Tienes una carpeta llena de grabaciones, una fecha límite y una duda que no te deja tranquilo: ¿cuánto costará convertir toda esa voz en texto? La respuesta honesta es "menos que un café" para la mayoría de la gente, y "una partida presupuestaria real" para los centros de llamadas y los archivos de medios. El truco está en saber qué modelo de OpenAI estás pagando, cómo funciona realmente la facturación y cuándo tiene más sentido una ruta gratuita o más barata.
Este artículo desglosa los precios de voz a texto de OpenAI con cifras claras, muestra cuánto cuestan los proyectos típicos al mes, enumera las opciones gratuitas que de verdad funcionan y compara alternativas que puedes probar ahora mismo.
💡 Respuesta rápida: Los modelos de transcripción de OpenAI cuestan aproximadamente entre $0.003 y $0.006 por minuto de audio. Eso equivale a unos $0.18 a $0.36 por hora. No existe un nivel gratuito permanente en la API, pero hay varias rutas gratuitas viables, que se explican más abajo.
Lo que cobra OpenAI por minuto
OpenAI vende la voz a texto a través de su API con varios nombres de modelo. El precio de referencia suele indicarse por minuto, lo que simplifica el presupuesto, aunque la facturación de fondo sea más matizada.

Los tres precios
Estas son las tarifas en las que coinciden la mayoría de los comparadores de precios y las propias páginas de modelos de OpenAI en el momento de escribir este artículo:
| Modelo | Costo aprox. por minuto | Costo aprox. por hora | Ideal para |
|---|
| whisper-1 (API original de Whisper) | $0.006 | $0.36 | Flujos de trabajo heredados, subtítulos con marcas de tiempo |
| gpt-4o-transcribe | $0.006 | $0.36 | Máxima precisión, acentos, audio con ruido |
| gpt-4o-mini-transcribe | $0.003 | $0.18 | Gran volumen, audio limpio, presupuestos ajustados |
Hay dos cosas que destacan. Primero, el modelo premium GPT-4o cuesta lo mismo por minuto que el antiguo endpoint de Whisper, y en general gestiona mejor los acentos, el ruido de fondo y el habla rápida. Segundo, la variante mini cuesta la mitad, lo que importa mucho cuando superas unos cientos de horas.
Puedes probar las dos opciones de GPT-4o sin escribir código: GPT-4o Transcribe y GPT-4o Mini Transcribe están disponibles en PicassoIA.
⚠️ Ojo: Los precios y el ciclo de vida de los modelos cambian. Un comparador que revisé indicaba un modelo más reciente de OpenAI a unos $0.0045 por minuto y mencionaba una fecha de retirada del modelo mini a principios de 2027. No pude confirmar ninguno de los dos datos, así que verifícalos en la página de precios oficial de OpenAI antes de comprometerte con un trabajo por lotes grande.
Por qué la facturación se basa en tokens
La cifra por minuto es una estimación. En el fondo, los modelos de transcripción GPT-4o facturan por tokens: tokens de entrada de audio cuando el modelo escucha, más tokens de salida de texto para la transcripción que escribe. OpenAI convierte eso en un costo medio por minuto para que el presupuesto sea sencillo.
En la práctica, esto significa:
- El habla densa cuesta un poco más. Quien habla deprisa genera más tokens de salida que quien habla despacio.
- El silencio no es gratis. Las pausas largas y la música de espera también cuentan como entrada de audio.
- Los prompts añaden tokens de entrada. Si pasas un prompt de texto largo para orientar el vocabulario, ese texto también se factura.
Para planificar, usar $0.006 por minuto para el modelo premium y $0.003 para mini te mantendrá a unos pocos puntos porcentuales de la factura real con audio conversacional normal.

Costos reales para proyectos reales
Las tarifas solo significan algo cuando las multiplicas por tu carga de trabajo. Estos ejemplos usan los dos precios de GPT-4o de la tabla anterior.
| Volumen de audio | gpt-4o-mini-transcribe ($0.003/min) | gpt-4o-transcribe ($0.006/min) |
|---|
| 10 minutos | $0.03 | $0.06 |
| 1 hora | $0.18 | $0.36 |
| 10 horas | $1.80 | $3.60 |
| 100 horas | $18 | $36 |
| 1000 horas | $180 | $360 |
Podcasts y entrevistas
Un podcast semanal con cuatro episodios de 60 minutos produce 240 minutos de audio al mes. Eso son $0.72 con mini o $1.44 con el modelo premium. Incluso un programa diario se queda por debajo de $10 al mes.
Los periodistas y los investigadores están en un rango similar. Un reportero de investigación con 30 horas de cintas de entrevistas paga aproximadamente entre $5 y $11 por una transcripción que se puede buscar. El dinero no es el problema aquí. Lo es la precisión con los nombres, la jerga y los hablantes que se superponen, por eso el modelo premium suele ganar en las entrevistas.

