¿Qué es una API speech-to-text?

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.

Tipos de modelos

Lo que hace una API speech-to-text

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:

  • Marcas de tiempo Para cada segmento o palabra, para subtítulos y reproducción buscable.
  • Etiquetas de altavoces Ese Mark que decía cada parte de una conversación, una característica llamada diarización.
  • Archivos de subtítulos en formato SRT o VTT.
  • Formato de puntuación, números y fechas, y enmascaramiento de información personal.
  • Traducción del habla al inglés, o a otros idiomas en modelos diseñados para subtitulación.

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.

Transcripción de archivos y transcripción en vivo

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.

Para qué se utiliza speech-to-text

  • Reuniones y llamadas. Notas y resúmenes consultables cuando pasas la transcripción a un LLM API.
  • Subtítulos y subtítulos. Texto cronometrado para vídeos, cursos y transmisiones en directo.
  • Entrada de voz. Dictado, mensajes de voz y órdenes habladas en las apps.
  • Archivos multimedia. Transcripciones que hacen que los podcasts y vídeos sean buscables.
  • Localización. Transcripciones y pistas de subtítulos traducidas que preparan un vídeo para otros idiomas.

Qué comparar entre modelos de transcripción

  • Precisión en tu audio. Prueba con grabaciones reales que incluyan tus acentos, ruido de fondo, diafonía y vocabulario de dominio.
  • Lenguas y dialectos. Revisa todos los idiomas que necesites, incluido el habla que mezcla idiomas.
  • Detalle de salida. Marcas temporales de Word, etiquetas de altavoces, formatos de subtítulos y opciones de formato.
  • Archiva o vive en vivo. Los subtítulos en directo necesitan un modelo que transmita a través del WebSocket. Las grabaciones terminadas van al endpoint del archivo.
  • Precio. La mayoría de los modelos de transcripción facturan por la duración del audio, por minuto o por hora, y algunos facturan por tokens de audio, por lo que el coste aumenta con la duración de la grabación.

Comparaciones de modelos lado a lado mostrar las capacidades y tasas de dos modelos juntos.

Intenta llamar a un modelo de transcripción en EmpirioLabs AI

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.

Modelos de Transcripción en EmpirioLabs AI

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

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime

Precio por minuto u hora de audio

ModeloTarifa más bajaSe aplica a
StepAudio 2.5 ASR StepFun$0.05 por hora de audioTranscripción
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 por hora de audioTranscripción
Whisper Large v3 Turbo OpenAI$0.042$0.005 por minuto de audioTranscripción controlada
StepAudio 2.5 ASR Stream StepFun$0.40 por hora de audioTranscripción
StepAudio 3 ASR Max StepFun$0.60 por hora de audioTranscripción
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 por hora de audioTranscripción
Deepgram Nova-3 Deepgram$0.014 por minuto de audioTranscripción
Deepgram Nova-3 Stream Deepgram$0.025 por minuto de audioTranscripción
OpenAI Whisper 1 OpenAI$0.030 por minutoPor minuto de audio

También disponibles: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

Preguntas frecuentes

¿Es speech-to-text igual que ASR?

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.

¿Puede una API speech-to-text distinguir entre diferentes altavoces?

Sí, en modelos que soportan diarización. La transcripción etiqueta cada parte con un altavoz, así puedes ver quién dijo qué.

¿Puedo transcribir audio en directo?

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.

¿Puedo obtener subtítulos desde una API de transcripción?

Sí, en modelos que devuelven SRT o VTT. Estos formatos de subtítulos llevan cada línea de texto con su hora de inicio y fin.

¿Cómo se speech-to-text precio?

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.

¿Qué modelo de Transcripción cuesta menos en EmpirioLabs AI?

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.

¿Listo para usar mejores endpoints?

Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.