Transcribe audio hablado a texto.
Selección rápida
6 modelos
Community
Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.
whisperstttranscription
≈ 0,0056 US$/ejecución
OpenAI
OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.
whisperstttranscription
≈ 0,0034 US$/ejecución
Community
Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.
metaseamlessstt
≈ 0,156 US$/ejecución
Community
Meta SeamlessM4T v2 Large speech mode. Speech-to-speech, speech-to-text, and text-to-speech translation across 100+ languages in a single unified model.
translationmetaopen-weights
≈ 0,0012 US$/ejecución
Community
Whisper Large v3 Turbo combined with pyannote 4.0 for speaker diarization, returning who-said-what segments with timestamps. Built by Thomas Mol. Returns a clean JSON of speaker-labeled segments, handy for meeting notes, interviews, and podcasts.
whisperstttranscription
≈ 0,0063 US$/ejecución
Community
WhisperX (Large v3) with forced alignment for accurate word-level timestamps plus optional speaker diarization. Uses VAD to cut long files into segments and a wav2vec2 aligner to pin each word to its exact time. Useful for subtitles and per-speaker transcripts.
whisperxstttranscription
≈ 0,0241 US$/ejecución
OpenAI
OpenAI's Whisper model. State-of-the-art speech recognition supporting 99+ languages.
multilingual
Actualmente no disponible
OpenAI
OpenAI's distilled Whisper Large v3. ~216x realtime, 99+ languages, MIT-licensed weights.
whisperstttranscription
Desactivado
Other
Deepgram's flagship STT. First to offer realtime multilingual transcription with self-serve customization.
deepgramstttranscription
Actualmente no disponible
ElevenLabs
ElevenLabs' STT. 99 languages, word-level timestamps, speaker diarization, audio-event tagging.
scribestttranscription
Desactivado
Sus páginas permanecen en línea, pero no se pueden ejecutar en este momento.
Los modelos de voz a texto (STT) convierten el audio hablado en texto escrito. La categoría cubre desde transcripciones de podcasts hasta pipelines de subtitulado en tiempo real e interfaces de comandos de voz dentro de apps móviles. Recurres a STT cuando necesitas buscar dentro de audio, construir dictado, resumir reuniones o generar subtítulos para accesibilidad.
Las APIs alojadas suelen cobrar por minuto de audio. En Railwail, los modelos Whisper corren en Replicate y se cobran por tiempo de GPU; cada página de modelo muestra el precio de una ejecución típica. Algunos proveedores cobran extra por funciones premium como diarización de hablantes, marcas de tiempo a nivel de palabra, resúmenes o traducción, así que haz las cuentas con las funciones que realmente vas a activar.
El compromiso es precisión, latencia y riqueza de funciones. Whisper Large V3 lidera en tasa de error de palabra bruta en las evaluaciones benchmark y es de pesos abiertos, así que puedes auto-alojarlo. Deepgram Nova-3 y AssemblyAI Universal lideran en latencia de streaming (primer token por debajo de 300 ms) y calidad de diarización. ElevenLabs Scribe lidera en cobertura multilingüe y code-switching (cuando los hablantes cambian de idioma a mitad de frase). Para transcripción por lotes, Whisper suele ganar en coste y precisión. Para transcripción de llamadas en tiempo real, gana un proveedor streaming-first.
Cuidado con el audio ruidoso: la tasa de error de palabra aproximadamente se duplica por debajo de 20 dB SNR en todos los modelos, y los hablantes que se solapan degradan la diarización incluso en los punteros. Pre-procesa con un modelo de supresión de ruido (RNNoise, Krisp) si tu fuente es impredecible. Cuidado también con los nombres propios: todos los modelos siguen transcribiendo mal nombres poco comunes, términos técnicos y nombres de marca. La mayoría de proveedores aceptan una lista de pistas `keywords` para sesgar el decodificador — úsala.
Las selecciones principales arriba cubren el modelo más preciso, el caballo de batalla más barato, el de mayor soporte de audio y la opción streaming más rápida.
Whisper Large V3 lidera en tasa de error de palabra en los benchmarks independientes en la mayoría de idiomas. Deepgram Nova-3 lidera en inglés con streaming de baja latencia. AssemblyAI Universal lidera en audio de centros de llamadas y reuniones. Ejecuta una muestra de tu propio audio en la página de detalle del modelo antes de comprometerte.
No a través de Railwail: el endpoint de transcripción procesa un archivo de audio completo. Deepgram, AssemblyAI y OpenAI (API Realtime) ofrecen transcripción en streaming en sus propias APIs; para subtitulado y agentes de voz, elige un servicio con streaming.
Las APIs alojadas suelen cobrar por minuto de audio. En Railwail, los modelos Whisper se cobran por tiempo de GPU, con el precio de una ejecución típica en cada página de modelo. Las funciones premium (diarización, marcas de tiempo, traducción) a veces llevan recargo.
Whisper Large V3 admite 99 idiomas. ElevenLabs Scribe cubre más de 100 con fuerte code-switching. Deepgram Nova-3 actualmente cubre más de 40 con inglés como más fuerte. Para idiomas de menor recurso, ejecuta primero una muestra — la precisión varía mucho.
Sí en la mayoría de los punteros — la diarización de hablantes etiqueta cada segmento con «Hablante 1», «Hablante 2», etc. La precisión depende de la calidad del audio y de la frecuencia con la que se solapan los hablantes. Algunos proveedores también aceptan audio de enrolamiento para identificar hablantes nombrados específicos.
Sí — las marcas de tiempo a nivel de palabra o segmento son estándar en los niveles puntero. Usa nivel de palabra para subtitulado de vídeo y resaltado estilo karaoke; el nivel de segmento es suficiente para búsqueda de transcripciones y resúmenes de reuniones.
MP3, WAV, M4A, FLAC, OGG y la mayoría de formatos de streaming nativos del navegador. Frecuencias de muestreo desde 8 kHz (telefonía) hasta 48 kHz (estudio). El tamaño máximo del archivo varía — típicamente 25 MB en APIs gestionadas e ilimitado para Whisper auto-alojado.
Sí — Whisper tiene un modo de traducción integrado que produce transcripciones en inglés desde cualquiera de sus 99 idiomas de origen. ElevenLabs Scribe y algunos otros proveedores admiten traducción hacia un conjunto destino más amplio. La precisión de traducción es menor que la de los modelos de traducción dedicados — bien para búsqueda pero no para publicación.
Todos los modelos disponibles a través de una API compatible con OpenAI. Créditos prepagados en USD, sin suscripción.
