Preços de API de Speech-to-Text em 2026: Custos Reais Comparados

Este guia compara as cinco APIs que a maioria dos times realmente coloca na lista final em 2026: AssemblyAI, OpenAI (família gpt-4o-transcribe), Deepgram, Google Cloud Speech-to-Text e AWS Transcribe. Todos os preços abaixo foram retirados da página de preços de cada fornecedor em junho de 2026 e estão linkados no final. Preços mudam, então sempre confirme na página ao vivo antes de fechar um valor no orçamento.

Se você quer análises mais aprofundadas, mantemos páginas dedicadas sobre preços do Google Cloud Speech-to-Text, preços do AWS Transcribe e preços da API OpenAI Whisper.

Tabela Completa de Comparação de Preços

Aqui está o comparativo lado a lado entre os cinco fornecedores, com dados de junho de 2026. As tarifas são para transcrição em lote padrão (pré-gravada), salvo indicação contrária. A AssemblyAI cobra por hora, os demais por minuto, então mostramos as duas colunas para manter a comparação justa.

AssemblyAI

$0.15/hr

OpenAI

$0.18/hr

Google Cloud

$0.24/hr

Deepgram

$0.46/hr

AWS Transcribe

$1.44/hr

Menor preço publicado por lote por provedor, 2026. Quanto menor, mais barato.

Algumas coisas mudaram desde que essa comparação foi escrita pela primeira vez no início de 2026:

• A AssemblyAI agora é o piso de preço para uma API completa. A transcrição assíncrona do Universal-2 custa $0.15 por hora, o que dá $0.0025 por minuto, com diarização de locutores e suporte a 99 idiomas inclusos.
• A OpenAI adicionou um modelo mais barato e diarização. O gpt-4o-mini-transcribe custa $0.003 por minuto, e o novo modelo gpt-4o-transcribe-diarize (lançado em outubro de 2025) traz rótulos de locutor embutidos para transcrições da família Whisper, algo que a antiga API do Whisper nunca teve.
• A Deepgram não é mais a mais barata. O Nova-3 pay-as-you-go custa $0.0077 por minuto ($0.46/hora), acima das tarifas do Nova-2 que fizeram da Deepgram a vencedora em custo-benefício em 2024 e 2025.
• A tarifa padrão do Google agora é $0.016 por minuto na API V2 com modelos Chirp, e há um nível separado de lote dinâmico de 24 horas a $0.004 por minuto para cargas de trabalho que podem esperar.

Comparação de preços entre os cinco principais provedores de API de transcrição de fala em 2026

Entendendo o Modelo de Preço de Cada Provedor

Preços da AssemblyAI

A AssemblyAI cobra por hora de áudio e fatura separadamente o uso assíncrono (pré-gravado) e o streaming.

• Universal-2 (assíncrono): US$ 0,15 por hora (US$ 0,0025 por minuto)
• Universal-3.5 Pro (assíncrono): US$ 0,21 por hora (US$ 0,0035 por minuto)
• Universal Streaming (tempo real): US$ 0,15 por hora
• Universal-3.5 Pro Realtime: US$ 0,45 por hora
• Crédito grátis: US$ 50 na inscrição, sem precisar de cartão

O ponto de atenção com o streaming da AssemblyAI é a unidade de cobrança. O streaming é cobrado por duração da sessão, ou seja, o tempo em que a conexão WebSocket fica aberta, não o tamanho do áudio que você realmente envia. Se você mantiver um stream aberto durante longos silêncios, paga por esse tempo ocioso. Para transcrição assíncrona isso não é um problema, porque você paga pelo áudio que submete.

Diarização, timestamps em nível de palavra e detecção de idioma estão incluídos na taxa base assíncrona. A AssemblyAI publica cobertura de 99 idiomas para transcrição assíncrona, com um conjunto menor para streaming multilíngue em tempo real.

A AssemblyAI anunciou que, a partir de 1º de julho de 2026, os preços dos modelos na região sobem cerca de 10%, mas você pode manter as tarifas atuais adicionando "model_region": "global" às suas requisições. Confirme a taxa vigente antes de fechar um contrato.

Preços da OpenAI (família gpt-4o-transcribe)

Os preços de transcrição de áudio da OpenAI agora formam uma pequena família de modelos, em vez do único endpoint Whisper de antes.

