Você tem uma pasta cheia de gravações, um prazo e uma dúvida incômoda: quanto vai custar transformar toda essa fala em texto? A resposta honesta é "menos que um café" para a maioria das pessoas, e "um item de orçamento considerável" para call centers e arquivos de mídia. O segredo é saber qual modelo da OpenAI você está pagando, como a cobrança funciona de fato e quando uma rota gratuita ou mais barata faz mais sentido.
Este artigo detalha o preço do OpenAI speech to text em números simples, mostra quanto custam projetos típicos por mês, lista as opções gratuitas que realmente funcionam e compara alternativas que você pode testar agora mesmo.
💡 Resposta rápida: os modelos de transcrição da OpenAI ficam em torno de US$ 0,003 a US$ 0,006 por minuto de áudio. Isso equivale a cerca de US$ 0,18 a US$ 0,36 por hora. Não existe um nível gratuito permanente na API, mas há várias rotas gratuitas que funcionam, detalhadas abaixo.
O que a OpenAI cobra por minuto
A OpenAI vende speech to text pela API, sob alguns nomes de modelo. O preço de tabela costuma ser informado por minuto, o que facilita o planejamento, embora a cobrança por trás disso seja mais detalhada.

Os três preços
Estas são as tarifas em que a maioria dos comparadores de preços e as próprias páginas de modelo da OpenAI concordam até o momento da redação:
| Modelo | Custo aprox. por minuto | Custo aprox. por hora | Ideal para |
|---|
| whisper-1 (API Whisper original) | US$ 0,006 | US$ 0,36 | Fluxos legados, legendas com marcações de tempo |
| gpt-4o-transcribe | US$ 0,006 | US$ 0,36 | Maior precisão, sotaques, áudio com ruído |
| gpt-4o-mini-transcribe | US$ 0,003 | US$ 0,18 | Alto volume, áudio limpo, orçamentos apertados |
Dois pontos se destacam. Primeiro, o modelo premium GPT-4o custa o mesmo por minuto que o antigo endpoint do Whisper, mas em geral lida melhor com sotaques, ruído de fundo e fala rápida. Segundo, a versão mini custa a metade do preço, o que pesa muito quando você passa de algumas centenas de horas.
Você pode testar as duas opções do GPT-4o sem escrever código: GPT-4o Transcribe e GPT-4o Mini Transcribe estão disponíveis no PicassoIA.
⚠️ Atenção: preços e ciclos de vida dos modelos mudam. Um comparador que consultei listava um modelo mais novo da OpenAI por cerca de US$ 0,0045 por minuto e mencionava uma data de descontinuação do modelo mini no início de 2027. Não consegui confirmar nenhum dos dois dados, então verifique na página de preços oficial da OpenAI antes de se comprometer com um grande lote de processamento.
Por que a cobrança é baseada em tokens
O valor por minuto é uma estimativa. Por trás disso, os modelos de transcrição do GPT-4o cobram por tokens: tokens de entrada de áudio, quando o modelo ouve, mais tokens de saída de texto, referentes à transcrição que ele escreve. A OpenAI converte isso em um custo médio por minuto para que o planejamento seja simples.
Na prática, isso significa:
- Fala densa custa um pouco mais. Quem fala rápido gera mais tokens de saída do que quem fala devagar.
- Silêncio não é de graça. Pausas longas e música de espera ainda contam como entrada de áudio.
- Prompts adicionam tokens de entrada. Se você passar um prompt de texto longo para orientar o vocabulário, esse texto também é cobrado.
Para planejar, usar US$ 0,006 por minuto no modelo premium e US$ 0,003 no mini mantém você a poucos por cento da fatura real em áudio de conversas normais.

Custos reais para projetos reais
As tarifas só fazem sentido quando você as multiplica pela sua carga de trabalho. Estes exemplos usam os dois preços do GPT-4o da tabela acima.
| Volume de áudio | gpt-4o-mini-transcribe (US$ 0,003/min) | gpt-4o-transcribe (US$ 0,006/min) |
|---|
| 10 minutos | US$ 0,03 | US$ 0,06 |
| 1 hora | US$ 0,18 | US$ 0,36 |
| 10 horas | US$ 1,80 | US$ 3,60 |
| 100 horas | US$ 18 | US$ 36 |
| 1.000 horas | US$ 180 | US$ 360 |
Podcasts e entrevistas
Um podcast semanal com quatro episódios de 60 minutos gera 240 minutos de áudio por mês. Isso custa US$ 0,72 no mini ou US$ 1,44 no modelo premium. Mesmo um programa diário fica abaixo de US$ 10 por mês.
Jornalistas e pesquisadores ficam em faixa parecida. Um repórter investigativo com 30 horas de gravações de entrevistas paga cerca de US$ 5 a US$ 11 para obter uma transcrição pesquisável. Aqui o dinheiro não é o problema. O que pesa é a precisão com nomes, jargões e falas sobrepostas, e por isso o modelo premium costuma vencer nas entrevistas.

