Transcripción de audio a texto con AssemblyAI: qué modelo elegir y cuánto cuesta

Elige AssemblyAI si estás creando un producto que necesita transcripción de audio a texto, atribución por hablante y notas estructuradas a partir del mismo audio. La decisión clave es elegir la vía de procesamiento: el modelo de referencia actual para grabaciones cubre 18 idiomas; el de tiempo real, 32. Para generar notas de reuniones, empieza con audio grabado. Recurre al streaming cuando la aplicación deba responder antes de que termine la conversación.

¿Qué es AssemblyAI?

AssemblyAI es una plataforma para desarrolladores que convierte audio en texto y ofrece otras API para analizar ese texto, generar voz y consultar modelos de lenguaje. Recibe una grabación o una transmisión de audio en directo; tu aplicación utiliza los resultados para ofrecer entrevistas con búsqueda, resúmenes de reuniones, paneles de análisis de llamadas o agentes de voz. La plataforma aporta los componentes de voz. La interfaz, el almacenamiento, los permisos y las acciones de negocio siguen siendo responsabilidad de tu producto.

Modelos, funciones y precios verificados en las páginas de AssemblyAI el 5 de noviembre de 2026. Esta evaluación se basa en documentación, páginas públicas del producto y los cálculos de costos que figuran más adelante; no incluye pruebas de precisión ni de latencia con audio.

¿Para quién vale la pena y quién debería buscar otra opción?

AssemblyAI merece estar entre tus opciones cuando necesitas tanto una transcripción como un resultado derivado de ella. Un producto de selección de personal necesita notas de entrevistas atribuidas a cada hablante. Uno de atención al cliente necesita llamadas que se puedan buscar y problemas extraídos de ellas. Un asistente de voz necesita reconocer lo que dice quien llama y recibir una señal útil de que ha terminado de hablar.

Los criterios de esta evaluación son el modo de procesamiento, los idiomas necesarios, la atribución por hablante, el resultado posterior y el costo de esa configuración. Una afirmación general sobre precisión no resuelve esas cuestiones.

AssemblyAI frente a Deepgram

Deepgram encaja mejor cuando el problema principal es controlar los turnos de conversación: Flux integra la detección del final de turno en el modelo y permite configurar su comportamiento. Su guía de inicio de Flux también señala una diferencia de integración: Flux usa /v2/listen, por lo que una conexión de transcripción anterior basada en /v1/listen no se puede reutilizar sin cambios. Inclúyelo entre tus opciones si un asistente telefónico interrumpe a quienes llaman o tarda en responder cuando terminan; compara esos comportamientos con tus propias llamadas.

¿Cuándo conviene más ElevenLabs?

ElevenLabs encaja mejor si necesitas más opciones de idiomas en directo o transcripción orientada a contenido multimedia. Su documentación de voz a texto indica que Scribe v2 y Scribe v2 Realtime abarcan 90+ idiomas, con etiquetas de eventos sonoros distintos del habla en los resultados por lotes. Revisa cada modo por separado antes de prometer las mismas funciones. Esa documentación también indica que no existe un modo de transcripción literal: si conservar cada vacilación es esencial, hay un motivo concreto para evaluar otra opción.

¿Cuándo conviene más OpenAI?

OpenAI encaja mejor cuando tu aplicación ya utiliza su API y quieres añadir transcripción a esa integración. Su guía de migración de transcripción distingue entre GPT-Transcribe (gpt-transcribe), para audio ya grabado, y GPT-Live-Transcribe (gpt-live-transcribe), para una entrada continua en directo. Los archivos con etiquetas de hablante utilizan un flujo aparte con gpt-4o-transcribe-diarize; no des por hecho que cambiar a un modelo más reciente conserva los formatos de subtítulos o las marcas de tiempo.

Para ampliar la selección, consulta nuestra comparativa de API de voz a texto. Si solo necesitas una aplicación de notas de reuniones ya lista para usar, evalúa esa categoría antes de asumir el trabajo de integrar una API.

Transcripción de audio a texto con AssemblyAI: grabaciones y modelos

La API de audio pregrabado de AssemblyAI es el punto de partida natural para reuniones, entrevistas y llamadas que ya han terminado. Procesa el archivo de forma asíncrona: tu aplicación envía el trabajo y recupera el resultado cuando finaliza. Quien consulta las notas no necesita recibir la transcripción mientras alguien sigue hablando.