• gpt-4o-transcribe: US$ 0,006 por minuto (estimado; cobrado por token)
• gpt-4o-mini-transcribe: US$ 0,003 por minuto (estimado; cobrado por token)
• gpt-4o-transcribe-diarize: transcrição com rótulos de falante integrados
• Sem camada gratuita, sem descontos por volume

Duas correções à sabedoria convencional de antigamente. Primeiro, a OpenAI agora tem uma opção de $0,003/min no gpt-4o-mini-transcribe, que fica abaixo da taxa legada de $0,006 do Whisper. Segundo, a reclamação antiga de que "o Whisper não tem diarização" não se sustenta mais: o gpt-4o-transcribe-diarize traz identificação de falantes e ainda consegue mapear segmentos para até quatro falantes conhecidos via áudio de referência.

As limitações restantes são reais. A API de transcrição é somente em lote, então não há streaming em tempo real de verdade como Deepgram, AssemblyAI e Google oferecem. O modelo diarize exige uma chunking_strategy para áudio com mais de 30 segundos e não suporta prompts ou granularidades de timestamp. Para muita carga de trabalho de podcast, entrevista e reunião que entrega um arquivo finalizado, nada disso importa e o preço é difícil de bater.

Preços da Deepgram

Os preços da Deepgram giram em torno do modelo Nova-3 em 2026.

• Nova-3 monolíngue (pague conforme usar): $0,0077 por minuto ($0,46 por hora)
• Nova-3 multilíngue: $0,0092 por minuto
• Plano Growth: cerca de $0,0065 por minuto com compromisso anual pré-pago (aproximadamente 16% de desconto)
• Crédito grátis: $200, sem precisar de cartão

A Deepgram cobra por segundo de áudio, então um clipe de 37 segundos custa exatamente o equivalente a 37 segundos, não um minuto arredondado. Isso ajuda se você processa muitos clipes curtos.

A Deepgram não é mais a opção mais barata. A taxa do Nova-2 de cerca de $0,0043 por minuto, que a tornava a escolha econômica, está sendo descontinuada do preço público em favor do Nova-3 a $0,0077. A Deepgram ainda garante seu lugar na lista final por streaming de baixa latência, boa precisão em inglês e cobrança por segundo, mas a regra de ouro de 2024 de que "a Deepgram é sempre a mais barata" está ultrapassada. Sites secundários ainda citam o valor antigo de $0,0043; trate qualquer número tão baixo assim como preço legado do Nova-2 e confira o seletor ao vivo.

Preços do Google Cloud Speech-to-Text

Google Cloud Speech-to-Text reorganizou seus preços em torno da API V2 e dos modelos Chirp.

• Reconhecimento em tempo real padrão (Chirp, V2): US$ 0,016 por minuto (US$ 0,96 por hora)
• Lote dinâmico: US$ 0,004 por minuto (US$ 0,24 por hora), resultados entregues em até 24 horas
• Camada gratuita: 60 minutos por mês, contínua, sem expiração

Os preços anteriores tinham camadas separadas, padrão (US$ 0,024) e aprimorada (US$ 0,036). A API V2 junta Chirp, Chirp 2 e Chirp 3 na mesma tarifa de US$ 0,016 por minuto, sem custo extra por modelo, o que é mais simples e mais barato que a antiga camada aprimorada. O lote dinâmico a US$ 0,004 por minuto sai 75% mais barato que o tempo real e atende qualquer carga que não precise de resposta instantânea, como processamento de arquivos durante a noite.

Contas novas do Google Cloud também ganham US$ 300 em créditos na plataforma, com validade de 90 dias, separados da franquia mensal gratuita de 60 minutos específica do Speech-to-Text.

Preços do AWS Transcribe

O AWS Transcribe mantém uma tarifa padrão única, com descontos automáticos por volume que entram conforme você escala.

