Você enviou uma entrevista de duas horas, clicou em transcrever e agora se pergunta quanto aquele único clique custou. A resposta honesta: de graça a quase duzentos dólares, dependendo do modelo, do provedor e das letras miúdas. Os preços de reconhecimento de fala parecem simples em uma página de apresentação, e depois se dividem em tarifas por minuto, níveis em lote versus tempo real, limites de requisições, incrementos mínimos de cobrança e complementos que dobram a conta sem alarde.
Este artigo divide o custo dos modelos de reconhecimento de fala em números com os quais você pode planejar. Você verá preços típicos por minuto, quais opções gratuitas se sustentam em cargas reais de trabalho, como os limites de API se comportam, quais custos ocultos aparecem depois da fatura e quais modelos do PicassoIA oferecem a melhor relação entre preço e precisão para transcrição.
💡 Resposta rápida: A maioria dos serviços hospedados de fala para texto fica entre US$ 0,0025 e US$ 0,016 por minuto em 2026. O Whisper de código aberto hospedado por conta própria não tem taxa por minuto, mas você paga em hardware, tempo de configuração e manutenção. Sempre confira a página de preços de cada provedor antes de se comprometer, porque tarifas e franquias gratuitas mudam com frequência.
O que o reconhecimento de fala realmente custa
Antes de comparar fornecedores, ajuda saber o que você está de fato pagando. O reconhecimento de fala é cobrado como a eletricidade: você paga pelo que passa pelo medidor, e a tarifa depende de quão rápido e limpo você quer o resultado.
Como funciona a cobrança por minuto
Quase todo serviço de transcrição hospedado cobra pela duração do áudio, não por palavras ou tamanho do arquivo. Um podcast de 60 minutos custa o mesmo quer o apresentador fale sem parar, quer deixe longos silêncios. Alguns provedores arredondam cada requisição para o segundo mais próximo, ou até para os 15 segundos mais próximos, o que importa se seu app envia milhares de clipes curtos. Dez mil comandos de voz de 4 segundos arredondados para 15 segundos cada custarão quase quatro vezes mais do que sugere a duração bruta do áudio.
Outros padrões de cobrança que você vai encontrar:
- Tarifas por hora, que parecem mais assustadoras no papel, mas se convertem no mesmo número por minuto.
- Preço baseado em tokens, usado pelos modelos multimodais mais novos, em que o áudio é convertido em tokens e cobrado como texto.
- Sistemas de créditos, em que um único saldo paga várias ferramentas e a tarifa efetiva por minuto depende do plano.
- Assinaturas mensais, comuns em assistentes de reunião, com limites de minutos por mês.

Faixas típicas de preço em 2027
Comparações de preços de terceiros divergem em alguns números, em parte porque alguns informam por minuto e outros por hora. Trate a tabela abaixo como uma faixa realista, e não como uma cotação oficial.
| Provedor ou modelo | Preço aproximado por minuto | Observações |
|---|
| GPT-4o Mini Transcribe (OpenAI) | cerca de US$ 0,003 | Opção mais barata da OpenAI |
| GPT-4o Transcribe (OpenAI) | cerca de US$ 0,006 | Nível de maior precisão |
| Whisper API (OpenAI) | cerca de US$ 0,006 | Opção hospedada mais antiga |
| Google Cloud Speech-to-Text, lote dinâmico | cerca de US$ 0,003 | Entrega mais lenta, preço menor |
| Google Cloud Speech-to-Text, padrão | cerca de US$ 0,016 | Tarifas menores com volume mensal maior |
| AssemblyAI, nível básico | a partir de US$ 0,0025 | Níveis superiores custam mais |
| Deepgram, tempo real | aproximadamente US$ 0,009 | Varia por modelo e plano |
Veja o que essas tarifas significam para volumes reais.
| Volume de áudio | A US$ 0,003/min | A US$ 0,006/min | A US$ 0,016/min |
|---|
| 10 horas | US$ 1,80 | US$ 3,60 | US$ 9,60 |
| 100 horas | US$ 18 | US$ 36 | US$ 96 |
| 1.000 horas | US$ 180 | US$ 360 | US$ 960 |
A diferença é o que mais importa. Um modelo econômico e um nível premium podem se distanciar em mais de cinco vezes, e para áudio limpo de estúdio o mais barato costuma ser bom o suficiente.
Opções gratuitas que de fato funcionam
Existe reconhecimento de fala gratuito, mas o "grátis" vem em três versões: grátis porque você roda por conta própria, grátis porque um fornecedor oferece um teste, e grátis porque você é o produto. Só as duas primeiras valem seu tempo para trabalho sério.
Whisper de código aberto em casa
O Whisper de código aberto é o benchmark com o qual todos se comparam. Não há taxa por minuto nem limite de uso, então um podcaster com uma GPU decente pode transcrever mil horas pelo preço da eletricidade. A pegadinha está em tudo o que cerca o modelo. Você precisa de uma máquina com placa gráfica capaz para uma velocidade razoável, de alguém à vontade para instalar ambientes Python e de paciência quando algo quebra depois de uma atualização.
Rodar em uma CPU de notebook funciona para arquivos curtos, mas fica lento em áudios longos. Uma gravação de uma hora pode levar mais que o tempo real em hardware fraco, o que anula o objetivo se você precisa de entrega rápida.

