---
title: "Precios de API de voz a texto por minuto (2026) | BroadRouter"
description: "Precio por minuto y por 1,000 horas de OpenAI, Google, AWS, Deepgram, AssemblyAI, Speechmatics, Groq y BroadNet Transcribe, según sus páginas oficiales, y extras."
url: https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/speech-to-text-api-pricing-compared/) (actualizado el 2026-11-15).

# Precios de API de voz a texto comparados: precio por minuto en 2026

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado 2026-11-14 · Actualizado 2026-11-15

Las API de voz a texto por lotes cuestan aproximadamente entre USD 0.0007 y 0.016 por minuto de audio a precio de lista en noviembre de 2026. Deepgram Nova-3 cobra USD 0.0043, el actual gpt-transcribe de OpenAI USD 0.0045, AWS Transcribe USD 0.006 y Google V2 estándar USD 0.016. BroadNet Transcribe cuesta $0.002 por minuto en 14 idiomas, y BroadNet Transcribe Arabic $0.0042.

## Puntos clave

-   Los precios de lista de la transcripción por lotes varían más de 20x: de unos USD 0.04 a USD 0.96 por hora de audio.
-   Los extras cambian la factura: la diarización, la redacción de datos personales (PII) y el streaming pueden cobrarse aparte.
-   Compare por cada 1,000 horas, la unidad en que se mide la mayor parte del volumen, e incluya los mínimos de facturación.
-   BroadNet Transcribe cuesta $0.12 por hora de audio; BroadNet Transcribe Arabic cuesta $0.25, o $252.00 por cada 1,000 horas.
-   El precio es solo la mitad de la decisión. Mida la tasa de error por palabra con su propio audio antes de cambiar de proveedor.

**En esta página**

1.  ¿Cuánto cuestan las API de voz a texto por minuto y por cada 1,000 horas?
2.  ¿Qué deja fuera el precio base?
3.  ¿Cuánto cuesta transcribir 10,000 notas de voz al mes?
4.  ¿Qué importa además del precio?
5.  Dónde encaja BroadNet Transcribe

El precio de la voz a texto parece sencillo: un precio por minuto de audio. En la práctica, los proveedores cotizan por minuto, por hora o por segundo, separan el procesamiento por lotes del streaming y venden la diarización y la redacción de datos como extras. Esta página pone las principales API en una misma escala, con precios que obtuvimos de la página oficial de cada proveedor el **14 y 15 de noviembre de 2026** (cada fuente indica su fecha más abajo).

Todos los precios son de lista, de pago por uso, en dólares estadounidenses y para audio por lotes (pregrabado), salvo que se indique lo contrario. No incluyen descuentos por volumen ni contratos.

## ¿Cuánto cuestan las API de voz a texto por minuto y por cada 1,000 horas?

| Proveedor y modelo | Por minuto | Por hora | Por 1,000 horas |
| --- | --- | --- | --- |
| Groq, Whisper Large v3 Turbo | unos USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR, precio por tiempo limitado (50% de descuento sobre el de lista) | unos USD 0.00097 | USD 0.058 | USD 58 |
| Soniox, asíncrono (facturado por token; “about” por hora) | unos USD 0.00167 | unos USD 0.10 | unos USD 100 |
| Groq, Whisper Large v3 | unos USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR, precio de lista | unos USD 0.00193 | USD 0.116 | USD 116 |
| [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-transcribe/) (14 idiomas) | $0.002 | $0.12 | $120.00 |
| AssemblyAI, Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI, gpt-4o-mini-transcribe (obsoleto, deja de funcionar el 2027-02-26) | USD 0.003 | USD 0.18 | USD 180 |
| Google, V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI, Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics, Melia 1 multilingüe (56 idiomas) | USD 0.004 | USD 0.24 | USD 240 |
| [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | $252.00 |
| Deepgram, Nova-3 monolingüe | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI, gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram, Nova-3 multilingüe | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI, whisper-1 / gpt-4o-transcribe (obsoletos, dejan de funcionar el 2027-02-26) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe, por lotes (US East) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics, Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics, Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google, V2 estándar (primeros 500,000 min) | USD 0.016 | USD 0.96 | USD 960 |