Palestras e reuniões
Um departamento universitário que grava 20 palestras por semana, com 90 minutos cada, processa 30 horas por semana, ou cerca de 130 horas por mês. Isso custa cerca de US$ 23 no mini e US$ 47 no modelo premium. Compare com a transcrição humana, que costuma custar de cerca de um dólar a vários dólares por minuto de áudio, e a diferença é difícil de ignorar.

As reuniões de empresas seguem a mesma conta. Uma equipe de 25 pessoas com 10 horas de chamadas gravadas por pessoa a cada mês gera 250 horas, o que custa US$ 45 no mini ou US$ 90 no premium. Se essas transcrições alimentam resumos de reunião ou a extração de itens de ação, a conta de speech to text costuma ser a menor parte do processo.
Call centers em escala
É aqui que as casas decimais começam a importar. Considere 50 atendentes, 6 horas de conversa ao vivo por dia e 22 dias úteis por mês: cerca de 6.600 horas de áudio.
- No mini: cerca de US$ 1.188 por mês
- No modelo premium: cerca de US$ 2.376 por mês
Nesse volume, escolher o mini para o áudio limpo dos headsets e usar o modelo premium só nas chamadas difíceis (sotaques fortes, viva-voz, salas barulhentas) pode economizar milhares de dólares por ano sem prejudicar a qualidade onde ela importa.

Opções gratuitas que valem a pena testar
Existe uma rota gratuita de speech to text da OpenAI? Não como nível permanente da API. A OpenAI geralmente cobra desde a primeira requisição, embora contas novas às vezes recebam créditos de teste, então confira seu painel. Além disso, há três caminhos gratuitos realistas.

Whisper de pesos abertos rodando localmente
A OpenAI lançou o modelo Whisper original com pesos abertos, então você pode rodá-lo no próprio computador com custo zero por minuto. As contrapartidas são reais, porém:
- Você precisa de uma GPU boa para ter uma velocidade razoável. Em uma CPU, uma hora de áudio pode levar mais de uma hora para ser processada.
- Você mantém a configuração sozinho: Python, drivers, tamanhos de modelo, atualizações.
- A precisão dos modelos locais menores fica abaixo do que entregam os modelos de transcrição do GPT-4o hospedados.
Se você transcreve alguns arquivos por mês e gosta de mexer nas configurações, isso é ótimo. Se você quer confiabilidade e nenhuma configuração, um modelo hospedado custa menos do que o seu tempo.
Créditos gratuitos e testes
Muitas plataformas dão aos novos usuários uma pequena cota. No PicassoIA, você pode rodar modelos de speech to text direto no navegador, sem código, o que ajuda a testar um modelo com o seu próprio áudio antes de orçar um grande lote. Verifique seu plano atual para saber o que está incluído.
💡 Dica: teste primeiro um trecho representativo de 5 minutos: o mais barulhento e com mais sotaques que você tiver. Se o modelo mais barato der conta, você acabou de reduzir a conta pela metade.
Ditado embutido
Se sua necessidade real é ditado (falar para digitar anotações ou e-mails), o teclado do celular, o ditado do sistema operacional e o modo de voz do ChatGPT já fazem isso sem uma cobrança separada por minuto. Eles não foram feitos para processar gravações em lote nem gerar arquivos com marcações de tempo, mas para anotações pessoais não custam nada a mais.
Custos ocultos por trás da tarifa
O preço por minuto é só uma parte do custo real de um fluxo de transcrição.

Limites de arquivo e divisão em partes
O endpoint de transcrição da OpenAI limita os envios a cerca de 25 MB por arquivo. Um MP3 de uma hora em qualidade normal pode ultrapassar esse limite, e arquivos WAV chegam lá em poucos minutos. Então você precisa comprimir ou dividir o áudio, o que exige trabalho com scripts e gera cortes desajeitados no meio das frases. Dividir nos silêncios, em vez de em intervalos fixos, evita a maior parte das palavras perdidas nas emendas.
Tempo de limpeza e revisão
Nenhum modelo de speech to text é perfeito. Reserve tempo para estes pontos:
- Nomes próprios e marcas, que são os que mais aparecem com grafia errada
- Identificação de falantes, já que a transcrição básica devolve texto corrido, sem dizer quem falou o quê
- Pontuação e parágrafos em conteúdos longos
- Termos técnicos de medicina, direito ou engenharia
Um prompt de texto curto que liste os nomes e termos incomuns da gravação evita muitos desses erros antes que aconteçam. Esse pequeno hábito costuma economizar mais tempo do que trocar de modelo.
Alternativas à transcrição da OpenAI
A OpenAI não é a única opção e, para alguns trabalhos, não é a melhor.