Níveis gratuitos hospedados e créditos
Vários serviços hospedados deixam você experimentar antes de cobrar. As franquias informadas mudam o tempo todo, então use estes dados apenas como orientação.
| Serviço | Franquia gratuita informada | Melhor para |
|---|
| Google Cloud | Cerca de 60 minutos por mês de transcrição padrão | Pequenos experimentos |
| AssemblyAI | Por volta de 300 minutos de uso incluído | Protótipos |
| Rev AI | Por volta de 300 minutos grátis | Testes curtos |
| Deepgram | Crédito inicial de cerca de US$ 200 | Desenvolvedores testando em escala |
| Otter.ai | Por volta de 600 minutos por mês | Anotações de reuniões |
| Whisper hospedado na Groq | Cota gratuita recorrente com limites de requisições rígidos | Projetos de baixo volume |
Os níveis gratuitos são feitos para converter você em cliente pagante. São perfeitos para testar a precisão com o seu próprio áudio e ruins como plano de longo prazo para uma empresa. No momento em que uma franquia gratuita acaba no meio de um projeto, você precisa de uma alternativa pronta.
💡 Dica: Teste cada candidato com os mesmos três clipes: um limpo, um com ruído e um com sotaques ou falas sobrepostas. O crédito gratuito é melhor gasto no seu pior áudio, e não no melhor.
Preços de API para desenvolvedores
Se você está criando transcrição em um app, o preço por minuto é apenas a primeira linha da planilha. Os detalhes da API decidem se seus custos ficam previsíveis.
Tarifas em lote versus tempo real
A transcrição em lote (assíncrona) é mais barata porque o provedor pode agendar seu trabalho quando há capacidade livre. O streaming em tempo real custa mais porque exige computação sempre ativa e baixa latência. A tarifa de lote dinâmico do Google, perto de US$ 0,003 por minuto, contra cerca de US$ 0,016 para o reconhecimento padrão, mostra o tamanho que a diferença pode ter.
Uma regra simples: se ninguém está esperando pela transcrição, use lote. Arquivos de correio de voz, webinars gravados, auditorias de central de atendimento e acervos de podcast se encaixam aqui. Legendas ao vivo, assistentes de voz e ferramentas de apoio a atendentes precisam de streaming, e o prêmio é o preço da velocidade.

Limites de requisições e de tamanho de arquivo
Os limites são a outra metade do custo. Até um modelo barato fica caro se seu fluxo de trabalho precisa esperar ou dividir arquivos manualmente.
- Requisições por minuto e por dia: um nível gratuito hospedado do Whisper foi informado com cerca de 20 requisições por minuto e 2.000 por dia. Serve para um projeto de hobby, mas não para uma fila de centenas de gravações.
- Limites de tamanho de arquivo: muitas APIs limitam uploads a algumas dezenas de megabytes, então uma gravação longa precisa ser comprimida ou dividida em partes.
- Limites de duração: alguns endpoints restringem uma única requisição a um número fixo de minutos ou horas.
- Concorrência: um limite de trabalhos simultâneos controla a velocidade com que uma fila é esvaziada.
Dividir áudios longos em partes gera um custo próprio. Cortar em pontos arbitrários pode partir palavras ao meio, então bons pipelines dividem nos silêncios e sobrepõem levemente as fronteiras. É mais código para escrever e testar.
Os custos ocultos que ninguém menciona
A tarifa de destaque raramente é o preço final. Três custos aparecem depois que você se cadastra.
Precisão e tempo de revisão
Uma transcrição com 95 por cento de precisão parece ótima até você perceber que, em uma entrevista de 10.000 palavras, cinco por cento significam cerca de 500 palavras erradas para encontrar e corrigir. Se seu editor ganha US$ 30 por hora e gasta duas horas extras corrigindo uma transcrição barata, você acabou de gastar US$ 60 para economizar US$ 2. O modelo mais barato não é o fluxo de trabalho mais barato.
A precisão cai com ruído de fundo, falas sobrepostas, sotaques fortes, vocabulário especializado e microfones ruins. Nomes, marcas e termos técnicos são as vítimas habituais.