• Camada 1 (primeiros 250.000 min/mês): US$ 0,024 por minuto
• Camada 2 (250 mil a 1 milhão de min/mês): US$ 0,015 por minuto
• Camada 3 (1 milhão a 5 milhões de min/mês): US$ 0,0102 por minuto
• Camada 4 (5 milhões+ min/mês): US$ 0,0078 por minuto

A AWS cobra em incrementos de um segundo, com mínimo de 15 segundos por requisição. Esse piso de 15 segundos pesa de verdade se você processa muitos clipes curtos, porque um clipe de 4 segundos ainda é cobrado como 15. A camada gratuita é de 60 minutos por mês, apenas nos primeiros 12 meses, e depois disso cada minuto é cobrado.

Os descontos por volume são o motivo pelo qual a AWS continua na conversa em escala. Acima de 250.000 minutos por mês (cerca de 4.167 horas), o preço cai para $0,015, e as faixas seguem diminuindo até $0,0078 acima de 5 milhões de minutos mensais. Para uma empresa que já vive no ecossistema AWS e mantém áudio no S3, a integração entre serviços somada a esses descontos automáticos pode superar o preço de tabela mais alto.

Custo em Escala: Recalculado para 2026

As tarifas por minuto são fáceis de comparar, mas o que importa de verdade é a fatura. Aqui estão os custos mensais reais em três faixas de volume, recalculados com as tarifas atuais de 2026 acima. Todos os valores usam o modelo padrão de batch mais barato de cada provedor.

100 Horas por Mês (6.000 minutos)

Típico para um produto de transcrição com algumas centenas de usuários ativos, uma rede de podcasts processando episódios semanais ou um time de suporte pequeno.

Com 100 horas, o AssemblyAI Universal-2 custa cerca de 90% menos que o padrão da AWS e 84% menos que a tarifa em tempo real do Google. O modelo mini da OpenAI e a faixa de batch de 24 horas do Google são ambos mais baratos que o Deepgram. Esse é o sinal mais claro de que o veredito mudou desde 2024.

1.000 Horas por Mês (60.000 minutos)

Um produto em crescimento, um contact center de médio porte ou uma empresa de mídia processando conteúdo em escala.

Com 1.000 horas, a AssemblyAI processa o mesmo volume por $150, enquanto a AWS cobra $1.440 no plano standard. Isso representa mais de $15.000 economizados por ano em relação ao preço de tabela da AWS, antes de qualquer desconto por volume (que, nesse volume, nem se aplica).

10.000 Horas por Mês (600.000 minutos)

Escala empresarial: centrais de atendimento globais, arquivos de mídia extensos, gravações para conformidade ou uma API que atende milhares de desenvolvedores.

Na escala empresarial, os descontos por volume da AWS finalmente entram em ação: 600.000 minutos são cobrados como os primeiros 250.000 a $0,024 ($6.000) mais 350.000 a $0,015 ($5.250), totalizando $11.250, em vez de $14.400 na tarifa fixa. Mesmo assim, a AssemblyAI Universal-2 a $1.500 sai cerca de $9.750 por mês mais barata que a AWS com desconto. Nesse volume, todo provedor também negocia taxas personalizadas, então trate os preços de tabela como ponto de partida, não como fatura final.

Custos Ocultos que Você Deve Conhecer

A taxa por minuto é só parte da conta. Vários outros custos podem mexer de verdade no seu gasto total.

Cobranças Mínimas e Arredondamento

A forma como um provedor arredonda faz diferença quando você processa muitos clipes curtos:

• AWS Transcribe: incrementos de um segundo, com mínimo de 15 segundos por requisição. Um clipe de 4 segundos é cobrado como 15.
• Deepgram: cobrado por segundo, sem mínimo documentado, o que é o mais vantajoso para clipes curtos.
• Google Cloud: historicamente cobrado em incrementos de 15 segundos, arredondados para cima.
• AssemblyAI streaming: cobrado por duração da sessão, então o tempo de conexão ociosa conta.

Se seu volume de trabalho são milhares de clipes minúsculos (comandos de voz, recados de voz curtos), essas regras podem fazer seu custo efetivo por minuto disparar bem acima da taxa anunciada.

