Las notas de voz, las llamadas y las reuniones contienen información que el software no puede buscar hasta que se convierte en texto. La conversión de voz a texto cierra esa brecha.
Cómo funciona
Hugging Face define el reconocimiento automático del habla como “the task of transcribing a given audio to text” (traducción: la tarea de transcribir un audio dado a texto). Un modelo ASR moderno convierte el audio en características y luego genera la secuencia de palabras más probable.
A través de una API compatible con OpenAI, usted sube el archivo como multipart form data a /v1/audio/transcriptions:
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe-arabic \
-F language=ar \
-F file=@voice-note.wav
La respuesta es JSON con la transcripción en text. Los proveedores fijan límites de tamaño y formato de archivo; el propio endpoint de OpenAI acepta archivos de hasta 25 MB (según su guía de voz a texto, consultada el 2026-11-15).
Por qué importa
- La precisión define el valor. Una transcripción con nombres o números equivocados puede ser peor que ninguna. La precisión se mide con la tasa de error por palabra, y baja con acentos, dialectos, voces superpuestas y audio telefónico.
- Precio por hora de audio. La conversión de voz a texto se cobra por minuto de audio, así que el volumen es fácil de prever: horas de audio por la tarifa por hora.
- Privacidad. La voz contiene nombres, números de teléfono y datos de salud o bancarios. Pregunte si se conservan el audio y las transcripciones; consulte retención cero de datos.
- Flujos de procesamiento. Una transcripción suele pasar después a un LLM, para resúmenes, enrutamiento o extracción.
En BroadNet Inference
| Modelo | Idiomas | Precio por minuto | Por hora |
|---|---|---|---|
| BroadNet Transcribe Arabic | Árabe, incluidos dialectos | $0.0042 | $0.25 |
| BroadNet Transcribe | 14 idiomas | $0.002 | $0.12 |
Ambos aceptan WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por archivo; un archivo más grande devuelve 413. Envíe language=ar para árabe, o puede volver transliterado a letras latinas. BroadNet informa que el modelo árabe 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. El audio y las transcripciones no se conservan.
Otros proveedores pueden costar menos. El 2026-11-14, la página de precios de Soniox indicaba unos USD 0.10 por hora para transcripción de archivos (asíncrona) y USD 0.12 por hora en tiempo real, y su lista de idiomas incluye el árabe. Eso es menos que los $0.25 por hora de BroadNet Transcribe Arabic, así que pruebe ambos con su propio audio. Nuestro índice abierto de precios de APIs de voz a texto incluye más de 20 productos, con fuente y fecha para cada precio.
Ambos modelos funcionan con el crédito inicial gratuito de $5, que cubre unos 1,190 minutos de audio en árabe. Empiece con la guía de voz a texto en árabe, convierta los archivos .ogg de WhatsApp con la guía de notas de voz y compare proveedores con la guía de compra.