Una API speech-to-text transcribe el audio hablado a texto escrito. Subes una grabación o pasas su URL, o transmites audio en directo, y la API devuelve la transcripción, con marcas de tiempo, etiquetas de altavoz o archivos de subtítulos en los modelos que las soportan.
Una API speech-to-text, también llamada API de transcripción o reconocimiento automático de voz (ASR), convierte las palabras habladas en un archivo de audio o vídeo en texto. El resultado más sencillo es una transcripción simple. Dependiendo del modelo, la API también puede devolver:
Muchos modelos detectan el lenguaje hablado automáticamente, y algunos aceptan una lista de términos clave, como nombres de productos o jerga, para reconocerlos con mayor fiabilidad.
Para una grabación, envíe DESPUÉS /v1/audio/transcriptions con el ID del modelo y bien el archivo como carga multiparte o su URL HTTPS en file_url. La API devuelve la transcripción en la respuesta. Una transcripción larga puede devolver en su lugar un ID de trabajo, al que se consulta ¡QUE /v1/jobs/{job_id}, y el encabezado Preferir: respond-async pide un ID de trabajo de inmediato.
Para el habla cuando ocurre, como una llamada o un evento en directo, los modelos de transcripción en directo transmiten texto de vuelta a través del voz en tiempo real WebSocket en /v1/realtime. Dependiendo del modelo, las palabras parciales llegan mientras la persona habla, y en cada pausa llega una transcripción establecida.
Comparaciones de modelos lado a lado mostrar las capacidades y tasas de dos modelos juntos.
Explora la Modelos de transcripción y subir una grabación en el Playground para probar uno. Para llamar a un modelo, crea una clave API en el panel de control y envía el audio a https://api.empiriolabs.ai/v1/audio/transcriptions. El Referencia de transcripción enumera los campos de solicitud y los formatos de respuesta, y el Guía de la API de voz en tiempo real cubre la transcripción en directo.
Paga conforme vayas o elige un plan con asignaciones semanales. Las tarifas actuales están en el página de precios.
13 modelos, del más barato al más caro cuando comparten unidad de facturación. La página de cada modelo tiene su tarjeta de precios completa, parámetros y código.
Endpoints
/v1/audio/transcriptions WEBSOCKET /v1/realtimePrecio por minuto u hora de audio
| Modelo | Tarifa más baja | Se aplica a |
|---|---|---|
| StepAudio 2.5 ASR StepFun | $0.05 por hora de audio | Transcripción |
| Qwen Audio 3.0 ASR Alibaba Cloud | $0.252 por hora de audio | Transcripción |
| Whisper Large v3 Turbo OpenAI | $0.042$0.005 por minuto de audio | Transcripción controlada |
| StepAudio 2.5 ASR Stream StepFun | $0.40 por hora de audio | Transcripción |
| StepAudio 3 ASR Max StepFun | $0.60 por hora de audio | Transcripción |
| Qwen Audio 3.0 ASR Stream Alibaba Cloud | $0.648 por hora de audio | Transcripción |
| Deepgram Nova-3 Deepgram | $0.014 por minuto de audio | Transcripción |
| Deepgram Nova-3 Stream Deepgram | $0.025 por minuto de audio | Transcripción |
| OpenAI Whisper 1 OpenAI | $0.030 por minuto | Por minuto de audio |
También disponibles: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message
Sí. El reconocimiento automático de voz (ASR) es el nombre técnico para convertir el habla en texto, y una API de speech-to-text o de transcripción lo pone a disposición de tu código.
Sí, en modelos que soportan diarización. La transcripción etiqueta cada parte con un altavoz, así puedes ver quién dijo qué.
Sí. Los modelos de transcripción en directo transmiten texto de vuelta a través de un WebSocket mientras la persona está hablando. Las grabaciones usan en su lugar el endpoint de transcripción de archivos.
Sí, en modelos que devuelven SRT o VTT. Estos formatos de subtítulos llevan cada línea de texto con su hora de inicio y fin.
La mayoría de los modelos facturan por la duración del audio, por minuto o por hora, y algunos facturan por tokens de audio. En EmpirioLabs AI puedes pagar conforme avanzas o elegir un plan con asignaciones semanales.
StepAudio 2.5 ASR publica la tarifa por minuto de audio más baja de los 9 modelos de Transcripción con ese tipo de precio, seguido de Qwen Audio 3.0 ASR, Whisper Large v3 Turbo. La tabla de precios de esta página muestra la tarifa más baja de cada modelo y a qué se aplica.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.