Uma comparação lado a lado dos preços de API de fala para texto, com cada tarifa convertida em custo por hora, de US$ 0,04 a US$ 1,44. Veja as contas mensais com 100 e 1.000 horas de áudio, as taxas extras que inflam a fatura e como testar a precisão com suas próprias gravações antes de decidir.
Uma hora de áudio pode custar US$ 0,04 para transcrever em uma API de fala para texto e US$ 1,44 em outra. A mesma gravação, as mesmas palavras, uma diferença de 36x na fatura. Essa variação é o motivo pelo qual os preços de API de fala para texto merecem uma comparação lado a lado antes de você integrar qualquer coisa à produção. Este artigo converte cada tarifa para a mesma unidade, classifica as APIs de transcrição mais baratas e mostra quanto cada uma custa com 100 e 1.000 horas de áudio por mês. Você também verá as taxas extras que dobram discretamente uma conta, os casos em que modelos de preço baixo perdem precisão e como testar três modelos de transcrição no PicassoIA sem escrever uma linha de código.
💡 Todas as tarifas abaixo são preços listados pelos fornecedores no modelo pague conforme o uso, não preços do PicassoIA. Os fornecedores revisam esses valores com frequência, então confirme o número atual na página de preços do fornecedor antes de se comprometer.
Quase todos os fornecedores cobram pela duração do áudio, não pela contagem de palavras ou pelo tamanho do arquivo. Parece simples até você comparar orçamentos. Alguns publicam dólares por minuto, outros por hora, e alguns escondem o número útil atrás de uma regra de cobrança. O primeiro passo é colocar tudo na mesma unidade.
A conversão é uma única conta: multiplique a tarifa por minuto por 60 para obter o custo por hora. Uma tarifa de US$ 0,003 por minuto equivale a US$ 0,18 por hora. Uma tarifa de US$ 0,024 por minuto equivale a US$ 1,44 por hora. Os fornecedores escolhem a unidade que faz o número parecer menor, então faça a conversão você mesmo antes de comparar qualquer coisa.
É na escala que as casas decimais passam a fazer diferença. Uma tarifa que aparece como US$ 0,0025 por minuto parece insignificante, até você perceber que um arquivo de 500 horas são 30.000 minutos, e esse mesmo arquivo custa US$ 75 em um fornecedor e US$ 720 em outro.
Transcrever um arquivo finalizado (em lote, às vezes chamado de pré-gravado) é o caminho barato. A transcrição ao vivo (streaming) custa mais porque o fornecedor precisa manter capacidade de GPU reservada enquanto você fala. A diferença não é pequena:
Se você transcreve gravações depois que elas acontecem, nunca pague tarifas de streaming. Envie o arquivo e espere alguns segundos. Reserve o streaming para legendas ao vivo, agentes de voz e qualquer situação em que uma pessoa espere pelas palavras em tempo real.
Aqui estão todas as principais opções convertidas para as mesmas duas unidades e ordenadas da mais barata para a mais cara. As tarifas são da primeira faixa de uso, em inglês, sem extras.
| Fornecedor e modelo | Por hora | Por minuto | Melhor para |
|---|---|---|---|
| Groq Whisper Large v3 Turbo | $0,04 | ~$0,0007 | Grandes acúmulos, velocidade pura |
| AssemblyAI Universal-2 | $0,15 | $0,0025 | Lote de baixo custo com extras |
| GPT-4o Mini Transcribe | $0,18 | $0,003 | Uso geral, orçamentos apertados |
| AssemblyAI Universal-3.5 Pro | $0,21 | $0,0035 | Áudio mais difícil por pouco |
| Deepgram Nova-3 (pré-gravado) | ~$0,26 | ~$0,0043 | Ferramentas para desenvolvedores, volume |
| GPT-4o Transcribe | $0,36 | $0,006 | Sotaques e áudios confusos |
| Google Cloud Speech-to-Text V2 | $0,96 | $0,016 | Equipes que usam Google Cloud |
| Azure Speech (padrão) | $1,00 | ~$0,0167 | Ecossistema Microsoft |
| AWS Transcribe (Nível 1) | $1,44 | $0,024 | Pipelines nativos da AWS |
💡 O Whisper large v3 na própria API da OpenAI custa US$ 0,006 por minuto, o mesmo valor do GPT-4o Transcribe. Quando o preço é idêntico, o modelo mais novo é a escolha mais segura para sotaques e ruído de fundo.
