Subiste una entrevista de dos horas, pulsaste transcribir y ahora te preguntas cuánto te ha costado ese clic. La respuesta honesta: desde nada hasta casi doscientos dólares, según el modelo, el proveedor y la letra pequeña. Los precios del reconocimiento de voz parecen sencillos en la página de inicio, pero luego se dividen en tarifas por minuto, niveles por lotes o en tiempo real, límites de tasa, incrementos mínimos de facturación y complementos que duplican la factura sin que te des cuenta.
Este artículo convierte el costo de los modelos de reconocimiento de voz en cifras con las que puedes planificar. Verás precios típicos por minuto, qué opciones gratuitas aguantan cargas de trabajo reales, cómo se comportan los límites de la API, qué costos ocultos aparecen después de la factura y qué modelos de PicassoIA ofrecen la mejor relación entre precio y precisión para transcribir.
💡 Respuesta rápida: La mayoría de los servicios alojados de voz a texto se sitúan entre $0,0025 y $0,016 por minuto en 2026. Whisper de código abierto alojado por ti no tiene tarifa por minuto, pero pagas con hardware, tiempo de configuración y mantenimiento. Revisa siempre la página de precios de cada proveedor antes de comprometerte, porque las tarifas y las cuotas gratuitas cambian con frecuencia.
Lo que realmente cuesta el reconocimiento de voz
Antes de comparar proveedores, conviene saber qué estás pagando exactamente. El reconocimiento de voz se factura como la electricidad: pagas por lo que pasa por el contador, y la tarifa depende de lo rápido y limpio que quieras el resultado.
Cómo funciona la facturación por minuto
Casi todos los servicios de transcripción alojados cobran por duración del audio, no por palabras ni por tamaño del archivo. Un podcast de 60 minutos cuesta lo mismo tanto si el presentador habla sin parar como si deja largos silencios. Algunos proveedores redondean cada solicitud al segundo más cercano o incluso a los 15 segundos más cercanos, algo que importa si tu app envía miles de clips cortos. Diez mil comandos de voz de 4 segundos redondeados a 15 segundos cada uno costarán casi cuatro veces lo que sugiere la duración real del audio.
Otros esquemas de facturación que encontrarás:
- Tarifas por hora, que parecen más alarmantes en el papel, pero se convierten en el mismo número por minuto.
- Precios basados en tokens, usados por modelos multimodales recientes, donde el audio se convierte en tokens y se factura como texto.
- Sistemas de créditos, donde un mismo saldo paga varias herramientas y la tarifa efectiva por minuto depende del plan.
- Suscripciones mensuales, habituales en los asistentes de reuniones, con topes de minutos al mes.

Rangos de precio típicos en 2027
Las comparaciones de precios de terceros no coinciden en algunas cifras, en parte porque unas indican el precio por minuto y otras por hora. Considera la tabla de abajo como una banda realista, no como una cotización oficial.
| Proveedor o modelo | Precio aproximado por minuto | Notas |
|---|
| GPT-4o Mini Transcribe (OpenAI) | unos $0,003 | La opción de OpenAI más barata |
| GPT-4o Transcribe (OpenAI) | unos $0,006 | Nivel de mayor precisión |
| Whisper API (OpenAI) | unos $0,006 | Opción alojada más antigua |
| Google Cloud Speech-to-Text, por lotes dinámico | unos $0,003 | Entrega más lenta, precio más bajo |
| Google Cloud Speech-to-Text, estándar | unos $0,016 | Tarifas más bajas con mayor volumen mensual |
| AssemblyAI, nivel bajo | desde $0,0025 | Los niveles superiores cuestan más |
| Deepgram, en tiempo real | alrededor de $0,009 | Varía según el modelo y el plan |
Esto es lo que significan esas tarifas con volúmenes reales.
| Volumen de audio | A $0,003/min | A $0,006/min | A $0,016/min |
|---|
| 10 horas | $1,80 | $3,60 | $9,60 |
| 100 horas | $18 | $36 | $96 |
| 1.000 horas | $180 | $360 | $960 |
La diferencia es lo que importa. Un modelo económico y un nivel premium pueden diferenciarse en más de cinco veces, y para audio de estudio limpio, el más barato suele ser suficiente.
Opciones gratuitas que de verdad funcionan
El reconocimiento de voz gratuito existe, pero "gratis" viene en tres versiones: gratis porque lo ejecutas tú mismo, gratis porque un proveedor te da una prueba y gratis porque el producto eres tú. Solo las dos primeras merecen tu tiempo para trabajos serios.
Whisper de código abierto en casa
Whisper de código abierto es el punto de referencia con el que todos se comparan. No cobra tarifa por minuto ni tiene límite de uso, así que un podcaster con una GPU decente puede transcribir mil horas por el precio de la electricidad. El inconveniente está en todo lo que rodea al modelo. Necesitas un equipo con una tarjeta gráfica capaz para lograr una velocidad razonable, una persona que se sienta cómoda instalando entornos de Python y paciencia cuando algo se rompe después de una actualización.
Ejecutarlo en la CPU de un equipo portátil funciona con archivos cortos, pero se vuelve lento con audios largos. Una grabación de una hora puede tardar más que su duración real en hardware débil, lo que anula el objetivo si necesitas una entrega rápida.

