How much does speech-to-text cost per minute?

In 2026, transcription APIs bill roughly $0.0037 to $0.024 per minute of audio. Deepgram and AssemblyAI's batch tiers sit at the cheap end (well under half a cent a minute), OpenAI Whisper is around $0.006, and the big-cloud services — Google, AWS, Azure — are typically more expensive per minute but bundle into existing cloud accounts. Real-time streaming usually costs more than batch transcription of recorded files.

Why is real-time transcription more expensive than batch?

Streaming speech-to-text holds a live connection and returns partial results with low latency, which is more compute-intensive than transcribing a finished file in the background. Most providers charge a premium for real-time over batch. If your use case can tolerate a few minutes of delay — meeting notes, podcast transcripts, call analytics — batch mode is noticeably cheaper for the same audio.

Is open-source Whisper cheaper than the API?

Running open-source Whisper on your own GPU removes the per-minute fee, but you pay for the GPU, ops and idle time. Below a few hundred hours a month the hosted API is almost always cheaper and far simpler; above that, self-hosting can win. The crossover depends on utilisation — a GPU transcribing 24/7 amortises well, one used a few hours a day does not.

Calculadora de costos de transcripción de audio: precio por hora

Calculadora de costos de transcripción de audio

✓ Última verificación: 2026-07-15· Fuente: página oficial de precios del proveedor.· Supervisado automáticamente — reportar cambio →

La transcripción se factura por minuto de audio y el proveedor más barato puede costar cinco veces menos que el más caro. Ingrese su audio mensual para clasificar cada API de voz a texto según lo que realmente pagaría.

Precio por minuto, cinco veces mayor

Las API de voz a texto facturan por parte del minuto de audio, no por el tamaño del archivo o el número de palabras, lo que simplifica la planificación del volumen: calcule sus horas, multiplíquelas por sesenta y multiplíquelas por la tarifa por minuto. El problema es cuán amplia es la propagación. Los niveles por lotes de Deepgram y AssemblyAI transcriben un minuto por mucho menos de medio centavo, la API Whisper de OpenAI cuesta alrededor de seis décimas de centavo y los servicios de hiperescalado (Google, AWS Transcribe, Azure) generalmente cobran de dos a cuatro veces más por minuto. Durante miles de horas al mes, esa brecha se convierte en miles de dólares al año para una producción idéntica.

Lote versus tiempo real es el otro gran dial

La segunda palanca de costos es estado latente. La transcripción en tiempo real (subtítulos en vivo, agentes de voz, monitoreo de llamadas) mantiene una conexión abierta y devuelve las palabras a medida que se pronuncian, y los proveedores cobran una prima por ello. La transcripción por lotes de archivos grabados se ejecuta en segundo plano y es notablemente más económica. Si su producto puede esperar unos minutos (resúmenes de reuniones, transcripciones de podcasts, análisis de llamadas archivadas), utilice lotes y gane la diferencia. Pague solo en tiempo real cuando el usuario realmente esté esperando las palabras.

Cuándo autohospedar Whisper

Whisper, de código abierto, elimina la tarifa por minuto pero agrega GPU, operaciones y costos de inactividad. Por debajo de unos pocos cientos de horas al mes, la API alojada gana tanto en precio como en simplicidad; por encima de eso, una GPU bien utilizada que se ejecute cerca del reloj puede superarlo. Encuentra tu crossover en el calculadora autohospedada vs API. Si la transcripción alimenta un LLM (resúmenes, preguntas y respuestas sobre llamadas), agregue ese costo simbólico en el Calculadora de costos de tokens LLM, y sumar toda la tubería en el Estimador de costos de aplicaciones de IA.

Herramientas y guías relacionadas

Estimador de costos de aplicaciones de IA · Calculadora autohospedada frente a API · Calculadora de costos de agentes de voz con IA · API LLM más barata · Todas las API de IA

Preguntas frecuentes

¿Cuánto cuesta la conversión de voz a texto por minuto?

En 2026, las API de transcripción facturarán aproximadamente entre 0,0037 y 0,024 dólares por minuto de audio. Los niveles de lotes de Deepgram y AssemblyAI se encuentran en el extremo económico (muy por debajo de medio centavo por minuto), OpenAI Whisper cuesta alrededor de $ 0,006 y los grandes servicios de nube (Google, AWS, Azure) suelen ser más caros por minuto, pero se agrupan en cuentas de nube existentes. La transmisión en tiempo real suele costar más que la transcripción por lotes de archivos grabados.

¿Por qué la transcripción en tiempo real es más cara que la transcripción por lotes?

La transmisión de voz a texto mantiene una conexión en vivo y devuelve resultados parciales con baja latencia, lo que requiere más procesamiento que transcribir un archivo terminado en segundo plano. La mayoría de los proveedores cobran una prima por el tiempo real sobre el lote. Si su caso de uso puede tolerar unos minutos de retraso (notas de reuniones, transcripciones de podcasts, análisis de llamadas), el modo por lotes es notablemente más económico para el mismo audio.

¿Es Whisper de código abierto más barato que la API?

Al ejecutar Whisper de código abierto en su propia GPU se elimina la tarifa por minuto, pero usted paga por la GPU, las operaciones y el tiempo de inactividad. Por debajo de unos pocos cientos de horas al mes, la API alojada casi siempre es más barata y mucho más sencilla; por encima de eso, el autohospedaje puede ganar. El cruce depende de la utilización: una GPU que transcribe las 24 horas del día, los 7 días de la semana se amortiza bien, una que se usa unas pocas horas al día no.