Las cifras por hora y por cada 1,000 horas son cálculos nuestros a partir del precio unitario publicado (por minuto x 60, luego x 1,000). Groq, DeepSeek, AssemblyAI y Speechmatics publican precios por hora; para la columna por minuto los dividimos entre 60. La [página de precios](https://api-docs.deepseek.com/quick_start/pricing) de DeepSeek indica que su API de voz a texto cuesta USD 0.116 por hora, con un descuento del 50% por tiempo limitado y sin fecha de fin, así que presupueste con el precio de lista. Las tarifas de Speechmatics son sus precios de lista para audio pregrabado; su página de precios también puede mostrarlas con un descuento del 33% por entrenamiento de modelos y hasta un 25% por volumen aplicados, lo que deja Melia 1 en unos USD 0.12 por hora. El descuento del 33% es opcional y, si usted se adhiere, permite a Speechmatics usar su audio y sus transcripciones para mejorar sus modelos (según las preguntas frecuentes de su página de precios, consultadas el 2026-11-15).

Soniox, DeepSeek ASR y los endpoints de Whisper de Groq cuestan menos por hora que los dos modelos de BroadNet. La [página de precios](https://soniox.com/pricing) de Soniox, consultada el 2026-11-14, factura por token (USD 1.50 por 1M de tokens de audio de entrada y USD 3.50 por 1M de tokens de texto de salida en modo asíncrono) y dice que esto equivale a “about” (Traducción: «aproximadamente») USD 0.10 por hora para archivos subidos y USD 0.12 por hora para streaming en tiempo real. Su [lista de idiomas](https://docs.soniox.com/stt/concepts/supported-languages) incluye el árabe entre más de 60 idiomas. Usa su propia API basada en trabajos (jobs) en lugar del formato `/v1/audio/transcriptions` de OpenAI, así que cambiarse a Soniox implica escribir código de cliente nuevo.

Un cambio que conviene prever: la [página de retiros](https://developers.openai.com/api/docs/deprecations) de OpenAI, consultada el 2026-11-15, marca `whisper-1`, `gpt-4o-transcribe`, `gpt-4o-mini-transcribe` y `gpt-4o-transcribe-diarize` como obsoletos (aviso emitido el 26 de agosto de 2026), con cierre el 26 de febrero de 2027 y `gpt-transcribe` o `gpt-live-transcribe` como reemplazo. Su página de precios marca como obsoletos esos mismos cuatro modelos. Si hoy calcula el costo de un pipeline de OpenAI, hágalo con `gpt-transcribe` a USD 0.0045 por minuto. Eso es más por hora que los dos modelos de BroadNet, pero OpenAI también vende transcripción en vivo (`gpt-live-transcribe`, USD 0.017 por minuto), y BroadNet no. Esta página solo compara precios; si va a dejar `whisper-1`, la [guía de alternativas a la API de Whisper](https://broadrouter.com/es/blog/whisper-api-alternative/) explica cómo probar un reemplazo con su propio audio y qué se rompe al cambiar. Para calcular sus propios volúmenes con estas tarifas, use la [calculadora de costos de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

Para el panorama completo, nuestro [índice abierto de precios de API de voz a texto](https://broadrouter.com/data/speech-to-text-api-prices/) recoge precios por lotes y en streaming, incrementos de facturación y compatibilidad con árabe de más de 20 productos, cada uno verificado en la página de precios del propio proveedor (CSV y JSON).