Quatro opções ficam abaixo de um quarto de dólar por hora de áudio. A Groq é a exceção: o Whisper Large v3 Turbo hospedado a US$ 0,04 por hora roda centenas de vezes mais rápido que o tempo real, então uma hora de áudio termina em bem menos de um minuto. A contrapartida é um conjunto de recursos mais enxuto, com menos extras embutidos do que os fornecedores especializados.
O AssemblyAI Universal-2 a US$ 0,15 por hora é a opção mais barata que ainda vem com um conjunto completo de recursos opcionais, e o modelo Universal-3.5 Pro acrescenta precisão por US$ 0,06 a mais por hora. O GPT-4o Mini Transcribe fica em US$ 0,18 por hora e é o ponto ideal para estudantes, criadores independentes e pequenas equipes que querem boa precisão sem gerenciar um monte de contas de fornecedores.
Google Cloud, Azure e AWS cobram entre US$ 0,96 e US$ 1,44 por hora pela transcrição padrão. Isso representa de 6 a 36 vezes a faixa de orçamento. Você não está pagando por palavras melhores. Está pagando por certificações de conformidade, residência regional de dados, login único e pela comodidade de ter uma única fatura que já existe no sistema financeiro.
Se sua empresa já roda em uma dessas nuvens e o jurídico exige que o áudio fique dentro dela, o preço premium faz sentido. Se não exige, o premium é um imposto sobre o hábito. O modo de lote com desconto do Google é a exceção, porque leva o custo de volta perto da faixa intermediária, em torno de US$ 0,18 a US$ 0,24 por hora.
As tarifas por minuto só ganham significado quando você as multiplica pela sua carga de trabalho. Esta tabela usa 100 e 1.000 horas de áudio por mês, apenas com as tarifas base.
| Opção | 100 horas por mês | 1.000 horas por mês |
|---|---|---|
| Groq Whisper Large v3 Turbo | $4 | $40 |
| AssemblyAI Universal-2 | $15 | $150 |
| GPT-4o Mini Transcribe | $18 | $180 |
| AssemblyAI Universal-3.5 Pro | $21 | $210 |
| Deepgram Nova-3 (pré-gravado) | ~$26 | ~$258 |
| GPT-4o Transcribe | $36 | $360 |
| Google Cloud V2 | $96 | $960 |
| Azure Speech | $100 | $1.000 |
| AWS Transcribe | $144 | $1.440 |
Imagine uma rede que publica 50 episódios de duas horas por mês. São 100 horas de áudio. A opção mais barata custa US$ 4 e a mais cara US$ 144, uma diferença de US$ 140 por mês. Nesse volume, a fatura não é o problema. Uma única hora gasta corrigindo uma transcrição ruim custa mais que a conta mensal inteira na maioria dessas opções, então escolha primeiro pela precisão e pelo fluxo de trabalho, e use o preço como critério de desempate.
Agora amplie para uma equipe de suporte que grava 1.000 horas de chamadas por mês. A diferença entre a opção mais barata e a mais cara passa a ser de US$ 1.400 por mês, ou US$ 16.800 por ano. As opções intermediárias, entre US$ 150 e US$ 360 por mês, agora são de maior impacto, e é nessa faixa que testar dois ou três fornecedores com o seu próprio áudio se paga em uma única tarde.
O preço de vitrine é apenas a transcrição base e nada mais. Faturas reais são montadas a partir da tarifa base mais tudo o que você ativa.
Rótulos de falante, filtro de palavrões, redação de dados pessoais, detecção de idioma, tags de sentimento e resumos costumam ser cobrados à parte. Cobranças típicas são assim:
Ative três ou quatro desses recursos e uma tarifa base de US$ 0,15 pode dobrar ou mais. Sempre precifique o conjunto exato de recursos de que seu produto precisa, não o número de destaque.
💡 Os planos gratuitos ajudam você a testar antes de pagar. A Deepgram oferece um crédito inicial de US$ 200, a AssemblyAI concede uma cota de créditos gratuitos, o Google inclui 60 minutos gratuitos por mês, e a AWS inclui 60 minutos gratuitos por mês durante o primeiro ano.
Regras de cobrança importam tanto quanto os extras. A AWS Transcribe cobra um mínimo de 15 segundos por solicitação, então um app de comandos de voz que envia clipes de 3 segundos paga por cinco vezes o áudio que realmente envia. Os limites de envio também importam: os endpoints de transcrição da OpenAI aceitam arquivos de até cerca de 25 MB, então gravações longas precisam ser divididas em partes, e partes sobrepostas significam pagar duas vezes pelos segundos que se sobrepõem.