Hardware e horas de engenharia
Hospedar por conta própria parece grátis até você contar as peças: uma placa gráfica, consumo de energia, armazenamento para áudios e transcrições, monitoramento, atualizações e alguém para consertar às 2 da manhã. Um único desenvolvedor gastando uma semana na configuração já gastou mais do que a maioria das pequenas equipes pagaria em um ano por uma API hospedada.
Hospedar por conta própria compensa quando você tem um volume grande e constante, exigências rígidas de privacidade ou áudios que não podem sair da sua rede. Para todos os outros, um modelo hospedado costuma ser mais barato quando o seu tempo tem preço.

Complementos que aumentam a conta
As tarifas-base muitas vezes cobrem apenas texto simples. Extras que podem ter sobretaxa ou um nível separado incluem:
- Rótulos de falantes (diarização) para marcar quem disse o quê
- Marcas de tempo por palavra para legendas e edição
- Vocabulário personalizado para nomes de marcas e jargões
- Tradução para outros idiomas
- Resumos e marcadores de capítulos gerados por um modelo de linguagem além da transcrição
- Redação de nomes, números ou outros detalhes sensíveis
Verifique quais desses seu fluxo de trabalho realmente precisa. Um podcaster que só quer texto pesquisável não paga por nenhum deles.
Orçamentos reais para projetos reais
Os números ficam úteis quando ligados a uma situação. Aqui estão três situações comuns, usando as tarifas típicas apresentadas antes.
Podcasters e criadores
Um programa semanal com episódios de 60 minutos produz cerca de 52 horas de áudio por ano. A US$ 0,003 por minuto, isso dá aproximadamente US$ 9,36 por ano. A US$ 0,006, cerca de US$ 18,72. Mesmo o nível mais caro custa menos que um café por mês. Para criadores, a questão não é o preço, e sim se a transcrição está limpa o bastante para ser publicada como notas do programa sem uma hora de edição.
Reuniões e equipes
Uma empresa com 20 pessoas que passam cinco horas em reuniões por semana gera cerca de 100 horas de áudio por semana, ou aproximadamente 5.200 horas por ano. A US$ 0,006 por minuto, isso dá em torno de US$ 1.872 por ano. A US$ 0,016, sobe para cerca de US$ 4.992. Aqui, o processamento em lote e uma política de retenção sensata podem reduzir bastante a conta, porque poucas reuniões precisam de transcrição em tempo real.

Estudantes e pesquisadores
Um estudante que grava 12 aulas por semana, com 50 minutos cada, soma 10 horas semanais. Um semestre de 15 semanas são 150 horas, o que custa cerca de US$ 27 nas tarifas mais baratas e US$ 54 no nível intermediário. Pesquisadores que fazem estudos com entrevistas costumam precisar de rótulos de falantes e alta precisão, então os modelos premium valem o preço.