Custos de Transferência de Dados e Egress

Google Cloud e AWS cobram por egress de dados quando os resultados saem da nuvem deles. Como referência aproximada:

• Google Cloud: cerca de $0,12 por GB no primeiro nível de egress por mês
• AWS: cerca de $0,09 por GB no primeiro nível de egress por mês
• AssemblyAI, OpenAI, Deepgram: sem taxas de egress, os resultados vêm na resposta da API

O texto da transcrição é minúsculo (alguns KB por hora de áudio), então o egress nos resultados é irrelevante. O custo real de dados está em enviar o áudio de origem para o armazenamento na nuvem primeiro. Uma hora de WAV em qualidade de CD tem cerca de 635 MB, então 10.000 horas por mês significa ingerir centenas de terabytes de áudio.

Custos de Armazenamento de Áudio

Se você mantém o áudio de origem para conformidade, reprocessamento ou controle de qualidade:

• Google Cloud Storage (Standard): cerca de $0,020 por GB/mês
• AWS S3 (Standard): cerca de $0,023 por GB/mês
• Cloudflare R2: cerca de $0,015 por GB/mês, sem taxas de egress

Para arquivos grandes, um provedor sem egress como o Cloudflare R2 economiza dinheiro de verdade com o tempo. As taxas de armazenamento mudam, então confirme na página de preços atual da sua região.

Pré-processamento de Áudio e Limites de Arquivo

Nem toda API aceita todos os formatos nativamente, e algumas têm limites de tamanho de arquivo que forçam a divisão em partes:

• OpenAI historicamente impõe um limite de 25 MB por requisição, então gravações longas precisam ser divididas.
• AWS Transcribe espera áudio no S3 ou transmitido em formatos específicos.
• Deepgram, AssemblyAI e Google Cloud aceitam uma ampla variedade de formatos de entrada.

Se sua fonte é vídeo ou um codec incomum, considere o tempo de processamento com FFmpeg, o custo computacional para extração de áudio e o armazenamento temporário para arquivos intermediários. Essa sobrecarga de engenharia é um custo real, mesmo que nunca apareça na fatura da API.

Sobrecarga de SDK e Integração

Google Cloud e AWS exigem seus SDKs de nuvem, configuração de IAM e toda a parte de autenticação. AssemblyAI, OpenAI e Deepgram oferecem APIs REST mais simples, que você pode acessar com uma única requisição HTTP autenticada. Para um time pequeno, essa diferença representa dias a menos de trabalho de integração e manutenção.

Custos ocultos em um pipeline de transcrição de fala além da taxa por minuto

Qual API Vence para o Seu Caso de Uso?

Não existe uma única melhor API de transcrição de fala. A escolha certa depende do volume, dos recursos, da infraestrutura existente e do orçamento.

Melhor para Custo Mais Baixo

Vencedor: AssemblyAI Universal-2 ($0,0025/min) ou OpenAI gpt-4o-mini-transcribe ($0,003/min)

Se o preço é o fator decisivo e você precisa de uma API completa com diarização, a AssemblyAI Universal-2 é o piso, a $0,15 por hora. Se você só precisa de transcrição em lote e pode viver sem streaming em tempo real, o modelo mini da OpenAI a $0,003 por minuto vem logo atrás, com boa precisão. O tier de lote dinâmico do Google ($0,004/min) é uma terceira opção econômica sólida quando um prazo de 24 horas é aceitável.

Melhor para Tempo Real e Streaming

Vencedor: Deepgram ou AssemblyAI

Deepgram é feito para streaming de baixa latência com resultados provisórios, endpointing e cobrança por segundo, e continua sendo uma das melhores opções para legendagem ao vivo e agentes de voz, mesmo com a taxa mais alta do Nova-3. O Universal Streaming da AssemblyAI, a US$ 0,15 por hora, é competitivo em preço, com endpointing inteligente e diarização. A OpenAI não é uma opção aqui, porque a API de transcrição dela é somente em lote.

Melhor para Empresas e Alto Volume

Vencedor: AWS Transcribe (com descontos por volume) ou AssemblyAI (com contrato empresarial)

Em escala empresarial, a conversa sai dos preços de tabela e vai para as taxas negociadas. Os descontos automáticos por volume da AWS, em 250 mil, 1 milhão e 5 milhões de minutos por mês, tornam a plataforma competitiva sem precisar de uma ligação comercial, e a integração é direta se você já roda na AWS. Se você não está preso a uma nuvem, a taxa por hora da AssemblyAI continua mais barata em todos os níveis de volume, e ela ainda negocia preços empresariais por cima.