Clases y reuniones
Un departamento universitario que graba 20 clases semanales de 90 minutos maneja 30 horas a la semana, o unas 130 horas al mes. Eso cuesta unos $23 con mini y $47 con el modelo premium. Si lo comparas con la transcripción humana, que suele costar entre aproximadamente un dólar y varios dólares por minuto de audio, la diferencia es difícil de ignorar.

Las reuniones de empresa siguen la misma lógica. Un equipo de 25 personas con 10 horas de llamadas grabadas cada una al mes genera 250 horas, lo que cuesta $45 con mini o $90 con el premium. Si esas transcripciones alimentan resúmenes de reuniones o la extracción de tareas pendientes, la factura de voz a texto suele ser la parte más pequeña del proceso.
Centros de llamadas a gran escala
Aquí es donde los decimales empiezan a importar. Toma 50 agentes, 6 horas de conversación en directo al día y 22 días laborables al mes: unas 6600 horas de audio.
- Con mini: aproximadamente $1188 al mes
- Con el modelo premium: aproximadamente $2376 al mes
A ese volumen, elegir mini para el audio limpio de los auriculares y reservar el modelo premium solo para las llamadas difíciles (acentos marcados, altavoz, salas ruidosas) puede ahorrar cifras de cuatro dígitos al año sin perjudicar la calidad donde importa.

Opciones gratuitas que vale la pena probar
¿Existe una ruta gratuita de voz a texto de OpenAI? No como un nivel permanente de la API. OpenAI generalmente cobra desde la primera solicitud, aunque las cuentas nuevas a veces reciben créditos de prueba, así que revisa tu panel. Más allá de eso, tienes tres caminos gratuitos realistas.

Whisper de pesos abiertos en local
OpenAI publicó el modelo original de Whisper como pesos abiertos, así que puedes ejecutarlo en tu propio equipo con costo cero por minuto. Aun así, las contrapartidas son reales:
- Necesitas una GPU decente para una velocidad razonable. En una CPU, una hora de audio puede tardar más de una hora en procesarse.
- Tú mantienes la configuración: Python, controladores, tamaños de modelo, actualizaciones.
- La precisión de los tamaños de modelo locales más pequeños está por debajo de lo que ofrecen los modelos de transcripción GPT-4o alojados.
Si transcribes unos pocos archivos al mes y disfrutas trasteando, esta opción es excelente. Si quieres fiabilidad y cero configuración, un modelo alojado sale más barato que tu tiempo.
Créditos gratuitos y pruebas
Muchas plataformas dan a los usuarios nuevos una pequeña cuota. En PicassoIA puedes ejecutar modelos de voz a texto desde el navegador sin código, lo que resulta útil para probar un modelo con tu propio audio antes de presupuestar un lote grande. Consulta tu plan actual para ver qué está incluido.
💡 Consejo: Prueba primero con un fragmento representativo de 5 minutos: el más ruidoso y con más acentos que tengas. Si el modelo más barato lo maneja bien, acabas de reducir tu factura a la mitad.
Dictado integrado
Si lo que necesitas es dictado (hablar para escribir notas o correos), el teclado de tu teléfono, el dictado del sistema operativo y el modo de voz de ChatGPT ya lo hacen sin un cargo aparte por minuto. No están pensados para procesar grabaciones por lotes ni para generar archivos con marcas de tiempo, pero para notas personales no cuestan nada extra.
Costos ocultos detrás de la tarifa
El precio por minuto es solo una parte del costo real de un flujo de transcripción.

Límites de archivo y fragmentación
El endpoint de transcripción de OpenAI limita las subidas a unos 25 MB por archivo. Un MP3 de una hora con calidad normal puede superar ese límite, y los archivos WAV lo alcanzan en cuestión de minutos. Entonces necesitas comprimir o dividir el audio, lo que añade trabajo de scripting y crea cortes incómodos a mitad de frase. Dividir por los silencios en lugar de por intervalos fijos evita la mayoría de las palabras perdidas en los bordes.
Limpieza y tiempo de revisión
Ningún modelo de voz a texto es perfecto. Reserva presupuesto para esto:
- Nombres propios y marcas, que son los que más se escriben mal
- Etiquetas de hablante, ya que la transcripción básica devuelve texto plano, no quién dijo qué
- Puntuación y división en párrafos para contenido largo
- Términos técnicos en medicina, derecho o ingeniería
Un prompt de texto breve que enumere los nombres y términos poco habituales de tu grabación reduce muchos de estos errores antes de que ocurran. Ese pequeño hábito a menudo ahorra más tiempo que cambiar de modelo.
Alternativas a la transcripción de OpenAI
OpenAI no es la única opción, y para algunos trabajos no es la mejor.