Niveles gratuitos y créditos alojados
Varios servicios alojados te dejan probar antes de cobrar. Las cuotas informadas cambian constantemente, así que úsalas solo como referencia.
| Servicio | Cuota gratuita informada | Ideal para |
|---|
| Google Cloud | Unos 60 minutos al mes de transcripción estándar | Pequeños experimentos |
| AssemblyAI | Alrededor de 300 minutos de uso incluido | Prototipos |
| Rev AI | Alrededor de 300 minutos gratis | Pruebas cortas |
| Deepgram | Crédito inicial de unos $200 | Desarrolladores que prueban a gran escala |
| Otter.ai | Unos 600 minutos al mes | Notas de reuniones |
| Whisper alojado en Groq | Cuota gratuita recurrente con límites de tasa estrictos | Proyectos de bajo volumen |
Los planes gratuitos están diseñados para convertirte en cliente de pago. Son perfectos para probar la precisión con tu propio audio y malos como plan a largo plazo para una empresa. En cuanto una cuota gratuita desaparece a mitad de un proyecto, conviene tener una alternativa lista.
💡 Consejo: Prueba cada candidato con los mismos tres clips: uno limpio, uno con ruido y otro con acentos o voces superpuestas. El crédito gratuito se aprovecha mejor con tu peor audio, no con el mejor.
Precios de la API para desarrolladores
Si estás integrando la transcripción en una app, el precio por minuto es solo la primera línea de la hoja de cálculo. Los detalles de la API son los que deciden si tus costos se mantienen predecibles.
Tarifas por lotes frente a tiempo real
La transcripción por lotes (asíncrona) es más barata porque el proveedor puede programar tu trabajo cuando hay capacidad libre. El streaming en tiempo real cuesta más porque necesita cómputo siempre activo y baja latencia. La tarifa por lotes dinámica de Google, en torno a $0,003 por minuto frente a unos $0,016 del reconocimiento estándar, muestra lo grande que puede llegar a ser la diferencia.
Una regla sencilla: si nadie espera la transcripción, usa lotes. Los archivos de mensajes de voz, los webinars grabados, las auditorías de centros de llamadas y los podcasts pendientes encajan todos. Los subtítulos en vivo, los asistentes de voz y las herramientas de apoyo a agentes necesitan streaming, y el sobreprecio es el costo de la velocidad.

Límites de tasa y topes de tamaño de archivo
Los límites son la otra mitad del costo. Incluso un modelo barato se vuelve caro si tu flujo de trabajo tiene que esperar o dividir archivos a mano.
- Solicitudes por minuto y por día: se ha informado que una cuota gratuita alojada de Whisper ronda las 20 solicitudes por minuto y 2.000 al día. Vale para un proyecto de afición, pero no para una cola de cientos de grabaciones.
- Topes de tamaño de archivo: muchas APIs limitan las subidas a unas pocas decenas de megabytes, así que una grabación larga debe comprimirse o dividirse en fragmentos.
- Topes de duración: algunos endpoints limitan cada solicitud a un número fijo de minutos u horas.
- Concurrencia: un límite de trabajos simultáneos controla la velocidad con la que se vacía una cola.
Dividir audios largos en fragmentos también tiene su costo. Cortar en puntos arbitrarios puede partir palabras por la mitad, así que los flujos de procesamiento buenos cortan en los silencios y solapan ligeramente los límites. Eso significa más código que escribir y probar.
Los costos ocultos de los que nadie habla
La tarifa principal rara vez es el precio final. Tres costos se cuelan después de que te registras.
Precisión y tiempo de corrección
Una transcripción con un 95 por ciento de precisión suena muy bien hasta que te das cuenta de que, en una entrevista de 10.000 palabras, el cinco por ciento son unas 500 palabras erróneas que hay que encontrar y corregir. Si tu editor gana $30 la hora y dedica dos horas extra a corregir una transcripción barata, acabas de gastar $60 para ahorrar $2. El modelo más barato no es el flujo de trabajo más barato.
La precisión baja con el ruido de fondo, los hablantes que se superponen, los acentos marcados, el vocabulario especializado y los micrófonos malos. Los nombres, las marcas y los términos técnicos son las víctimas habituales.