Melhor para Aplicações Multilíngues

Vencedor: Google Cloud ou AssemblyAI

Os modelos Chirp do Google Cloud cobrem um conjunto bem amplo de idiomas, com forte precisão em línguas não inglesas, tudo pela taxa fixa de US$ 0,016 por minuto. A AssemblyAI publica cobertura de 99 idiomas para transcrição assíncrona a US$ 0,0025 por minuto, o que a torna ao mesmo tempo abrangente e barata para arquivos finalizados. Os modelos da OpenAI lidam bem com muitos idiomas e alternância de código, mas só em lote.

Melhor para Diarização de Falantes

Vencedor: AssemblyAI, com a OpenAI agora sendo uma concorrente de verdade

A AssemblyAI inclui diarização na taxa assíncrona base. A mudança notável de 2026 é o gpt-4o-transcribe-diarize da OpenAI, que adiciona rótulos de falante embutidos à família Whisper pela primeira vez e consegue mapear segmentos para falantes conhecidos. Deepgram, Google Cloud e AWS também suportam diarização, então isso deixou de ser um diferencial que força uma escolha única.

Quando um Serviço Gerenciado Supera a API Crua

Cada opção acima é uma API crua. A pergunta real para muitas equipes é construir versus comprar. O preço por minuto na lista é a menor parte do custo total quando você soma engenharia de integração, autenticação, pré-processamento de áudio (FFmpeg, conversão de formato, divisão em partes por limites de tamanho de arquivo), lógica de retry, armazenamento e a manutenção contínua de tudo isso.

Planos do ConvertAudioToText: US$ 14,99 fixos por mês para transcrição ilimitada em vez de uma conta por minuto medida

É essa lacuna que o ConvertAudioToText preenche. A gente processa cada arquivo no nosso motor premium ou no nosso motor padrão, então você recebe a transcrição sem escolher nem pagar por uma API. Você envia um áudio ou cola uma URL, e recebe uma transcrição formatada com diarização de falantes, vários formatos de exportação (SRT, VTT, TXT), além de um gerador de legendas e uma camada de transcrição de reuniões por cima, sem precisar manter nenhuma parte da infraestrutura de API.

Se você prefere mesmo o caminho da API crua, nosso guia de melhores APIs de speech-to-text mostra integração e exemplos de código. Compre o serviço gerenciado quando seu custo real for tempo de engenharia; integre a API diretamente quando você tiver escala e equipe para manter o pipeline.

Perguntas Frequentes

Qual é a API de speech-to-text mais barata em 2026?

AssemblyAI Universal-2 a US$ 0,0025 por minuto (US$ 0,15 por hora) é a API de transcrição de fala para texto mais barata com recursos completos, incluindo diarização e suporte a 99 idiomas. O gpt-4o-mini-transcribe da OpenAI vem logo atrás, a US$ 0,003 por minuto, mas só para transcrição em lote. Se um prazo de 24 horas for aceitável, o nível dinâmico em lote do Google Cloud, a US$ 0,004 por minuto, é outra opção econômica forte. A Deepgram, que foi a mais barata em 2024 e 2025, agora custa US$ 0,0077 por minuto com o Nova-3 e não é mais a vencedora em preço.

A Deepgram ainda tem o menor preço por minuto?

Não. A taxa do Nova-2 da Deepgram, em torno de US$ 0,0043 por minuto, a tornou a escolha econômica em anos anteriores, mas a taxa atual do Nova-3 no modelo pay-as-you-go é de US$ 0,0077 por minuto (US$ 0,46 por hora). Tanto a AssemblyAI (US$ 0,0025/min) quanto o modelo mini da OpenAI (US$ 0,003/min) são mais baratos agora. A Deepgram ainda compete forte em latência de streaming e cobrança por segundo, só não no preço de destaque. Alguns sites de comparação ainda citam o valor antigo de US$ 0,0043, então confira na página de preços ao vivo da Deepgram.

O Google Cloud Speech-to-Text tem um nível gratuito?