## ¿Qué deja fuera el precio base?

El número por minuto rara vez es toda la factura. Revise estos puntos antes de comparar:

| Concepto | Lo que dicen las páginas |
| --- | --- |
| Diarización de hablantes | Deepgram: incluida para audio pregrabado, USD 0.0020/min extra en streaming. AWS: incluida en el precio estándar. AssemblyAI: +USD 0.02/h. OpenAI: modelo aparte `gpt-4o-transcribe-diarize` a USD 0.006/min, obsoleto y con cierre el 2027-02-26. |
| Redacción de datos personales (PII) | Deepgram: USD 0.0020/min. AWS: USD 0.0024/min (nivel 1). AssemblyAI: redacción de texto +USD 0.08/h en Universal-2 y +USD 0.12/h en Universal-3.5 Pro; redacción de audio +USD 0.05/h. |
| Streaming | AWS: USD 0.01/min frente a USD 0.006 por lotes. Deepgram Nova-3 monolingüe: USD 0.0048 en streaming (precio promocional válido hasta el 2027-02-13) frente a USD 0.0043 pregrabado. Speechmatics Melia 1: USD 0.40/h en tiempo real frente a USD 0.24/h pregrabado. |
| Mínimo de facturación | Groq factura al menos 10 segundos por solicitud. AWS factura por segundo sin mínimo. Google redondea cada solicitud al segundo siguiente. |
| Niveles por volumen | Google V2 estándar baja a USD 0.01/min después de 500,000 minutos al mes, y más por encima de 1 millón. En AWS, el estándar por lotes y el streaming ahora tienen tarifa plana; sus niveles por volumen se aplican a extras como la redacción. |

Para un centro de llamadas que necesita diarización y redacción, Deepgram Nova-3 pregrabado pasa a USD 0.0063 por minuto con redacción, y AWS a USD 0.0084. Un precio base barato con extras caros puede salir peor que un precio base más alto que ya los incluye.

## ¿Cuánto cuesta transcribir 10,000 notas de voz al mes?

Supongamos que una bandeja de soporte recibe 10,000 notas de voz de WhatsApp al mes, de 30 segundos cada una. Son 5,000 minutos.

-   A USD 0.006 por minuto (AWS por lotes, o el whisper-1 obsoleto de OpenAI): USD 30.
-   A USD 0.0045 (OpenAI gpt-transcribe): USD 22.50.
-   A USD 0.0043 (Deepgram Nova-3): USD 21.50.
-   Con BroadNet Transcribe Arabic: $21.00.

Aquí los mínimos de facturación importan. El mínimo de 10 segundos de Groq no cambia la factura de estas notas de 30 segundos, pero cobra una nota de dos segundos que solo dice “ok” como si durara 10 segundos. Con un mínimo de 15 segundos, esa nota de dos segundos cuesta lo mismo que una de 15 segundos. Para el flujo completo de notas de voz, consulte [notas de voz a texto para empresas](https://broadrouter.com/es/blog/voice-notes-to-text-for-business/).

## ¿Qué importa además del precio?

Un modelo más barato que se equivoca en 1 de cada 5 palabras cuesta más en corrección humana de lo que ahorra. Antes de cambiar, mida la [tasa de error por palabra](https://broadrouter.com/es/glossary/word-error-rate/) (WER) con 30 a 50 de sus propias grabaciones por idioma. Nuestra [guía de alternativas a Whisper](https://broadrouter.com/es/blog/whisper-api-alternative/) muestra cómo hacer esa prueba en una tarde, y la [guía de compra de API de voz a texto en árabe](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/) explica la evaluación dialecto por dialecto.

Otras preguntas que no tienen que ver con el precio:

-   **Idiomas.** BroadNet Transcribe cubre 14 idiomas ([lista completa](https://broadrouter.com/es/blog/multilingual-speech-to-text-api/)); OpenAI dice que Whisper (el `whisper-1` obsoleto) admite 98, con precisión variable.
-   **Límites de archivo.** OpenAI limita las subidas a 25 MB y BroadNet a 25 MiB, así que divida las llamadas largas.
-   **Retención.** El audio suele ser más sensible que el texto. Pregunte si se almacenan el audio y las transcripciones; consulte [retención de datos en API de LLM comparada](https://broadrouter.com/es/blog/llm-api-data-retention-compared/).