Hardware y horas de ingeniería
Alojarlo tú mismo parece gratis hasta que cuentas las piezas: una tarjeta gráfica, el consumo eléctrico, almacenamiento para audios y transcripciones, monitorización, actualizaciones y alguien que lo arregle a las 2 de la madrugada. Un solo desarrollador dedicando una semana a la configuración ya ha gastado más de lo que la mayoría de los equipos pequeños pagarían en un año por una API alojada.
Alojarlo tú mismo compensa cuando tienes un volumen grande y constante, requisitos estrictos de privacidad o audio que no puede salir de tu red. Para el resto, un modelo alojado suele ser más barato una vez que tu tiempo tiene precio.

Complementos que suben la factura
Las tarifas base suelen cubrir solo texto plano. Los extras que pueden tener un recargo o un nivel aparte incluyen:
- Etiquetas de hablante (diarización) para marcar quién dijo qué
- Marcas de tiempo a nivel de palabra para subtítulos y edición
- Vocabulario personalizado para nombres de marcas y jerga
- Traducción a otros idiomas
- Resúmenes y marcadores de capítulos generados por un modelo de lenguaje sobre la transcripción
- Redacción de nombres, números u otros datos sensibles
Comprueba cuáles de estos necesita tu flujo de trabajo de verdad. Un podcaster que solo quiere texto que se pueda buscar no paga ninguno.
Presupuestos reales para proyectos reales
Los números se vuelven útiles cuando se asocian a una situación. Aquí tienes tres casos comunes, con las tarifas típicas de antes.
Podcasters y creadores
Un programa semanal con episodios de 60 minutos produce unas 52 horas de audio al año. A $0,003 por minuto son unos $9,36 al año. A $0,006 son unos $18,72. Incluso el nivel más caro cuesta menos que un café al mes. Para los creadores, la pregunta no es el precio, sino si la transcripción está lo bastante limpia como para publicarla como notas del programa sin una hora de edición.
Reuniones y equipos
Una empresa con 20 personas que pasan cinco horas en reuniones cada semana genera unas 100 horas de audio por semana, o unas 5.200 horas al año. A $0,006 por minuto son unos $1.872 al año. A $0,016 sube a unos $4.992. Aquí, el procesamiento por lotes y una política de retención sensata pueden reducir mucho la factura, porque pocas reuniones necesitan transcribirse en tiempo real.

Estudiantes e investigadores
Un estudiante que graba 12 clases a la semana de 50 minutos cada una suma 10 horas semanales. Un semestre de 15 semanas son 150 horas, que cuestan unos $27 a las tarifas más baratas y $54 en el nivel medio. Los investigadores que hacen estudios con entrevistas suelen necesitar etiquetas de hablante y alta precisión, así que los modelos premium justifican su precio.