Modelos do PicassoIA que valem a comparação
O PicassoIA reúne vários modelos de transcrição em um só lugar, então você pode testar como cada um lida com suas próprias gravações sem abrir contas separadas nem painéis de API. A coleção de fala para texto inclui três que se encaixam bem em orçamentos diferentes.
GPT-4o Mini Transcribe para baixo custo
O GPT 4o Mini Transcribe é a escolha econômica. Ele fica na faixa baixa dos preços informados pela OpenAI, o que o torna um padrão sensato para podcasts, notas de voz, gravações de aulas e tudo com áudio razoavelmente claro. Se você transcreve muito e suas gravações são limpas, comece por aqui e só suba de nível quando os erros custarem mais do que a economia.
GPT-4o Transcribe para precisão
O GPT 4o Transcribe é o degrau acima quando a precisão importa mais do que a última fração de centavo. Ele serve para entrevistas com sotaques, salas barulhentas, vocabulário técnico e tudo o que vai para publicação. Compare a saída dele com a versão mini no seu pior clipe. Se a diferença economizar minutos de edição, ele se paga.
Gemini 3 Pro para áudios longos
O Gemini 3 Pro é um modelo multimodal do Google, o que significa que ele pode fazer mais do que copiar palavras. Como é um modelo geral que lê áudio, você pode pedir a transcrição e também solicitar um resumo, itens de ação ou uma versão revisada na mesma passada. Essa flexibilidade serve para reuniões longas e gravações em que a transcrição é apenas o primeiro passo.
O Whisper, o modelo de código aberto mencionado antes, é um projeto separado e não está entre as opções do PicassoIA listadas aqui. Se você quer a precisão no estilo Whisper sem manter o próprio servidor, os modelos acima são as alternativas mais próximas que você pode testar hoje.
Como usar o GPT-4o Mini Transcribe no PicassoIA
Esta é a forma mais rápida de testar a rota econômica com o seu próprio áudio.
- Abra a página do modelo. Acesse o GPT 4o Mini Transcribe no PicassoIA.
- Envie seu áudio. Escolha uma gravação do seu dispositivo. Formatos comuns como MP3, WAV e M4A são a aposta mais segura.
- Defina o idioma, se você souber. Informar o idioma logo no início costuma melhorar a precisão em comparação com deixar a detecção automática, especialmente em clipes curtos.
- Adicione um prompt curto, se o campo estiver disponível. Uma linha com nomes, termos de produtos ou siglas ajuda o modelo a grafá-los corretamente.
- Execute a transcrição. Espere o texto aparecer e confira rapidamente o primeiro e o último minuto, onde os erros tendem a se concentrar.
- Compare com um segundo modelo. Rode o mesmo clipe no GPT 4o Transcribe e compare os resultados. Se a versão mini ficar a poucas palavras de diferença, você encontrou seu padrão barato.
💡 Dica de parâmetros: Para arquivos longos, corte o silêncio do início e divida gravações com mais de uma hora em segmentos de 20 a 30 minutos em pausas naturais. Arquivos menores são mais fáceis de revisar e mais baratos de refazer se uma seção falhar.

Como escolher sem pagar a mais
A comparação de preços vira uma decisão rápida quando você responde cinco perguntas.
- Quantas horas por mês? Abaixo de 10 horas, o preço quase não importa. Acima de 1.000 horas, cada décimo de centavo conta.
- Quão limpo é o áudio? Gravações de estúdio combinam com modelos econômicos. Ligações telefônicas e salas cheias justificam um modelo mais forte.
- Alguém espera pelo resultado? Se não, escolha o preço de lote.
- Você precisa de rótulos de falantes ou marcas de tempo? Confirme que estão incluídos antes de comparar as tarifas de destaque.
- O áudio pode sair da sua rede? Se não pode, hospedar por conta própria se torna a única opção, e o custo são pessoas e hardware.
Um fluxo de trabalho prático que mantém os gastos baixos:
- Transcreva tudo com o modelo mais barato que passar no seu teste de três clipes.
- Sinalize arquivos com baixa confiança ou ruído e refaça apenas esses em um modelo mais forte.
- Guarde transcrições em cache para nunca pagar duas vezes pelo mesmo áudio.
- Apague os áudios que você não precisa mais e mantenha o texto.

💡 Regra prática: Se o seu tempo de edição custa mais de US$ 20 por hora, uma transcrição que economiza dez minutos de limpeza vale uma tarifa três vezes maior.
Teste a transcrição no PicassoIA por conta própria
A melhor forma de resolver a questão do preço é rodar a sua própria gravação. Pegue um clipe limpo e um com ruído, passe os dois pelo GPT 4o Mini Transcribe, pelo GPT 4o Transcribe e pelo Gemini 3 Pro, e compare quantas edições cada transcrição exige. Dez minutos de teste dizem mais do que qualquer tabela de preços.
O PicassoIA também combina transcrição com texto para fala, sincronização labial, geração de música e ferramentas de imagem e vídeo, então a mesma conta que transforma sua entrevista em texto pode ajudar a criar a arte de capa e os cortes do episódio. Veja tudo em picassoia.com/en/all-models, envie uma gravação e descubra quanto seu áudio custa na prática.