## Dónde encaja BroadNet Transcribe

BroadNet Transcribe cuesta $0.002 por minuto ($0.12 por hora) en 14 idiomas: inglés, español, francés, alemán, italiano, portugués, griego, neerlandés, polaco, chino, japonés, coreano, vietnamita y árabe. BroadNet Transcribe Arabic cuesta $0.0042 por minuto y está diseñado para los dialectos árabes; BroadNet informa que ocupa el puesto #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard. Ambos usan el endpoint `/v1/audio/transcriptions` compatible con OpenAI, aceptan WAV o MP3 de hasta 25 MiB y no conservan audio ni transcripciones ([retención de datos cero](https://broadrouter.com/es/privacy/)). El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe; [cree una clave](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-speech-to-text-api-pricing-compared&utm_content=body) para probar sus propios archivos.

Dónde no encaja: BroadNet no ofrece transcripción en streaming, diarización integrada ni extras de redacción. Si necesita subtítulos en vivo o etiquetas de hablante desde la propia API, Deepgram, AssemblyAI y AWS ofrecen ambas cosas. OpenAI ofrece transcripción en vivo, pero su único modelo de etiquetado de hablantes está obsoleto. Compare los dos modelos de BroadNet lado a lado en la [página de comparación](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/), o vea todos los precios en [precios](https://broadrouter.com/es/pricing/).

Herramientas gratuitas sobre este tema (en inglés)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/)

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

[Streaming (respuestas en tiempo real)](https://broadrouter.com/es/glossary/streaming/)

El streaming es una forma de devolver la respuesta de un modelo de lenguaje en pequeños fragmentos mientras aún se genera, en lugar de una sola respuesta al final. Las APIs compatibles con OpenAI hacen streaming mediante server-sent events cuando la solicitud define stream como true.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Diarización de hablantes (speaker diarization)](https://broadrouter.com/es/glossary/diarization/)

La diarización de hablantes es la tarea de dividir una grabación de audio en segmentos por hablante para responder "quién habló y cuándo". Etiqueta cada tramo de habla con un ID de hablante anónimo, como SPEAKER\_00, y suele combinarse con una transcripción para mostrar qué persona dijo cada línea.

[PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/)

La PII (información de identificación personal) es información que permite distinguir o rastrear la identidad de una persona, como su nombre, un número de identificación o un registro biométrico, más otra información vinculable a ella. El RGPD habla de datos personales, un término más amplio. Con LLMs, se anonimiza antes de que los prompts salgan de sus sistemas.

[Árabe dialectal (dialectal Arabic)](https://broadrouter.com/es/glossary/dialectal-arabic/)

El árabe dialectal es el árabe hablado a diario en una región o ciudad, como el árabe egipcio, del Golfo, levantino o magrebí. Los dialectos difieren del árabe estándar moderno en sonidos, palabras y gramática, no tienen ortografía estándar y se escriben cada vez más en internet, lo que los hace más difíciles para los modelos de lenguaje.

[Batch API (API de procesamiento por lotes)](https://broadrouter.com/es/glossary/batch-api/)

Una Batch API es un endpoint asíncrono de LLM que acepta muchas solicitudes a la vez, normalmente en un archivo, las procesa dentro de un plazo fijado en lugar de inmediatamente y devuelve los resultados juntos. Proveedores como OpenAI y Anthropic cobran las solicitudes por lotes con descuento respecto de sus APIs estándar.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

## Preguntas frecuentes

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

En noviembre de 2026, Whisper Large v3 Turbo de Groq, a USD 0.04 por hora, era el más bajo de nuestra tabla. Le seguía DeepSeek ASR, a USD 0.058 por hora, pero solo mientras dure su descuento del 50% por tiempo limitado (sin fecha de fin). Después venían Soniox, a unos USD 0.10 por hora (asíncrono); Groq Whisper Large v3, a USD 0.111; DeepSeek ASR a su precio de lista de USD 0.116, y BroadNet Transcribe, a $0.12 por hora. La precisión con su propio audio decide si lo barato es suficiente.