Modelos de PicassoIA que merecen comparación
PicassoIA reúne varios modelos de transcripción en un solo lugar, así que puedes probar cómo maneja cada uno tus propias grabaciones sin abrir cuentas ni paneles de API por separado. La colección de voz a texto incluye tres que encajan bien con distintos presupuestos.
GPT-4o Mini Transcribe para bajo costo
GPT 4o Mini Transcribe es la opción económica. Se sitúa en el extremo bajo de los precios informados de OpenAI, lo que lo convierte en una elección sensata por defecto para podcasts, notas de voz, grabaciones de clases y cualquier audio razonablemente claro. Si transcribes mucho y tus grabaciones son limpias, empieza aquí y sube de nivel solo cuando los errores te cuesten más que el ahorro.
GPT-4o Transcribe para precisión
GPT 4o Transcribe es el paso siguiente cuando la precisión importa más que el último centavo. Va bien con entrevistas con acentos, salas ruidosas, vocabulario técnico y cualquier cosa que vaya a publicarse. Compara su resultado con la versión mini en tu peor clip. Si la diferencia te ahorra minutos de edición, se amortiza.
Gemini 3 Pro para audios largos
Gemini 3 Pro es un modelo multimodal de Google, lo que significa que puede hacer más que copiar palabras. Como es un modelo general que lee audio, puedes pedir una transcripción y, en la misma pasada, un resumen, tareas pendientes o una versión depurada. Esa flexibilidad encaja con reuniones largas y grabaciones en las que la transcripción es solo el primer paso.
Whisper, el modelo de código abierto mencionado antes, es un proyecto aparte y no es una de las opciones de PicassoIA que aparecen aquí. Si quieres una precisión al estilo Whisper sin mantener tu propio servidor, los modelos de arriba son las alternativas más cercanas que puedes probar hoy.
Cómo usar GPT-4o Mini Transcribe en PicassoIA
Esta es la forma más rápida de probar la ruta económica con tu propio audio.
- Abre la página del modelo. Ve a GPT 4o Mini Transcribe en PicassoIA.
- Sube tu audio. Elige una grabación de tu dispositivo. Formatos habituales como MP3, WAV y M4A son la opción más segura.
- Indica el idioma si lo conoces. Nombrar el idioma desde el principio suele mejorar la precisión frente a dejar la detección automática, sobre todo en clips cortos.
- Añade un prompt breve si el campo está disponible. Una línea con nombres, términos de producto o siglas ayuda al modelo a escribirlos correctamente.
- Ejecuta la transcripción. Espera a que aparezca el texto y revisa rápidamente el primer y el último minuto, donde suelen agruparse los errores.
- Compara con un segundo modelo. Pasa el mismo clip por GPT 4o Transcribe y compara los resultados. Si la versión mini difiere en pocas palabras, has encontrado tu opción económica por defecto.
💡 Consejo de parámetros: En archivos largos, recorta el silencio inicial y divide las grabaciones de más de una hora en segmentos de 20 a 30 minutos en pausas naturales. Los archivos más cortos son más fáciles de revisar y más baratos de volver a procesar si falla una sección.

Cómo elegir sin pagar de más
La comparación de precios se convierte en una decisión rápida cuando respondes cinco preguntas.
- ¿Cuántas horas al mes? Con menos de 10 horas, el precio casi no importa. Con más de 1.000 horas, cada décima de centavo cuenta.
- ¿Hasta qué punto está limpio el audio? Las grabaciones de estudio se adaptan a los modelos económicos. Las llamadas telefónicas y las salas con mucho ruido justifican uno más potente.
- ¿Alguien espera el resultado? Si no, elige el precio por lotes.
- ¿Necesitas etiquetas de hablante o marcas de tiempo? Confirma que están incluidas antes de comparar las tarifas principales.
- ¿Puede salir el audio de tu red? Si no puede, el autoalojamiento se convierte en la única opción, y su costo son las personas y el hardware.
Un flujo de trabajo práctico que mantiene el gasto bajo:
- Transcribe todo con el modelo más barato que supere tu prueba de tres clips.
- Marca los archivos con baja confianza o con ruido y vuelve a procesar solo esos con un modelo más potente.
- Guarda en caché las transcripciones para no pagar dos veces por el mismo audio.
- Borra el audio que ya no necesites y conserva el texto.

💡 Regla práctica: Si tu tiempo de edición cuesta más de $20 la hora, una transcripción que te ahorra diez minutos de limpieza vale una tarifa tres veces más alta.
Prueba la transcripción en PicassoIA por tu cuenta
La mejor forma de resolver la cuestión del precio es procesar tu propia grabación. Toma un clip limpio y otro con ruido, pásalos por GPT 4o Mini Transcribe, GPT 4o Transcribe y Gemini 3 Pro, y compara cuántas ediciones necesita cada transcripción. Diez minutos de prueba te dirán más que cualquier tabla de precios.
PicassoIA también combina la transcripción con texto a voz, sincronización labial, generación de música y herramientas de imagen y video, así que la misma cuenta que convierte tu entrevista en texto puede ayudarte a crear la portada y los clips del episodio. Explora todo en picassoia.com/en/all-models, sube una grabación y comprueba cuánto cuesta tu audio en la práctica.