Sim. O Google Cloud oferece 60 minutos de transcrição gratuita por mês, sem limite de tempo, e isso vale indefinidamente. Contas novas do Google Cloud também recebem US$ 300 em créditos na plataforma, que expiram após 90 dias. O nível gratuito do AWS Transcribe também é de 60 minutos por mês, mas só nos primeiros 12 meses; depois disso, cada minuto é cobrado.

A API de transcrição da OpenAI já faz diarização de falantes?

Sim. A antiga API do Whisper não conseguia rotular falantes, mas a OpenAI lançou o gpt-4o-transcribe-diarize em outubro de 2025, que adiciona identificação de falantes integrada e pode mapear segmentos para até quatro falantes conhecidos usando áudio de referência. A principal limitação é que a API de transcrição da OpenAI ainda é só em lote, então não há streaming em tempo real como a Deepgram, a AssemblyAI e o Google oferecem. O modelo de diarização também exige uma estratégia de divisão em blocos para áudios com mais de 30 segundos.

Como estimo meu custo mensal com API de speech-to-text?

Calcule seu volume mensal de áudio em minutos e multiplique pela taxa por minuto do provedor e modelo escolhidos. Por exemplo, 500 horas por mês na AssemblyAI Universal-2 são 500 horas x 60 minutos x $0.0025 = $75 por mês. Fique de olho na unidade de cobrança: a AWS tem um mínimo de 15 segundos por requisição, a AssemblyAI cobra por sessão de streaming (tempo ocioso incluso), e a Deepgram cobra por segundo. Depois, some custos ocultos como armazenamento de áudio, egress de dados no Google Cloud e na AWS, e qualquer processamento de pré-tratamento para conversão de formato.

Streaming ou transcrição em lote é mais barato?

O lote (pré-gravado) costuma ser mais barato ou igual, porque o streaming em tempo real exige infraestrutura dedicada e gerenciamento de WebSocket. O lote dinâmico do Google custa $0.004 por minuto contra $0.016 do tempo real, uma diferença de 75%. A AssemblyAI cobra $0.15 por hora tanto para assíncrono quanto para streaming básico, mas o streaming é cobrado pela duração da sessão, não pelo tamanho do áudio. Se sua carga de trabalho não precisa de resposta instantânea, o lote é quase sempre a escolha econômica mais acertada.

Posso trocar de API de speech-to-text sem reconstruir meu aplicativo?

O fluxo principal (enviar áudio, receber texto) é parecido entre os provedores, então trocar significa principalmente mudar seu código de integração, autenticação e, possivelmente, seu pipeline de pré-processamento. Para manter a troca barata, abstraia sua lógica de transcrição por trás de uma interface interna, assim você pode trocar de provedor sem mexer no resto do app. Um serviço gerenciado como ConvertAudioToText cuida dessa abstração para você e roda vários mecanismos por baixo dos panos, então você tem transcrição confiável sem precisar manter as integrações.

A Conclusão Final

O veredito de 2026 é diferente do de 2024. AssemblyAI e o modelo mini da OpenAI agora lideram em preço, a Deepgram caiu para o meio do pelotão com a Nova-3, e o tier batch V2 do Google é um bom negócio para trabalho não urgente. Faça uma lista curta com base nos recursos que sua carga de trabalho realmente precisa, rode seu volume real pelas tabelas de custo acima e confirme cada número na página de preços ao vivo do fornecedor antes de se comprometer, porque essas tarifas mudam e pelo menos uma (o preço in-region da AssemblyAI) estava programada para mudar dias depois desta publicação.

Se sua verdadeira limitação é tempo de engenharia em vez de custo por minuto, um pipeline gerenciado como ConvertAudioToText elimina toda a integração e o pré-processamento. Se você tem escala e equipe, integre direto a API mais barata que atenda suas necessidades de recursos.

Qual API de transcrição de fala é melhor para alto volume?

Em escala empresarial, os descontos automáticos por volume do AWS Transcribe (até $0,0078 por minuto acima de 5 milhões de minutos por mês) o tornam competitivo sem precisar de uma ligação comercial, especialmente se seu áudio já vive no S3. Se você não está preso a uma nuvem, a AssemblyAI continua mais barata em todos os tiers de volume no preço de tabela e ainda negocia tarifas empresariais personalizadas por cima. Trate todos os preços de tabela como ponto de partida nessa escala, porque todo fornecedor negocia.