Economizar US$ 30 por mês em transcrição é um mau negócio se o fornecedor mais barato custar quatro horas extras ao seu desenvolvedor. Verifique se há um SDK na sua linguagem, webhooks para trabalhos concluídos, limites de taxa sensatos e mensagens de erro previsíveis antes de se comprometer. Com um custo de engenharia de US$ 75 por hora, quatro horas de dor de integração equivalem a dez meses de uma economia de US$ 30.
Um preço por hora não diz nada sobre quantas palavras saem erradas. Dois fornecedores com a mesma tarifa podem deixar você com quantidades muito diferentes de correção, e a correção é paga em tempo humano.
Modelos de baixo custo tendem a escorregar nos mesmos pontos: sotaques carregados, duas pessoas falando ao mesmo tempo, gravações de campo com vento ou maquinário, nomes de produtos, siglas e números falados. Cada escorregão vira uma edição.
Faça a conta da edição. Com um editor cobrando US$ 30 por hora, cada minuto de edição custa US$ 0,50. Cada 10 minutos extras de correção por hora de áudio acrescentam US$ 5, o que é mais do que toda a conta da AWS Transcribe para essa hora. Uma transcrição que custa US$ 0,18 e precisa de 20 minutos de ajustes é mais cara do que uma que custa US$ 0,36 e precisa de 5.
O único teste confiável é o seu próprio áudio. Escolha três arquivos representativos, passe cada um por três modelos e conte as edições que você precisa fazer. Faça isso antes de decidir qualquer coisa com base em um gráfico de benchmark.
Reuniões são o caso cotidiano mais difícil, porque a transcrição não serve de nada sem saber quem disse o quê. Alguns modelos incluem rótulos de falante no preço base, como a variante de diarização do modelo de transcrição da OpenAI, enquanto outros cobram por eles como extra. Ao comparar uma carga de trabalho voltada para reuniões, some a taxa de diarização a todas as opções da lista de candidatos e então compare os totais. A tarifa base mais baixa frequentemente deixa de ser a mais barata no total.
O PicassoIA hospeda três modelos de fala para texto que você pode testar direto no navegador: GPT-4o Mini Transcribe, GPT-4o Transcribe e Gemini 3 Pro. Isso faz dele uma forma rápida de rodar o teste de três arquivos da seção anterior antes de abrir qualquer conta de fornecedor.
A transcrição costuma ser o primeiro passo de um fluxo mais longo. Depois que você tem um texto limpo, pode reaproveitá-lo: narrá-lo com uma nova voz, traduzi-lo e regravá-lo ou criar uma trilha em volta dele. O PicassoIA reúne essas etapas em um só lugar.
Envie uma transcrição corrigida para um modelo de texto para fala e você obtém uma faixa de narração limpa sem reservar um estúdio. O Speech 2.8 HD é voltado para locuções com qualidade de estúdio, o ElevenLabs v3 foca em uma entrega expressiva, o Gemini 3.1 Flash TTS oferece 30 vozes em mais de 70 idiomas, e o Realtime TTS 2 é feito para uso de baixa latência. Esse é o ciclo prático para podcasters que querem uma edição em segundo idioma de cada episódio.
A narração soa finalizada depois que ganha uma cama musical discreta por baixo. O Music 2.6 gera canções completas a partir de um prompt de texto, o Lyria 3 Pro cria peças instrumentais mais longas, e o Stable Audio 2.5 combina bem com loops curtos e camas ambientes. Descreva o clima em uma frase, mantenha a faixa instrumental e deixe-a de 15 a 20 decibéis abaixo da voz.
Aqui está a versão resumida de tudo o que foi dito acima:
Seja qual for a sua escolha, trate o primeiro mês como um teste. Registre a fatura real, divida-a pelas horas transcritas e compare com a tabela acima. Os preços mudam, e suas necessidades também. Um fornecedor que vence hoje em custo pode perder no próximo trimestre em precisão ou limites, então mantenha sua integração enxuta o suficiente para trocar de fornecedor com uma mudança de uma linha, e tenha à mão um clipe de teste de 5 minutos para rodar de novo sempre que uma tarifa mudar.
Pronto para colocar isso em prática? Abra o PicassoIA, envie uma das suas próprias gravações para o GPT-4o Mini Transcribe e depois teste o mesmo clipe nos outros modelos de transcrição. Quando o texto estiver certo, narre-o com uma voz de texto para fala, adicione uma cama musical e veja até onde uma única gravação pode chegar. Explore o catálogo completo em picassoia.com/en/all-models e comece a experimentar hoje.
Escolha seu idioma