Gemini 3 Pro
O Gemini 3 Pro, do Google, é um modelo multimodal que consegue ouvir o áudio e devolver uma transcrição, e também pode resumir, traduzir ou responder perguntas sobre a gravação no mesmo passo. Isso o torna uma ótima escolha para reuniões, em que a transcrição é só o ponto de partida. Use-o lado a lado com o GPT-4o Transcribe no seu próprio áudio e compare os erros em nomes e números.
Outros fornecedores que vale conhecer
Vários fornecedores especializados em fala competem diretamente em preço e recursos. Deepgram, AssemblyAI, Google Cloud Speech-to-Text, Amazon Transcribe e Microsoft Azure Speech oferecem preços por minuto ou por hora, muitas vezes com extras como identificação de falantes, transmissão ao vivo e vocabulários personalizados. As tarifas variam por nível e volume, então compare cotações para a sua carga real de trabalho em vez de confiar nos números anunciados.
Veja uma forma simples de escolher:
| Sua situação | Melhor opção |
|---|
| Menor custo com áudio limpo | GPT-4o Mini Transcribe |
| Sotaques, ruído, entrevistas | GPT-4o Transcribe |
| Transcrição mais resumo ou tradução | Gemini 3 Pro |
| Custo zero, você tem uma GPU | Whisper local de pesos abertos |
| Legendas ao vivo, identificação de falantes já incluída | Um fornecedor dedicado de streaming |
Como usar o GPT-4o Transcribe no PicassoIA
Se você quer o modelo premium da OpenAI sem gerenciar chave de API, painel de cobrança ou scripts de upload, o GPT-4o Transcribe no PicassoIA roda inteiramente no navegador.

Passo a passo
- Abra a página do modelo. Acesse o GPT-4o Transcribe.
- Envie seu arquivo de áudio. Os formatos aceitos incluem MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM. Não é preciso converter.
- Defina o idioma. Digite o código ISO-639-1, como
en para inglês, es para espanhol ou fr para francês.
- Adicione um prompt opcional. Liste nomes, produtos ou jargões que aparecem na gravação, ou cole as últimas linhas do segmento anterior se você dividiu um arquivo longo.
- Deixe a temperatura em 0. Na transcrição, você quer a saída mais literal possível.
- Execute e copie a transcrição. Cole no seu editor, ferramenta de legendas ou aplicativo de notas.
Dicas de parâmetros
| Parâmetro | O que faz | Recomendação |
|---|
| audio_file | A gravação a transcrever (obrigatório) | Corte longos silêncios e introduções antes |
| language | Código ISO-639-1 | Sempre defina: maior precisão e menor latência |
| prompt | Texto de estilo ou continuação | Use o idioma do áudio; mantenha curto |
| temperature | Aleatoriedade de 0 a 1 | Use 0, a menos que veja saídas repetitivas |
💡 Jogada de orçamento: faça a primeira passagem no GPT-4o Mini Transcribe. Envie para o modelo premium apenas os arquivos com erros visíveis. Para a maioria das bibliotecas, isso reduz os gastos em 30 a 40 por cento.
Qual modelo escolher
Deixe de lado o debate de planilhas e siga este caminho de decisão curto:
- Menos de 50 horas por mês? O custo é irrelevante. Escolha o modelo premium e aproveite ter menos correções.
- Mais de 500 horas por mês com áudio limpo? Comece com o mini e revise 5 por cento da saída para checar a qualidade.
- Qualidade de áudio mista? Direcione pela dificuldade: mini para gravações de estúdio e headset, premium para ligações telefônicas e salas com eco.
- Precisa de mais do que uma transcrição? Teste o Gemini 3 Pro e deixe que ele resuma e traduza no mesmo passo.
- As regras de privacidade proíbem enviar áudio a um serviço em nuvem? O Whisper local de pesos abertos é a sua única opção realmente offline.
Mais um lembrete sobre os números: as tarifas aqui são as médias que a maioria das fontes informa agora. Faça um teste de 10 minutos, confira o consumo na fatura ou no painel e extrapole a partir do seu próprio áudio, e não do preço anunciado de qualquer pessoa, inclusive o meu.
Experimente no Picasso IA hoje
A transcrição custa frações de centavo por minuto, então a maneira mais barata de resolver a dúvida é testar você mesmo. Separe sua gravação mais barulhenta, envie-a para o GPT-4o Transcribe, passe o mesmo arquivo pelo GPT-4o Mini Transcribe e pelo Gemini 3 Pro e compare as três transcrições linha por linha.
O Picasso IA também reúne, no mesmo espaço de trabalho, texto para fala, geração de música com IA, criação de imagens e ferramentas de vídeo, então uma gravação pode virar transcrição, narração ou imagem em poucos cliques. Explore o catálogo completo em picassoia.com/en/all-models e comece a experimentar com o seu próprio áudio hoje.