Gemini 3 Pro
Gemini 3 Pro de Google es un modelo multimodal que puede escuchar audio y devolver una transcripción, y también puede resumir, traducir o responder preguntas sobre la grabación en el mismo paso. Eso lo convierte en una opción sólida para reuniones, donde la transcripción es solo el punto de partida. Úsalo en paralelo con GPT-4o Transcribe sobre tu propio audio y compara los errores en nombres y cifras.
Otros proveedores a la vista
Varios proveedores de voz especializados compiten directamente en precio y funciones. Deepgram, AssemblyAI, Google Cloud Speech-to-Text, Amazon Transcribe y Microsoft Azure Speech ofrecen precios por minuto o por hora, a menudo con extras como etiquetas de hablante, transmisión en directo y vocabularios personalizados. Sus tarifas varían según el nivel y el volumen, así que compara presupuestos para tu carga de trabajo real en lugar de fiarte de las cifras destacadas.
Esta es una forma sencilla de elegir:
| Tu situación | Mejor opción |
|---|
| Costo más bajo con audio limpio | GPT-4o Mini Transcribe |
| Acentos, ruido, entrevistas | GPT-4o Transcribe |
| Transcripción más resumen o traducción | Gemini 3 Pro |
| Cero costo, tienes una GPU | Whisper de pesos abiertos en local |
| Subtítulos en directo, etiquetas de hablante integradas | Un proveedor de transmisión especializado |
Cómo usar GPT-4o Transcribe en PicassoIA
Si quieres el modelo premium de OpenAI sin gestionar una clave de API, un panel de facturación ni scripts de subida, GPT-4o Transcribe en PicassoIA funciona por completo desde el navegador.

Paso a paso
- Abre la página del modelo. Ve a GPT-4o Transcribe.
- Sube tu archivo de audio. Los formatos aceptados incluyen MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM. No hace falta convertirlo.
- Indica el idioma. Introduce el código ISO-639-1, como
en para inglés, es para español o fr para francés.
- Añade un prompt opcional. Enumera nombres, productos o jerga que aparezcan en la grabación, o pega las últimas líneas del segmento anterior si dividiste un archivo largo.
- Deja la temperatura en 0. Para la transcripción, quieres la salida más literal posible.
- Ejecútalo y copia la transcripción. Pégala en tu editor, en tu herramienta de subtítulos o en tu app de notas.
Consejos sobre parámetros
| Parámetro | Qué hace | Recomendación |
|---|
| audio_file | La grabación que se transcribe (obligatorio) | Recorta primero los silencios largos y las introducciones |
| language | Código ISO-639-1 | Indícalo siempre: mejor precisión y menor latencia |
| prompt | Texto de estilo o de continuación | Usa el mismo idioma que el audio; que sea breve |
| temperature | Aleatoriedad de 0 a 1 | Usa 0 salvo que veas resultados repetitivos |
💡 Movimiento para ahorrar: Haz la primera pasada con GPT-4o Mini Transcribe. Envía al modelo premium solo los archivos con errores visibles. En la mayoría de las bibliotecas, eso reduce el gasto entre un 30 y un 40 por ciento.
Qué modelo elegir
Olvídate del debate con hojas de cálculo y sigue este breve camino de decisión:
- ¿Menos de 50 horas al mes? El costo no importa. Elige el modelo premium y disfruta de menos correcciones.
- ¿Más de 500 horas al mes con audio limpio? Empieza con mini y revisa un 5 por ciento de la salida para comprobar la calidad.
- ¿Calidad de audio mixta? Enruta según la dificultad: mini para grabaciones de estudio y de auriculares, premium para llamadas telefónicas y salas con eco.
- ¿Necesitas algo más que una transcripción? Prueba Gemini 3 Pro y deja que resuma y traduzca en la misma pasada.
- ¿Las normas de privacidad prohíben enviar audio a un servicio en la nube? Whisper de pesos abiertos en local es tu única opción realmente sin conexión.
Un recordatorio más sobre las cifras: las tarifas aquí son los promedios que la mayoría de las fuentes informan en este momento. Haz una prueba de 10 minutos, revisa el consumo en tu factura o en tu panel y extrapola a partir de tu propio audio, no del precio destacado de nadie, incluido el mío.
Pruébalo hoy en Picasso IA
La transcripción cuesta fracciones de centavo por minuto, así que la forma más barata de resolver la duda es probarlo tú mismo. Saca tu grabación más ruidosa, súbela a GPT-4o Transcribe, pasa el mismo archivo por GPT-4o Mini Transcribe y Gemini 3 Pro, y compara las tres transcripciones línea por línea.
Picasso IA también reúne en el mismo espacio de trabajo la conversión de texto a voz, la generación de música con IA, la creación de imágenes y las herramientas de video, de modo que una grabación puede convertirse en una transcripción, una locución o una imagen en unos pocos clics. Explora el catálogo completo en picassoia.com/en/all-models y empieza a experimentar con tu propio audio hoy mismo.