os modelos gpt-4o retornam apenas json ou texto puro. Se você precisa de arquivos de legenda ou timing preciso de palavras, ainda tem que usar o whisper-1. Para transcrições simples ou saída com identificação de falantes, os modelos gpt-4o são a escolha melhor.

Existe um plano gratuito para transcrição da OpenAI?

Não. Cada minuto é cobrado; não há plano gratuito permanente para nenhum dos modelos de áudio da OpenAI. Contas novas da OpenAI às vezes recebem um pequeno crédito único que pode ser usado na transcrição, mas isso é um crédito de introdução, não um plano gratuito contínuo. Para transcrição realmente gratuita, você pode hospedar o modelo Whisper de código aberto (você paga pela GPU em vez de por minuto) ou usar uma ferramenta web gratuita para tarefas pequenas.

A OpenAI já faz diarização de falantes?

Sim. A API original do Whisper não conseguia rotular falantes, mas o gpt-4o-transcribe-diarize adiciona detecção automática de falantes e retorna uma resposta diarized_json com rótulos de falante e timestamps de segmento, pelo mesmo preço de $0.006 por minuto da transcrição padrão, sem sobretaxa de diarização. Você pode opcionalmente fornecer clipes de referência curtos para até quatro falantes conhecidos para melhorar a rotulagem.

Qual é o limite de tamanho de arquivo para a API de transcrição da OpenAI?

Todos os modelos compartilham um tamanho máximo de arquivo de 25MB e uma duração máxima de áudio de 1500 segundos (25 minutos) por requisição. Você precisa atender aos dois, e o limite de duração costuma ser o que estoura primeiro, já que um podcast de uma hora pode ficar abaixo de 25MB, mas ainda passa muito dos 25 minutos. Para arquivos mais longos, extraia o áudio do vídeo, comprima para um MP3 de bitrate menor e divida em silêncios em pedaços que fiquem abaixo dos dois limites.

Qual é mais barato em 2026, OpenAI ou Deepgram?

Depende do modelo da OpenAI. O Deepgram Nova-3, a US$ 0,0043 por minuto para áudio pré-gravado, fica abaixo dos US$ 0,006 do whisper-1, mas não supera os US$ 0,003 do gpt-4o-mini-transcribe da OpenAI. O Deepgram também cobra cerca de US$ 0,002 por minuto extra para diarização, enquanto o modelo de diarização da OpenAI custa os mesmos US$ 0,006 fixos, com rótulos de falantes inclusos. Então, para transcrição simples e barata, o modelo mini da OpenAI vence; para streaming, o Deepgram é mais forte. Faça as contas para o seu conjunto exato de recursos em vez de comparar apenas os preços de tabela.

Posso usar a API Whisper da OpenAI para transcrição em tempo real?

O modelo legado whisper-1 é somente em lote e não faz tempo real. Porém, a OpenAI agora oferece o gpt-realtime-whisper a US$ 0,017 por minuto e o gpt-realtime-translate a US$ 0,034 por minuto para streaming ao vivo de baixa latência, e o gpt-4o-transcribe suporta respostas em streaming. Então a velha regra de que "o Whisper não lida com áudio ao vivo" agora vale só para o modelo específico whisper-1, não para a linha de transcrição da OpenAI como um todo. Para legendagem ao vivo com a menor latência, o Deepgram ainda é uma alternativa forte para servir de referência.

Como a transcrição por API se compara a contratar um transcritor humano?

Serviços de transcrição humana normalmente cobram de US$ 1,00 a US$ 3,00 por minuto de áudio, então, a US$ 0,003 a US$ 0,006 por minuto, a API da OpenAI é cerca de 200 a 1.000 vezes mais barata. Humanos ainda vencem em áudio difícil, com sotaques carregados, falantes sobrepostos ou ruído significativo, onde a precisão deles é difícil de igualar. Para gravações limpas, com um único falante, a diferença de precisão é pequena e a de custo é enorme, por isso a maioria das equipes hoje usa transcrição por IA para o primeiro rascunho e reserva a revisão humana para o áudio que realmente precisa dela.