### ¿Cuánto cuesta por minuto la API de Whisper de OpenAI?

OpenAI publica whisper-1 a USD 0.006 por minuto, igual que gpt-4o-transcribe; gpt-4o-mini-transcribe cuesta USD 0.003. Los tres aparecen como obsoletos en su página de precios, y su página de retiros indica que dejarán de funcionar el 26 de febrero de 2027. Su reemplazo recomendado, gpt-transcribe, cuesta USD 0.0045 por minuto (USD 0.27 por hora). Consultado el 2026-11-15.

### ¿Cuánto cuesta transcribir 1,000 horas de audio?

Multiplique el precio por minuto por 60,000. A USD 0.006 por minuto, son USD 360. Con BroadNet Transcribe Arabic, son $252.00.

### ¿La diarización de hablantes está incluida en el precio?

Depende. Deepgram la incluye para audio pregrabado y AWS en su precio estándar; AssemblyAI la cobra aparte por hora, y el único modelo de diarización de OpenAI, gpt-4o-transcribe-diarize, está obsoleto y deja de funcionar el 26 de febrero de 2027. Verifíquelo antes de comparar precios base.

### ¿La transcripción en streaming es más cara que por lotes?

Por lo general, sí. AWS publica USD 0.006 por minuto por lotes y USD 0.01 en streaming, y Deepgram cobra más por Nova-3 en streaming que por audio pregrabado.

## Siga leyendo

-   [Alternativa a la API de Whisper: cuándo cambiar y cómo probarla](https://broadrouter.com/es/blog/whisper-api-alternative/)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Cómo transcribir grabaciones de call center: pipeline listo para árabe](https://broadrouter.com/es/blog/transcribe-call-center-recordings/)
-   [Notas de voz a texto para empresas: de WhatsApp y Telegram a tickets](https://broadrouter.com/es/blog/voice-notes-to-text-for-business/)
-   [Alternativas a Artificial Analysis: dónde comparar LLM en 2026](https://broadrouter.com/es/blog/artificial-analysis-alternatives/)
-   [SLA de APIs de LLM: qué prometen Azure, Bedrock, Google y OpenAI](https://broadrouter.com/es/blog/llm-api-sla-uptime-compared/)
-   [Guía: API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)
-   [Guía: Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-speech-to-text-api-pricing-compared&utm_content=page-cta) ·

**Fuentes**

-   [Precios de la API de OpenAI, transcripción (consultado el 2026-11-15)](https://developers.openai.com/api/docs/pricing)
-   [Retiro de modelos de OpenAI, modelos de voz a texto (consultado el 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Precios de Google Cloud Speech-to-Text (consultado el 2026-11-14)](https://cloud.google.com/speech-to-text/pricing)
-   [Precios de Amazon Transcribe (consultado el 2026-11-14)](https://aws.amazon.com/transcribe/pricing/)
-   [Precios de Deepgram (consultado el 2026-11-14)](https://deepgram.com/pricing)
-   [Precios de AssemblyAI (consultado el 2026-11-14)](https://www.assemblyai.com/pricing)
-   [Precios de Speechmatics, con sus preguntas frecuentes sobre el descuento por entrenamiento de modelos (consultado el 2026-11-14; preguntas frecuentes consultadas el 2026-11-15)](https://www.speechmatics.com/pricing)
-   [Precios de Soniox (consultado el 2026-11-14)](https://soniox.com/pricing)
-   [Idiomas compatibles de Soniox (consultado el 2026-11-14)](https://docs.soniox.com/stt/concepts/supported-languages)
-   [Precios de la API de DeepSeek, voz a texto (consultado el 2026-11-14)](https://api-docs.deepseek.com/quick_start/pricing)
-   [Documentación de voz a texto de Groq, precios de Whisper (consultado el 2026-11-14)](https://console.groq.com/docs/speech-to-text)
-   [Precios de BroadNet Inference en formato legible por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-speech-to-text-api-pricing-compared&utm_content=sources)