Los nombres importan porque el modelo estable para grabaciones, la versión preliminar y el modelo de referencia en directo son productos distintos. El catálogo actual de modelos y las páginas de selección de cada modo establecen estas opciones:

Que universal-3-5-pro aparezca tanto en grabaciones como en tiempo real no permite intercambiar sus API. Las solicitudes para grabaciones utilizan el arreglo plural speech_models; las conexiones de streaming, el parámetro singular speech_model.

Universal-3.5 Pro admite estos idiomas en grabaciones: inglés, español, alemán, francés, portugués, italiano, turco, neerlandés, sueco, noruego, danés, finés, hindi, vietnamita, árabe, hebreo, japonés y mandarín. La alternancia de idiomas permite reconocer una conversación que pasa de un idioma a otro, sin exigir que toda la grabación se mantenga en uno solo.

La documentación de selección de modelos para grabaciones establece como combinación predeterminada ["universal-3-5-pro", "universal-2"]. Se elige el primer modelo que admite el idioma detectado o especificado. Revisa speech_model_used en el resultado en lugar de asumir que todos los trabajos utilizaron el modelo de referencia.

Esto importa en un producto que procesa entrevistas en inglés y coreano. El inglés puede utilizar Universal-3.5 Pro; el coreano no figura entre sus idiomas y necesita la vía con mayor cobertura para grabaciones. Describir toda la aplicación como «transcripción en 99 idiomas» oculta un cambio de modelo que debes incluir en la evaluación.

Cómo procesar una reunión grabada

La guía de inicio de transcripción de archivos admite una URL de audio alojado o un archivo local cargado. Para una función de notas de reuniones, esta es una secuencia útil:

1. 1

   Elige el modelo y la vía según el idioma

   Configura expresamente el arreglo speech_models. Activa language_detection cuando la aplicación no conozca el idioma de antemano. Guarda el modelo seleccionado en los metadatos del trabajo para poder evaluar por separado las distintas vías.

2. 2

   Solicita la transcripción que necesita tu producto

   Envía la grabación a POST /v2/transcript con speaker_labels: true si la interfaz necesita atribuir el diálogo. Añade términos clave relevantes, como nombres de clientes y productos, cuando las grabaciones de evaluación muestren dificultades con ellos.

3. 3

   Espera a que termine el trabajo

   Consulta GET /v2/transcript/{id} periódicamente o utiliza un webhook de finalización. Gestiona expresamente los trabajos fallidos. Guarda el ID de transcripción junto con tu propio ID de reunión para que los resúmenes y las correcciones posteriores sigan vinculados a la reunión correcta.

4. 4

   Genera notas con fuentes atribuibles

   Conserva las intervenciones y sus marcas de tiempo antes de generar un resumen. Si se cuestiona una decisión, un responsable debería poder abrir el pasaje de origen, en lugar de recibir un párrafo sin respaldo.

Los términos clave y los prompts de contexto resuelven problemas diferentes. Los primeros indican vocabulario probable; un prompt de contexto describe la situación. Universal-3.5 Pro acepta hasta 1,000 términos clave y Universal-2, hasta 200. Ninguna de esas funciones justifica medir el éxito solo con una muestra limpia que contenga palabras conocidas.

¿Cuándo convienen Sync o Dictation?

La API de voz a texto Sync de AssemblyAI devuelve una transcripción terminada en una sola respuesta HTTP. Elígela para mensajes de voz breves u otras interacciones en las que gestionar un trabajo asíncrono añada un estado innecesario a la aplicación. Su guía de inicio de Sync distingue entre cargas HTTP directas de hasta 20 minutos y solicitudes mediante SDK o carga en directo limitadas a 120 segundos. Ese límite específico de la interfaz importa si haces el prototipo con un SDK y después aceptas grabaciones más largas.

La Dictation API añade texto depurado o con formato a la transcripción en la misma solicitud. Encaja con un mensaje hablado que debe convertirse en texto listo para enviar. Mantén la transcripción convencional cuando el producto deba conservar las palabras originales; elige dictado cuando editar la redacción forme parte del resultado solicitado.

Streaming para agentes de voz y subtítulos en directo

El streaming de AssemblyAI está pensado para aplicaciones que deben reaccionar durante la conversación. Una conexión WebSocket persistente recibe audio y emite eventos de transcripción a medida que llega el habla. Una interfaz de subtítulos muestra esas actualizaciones; el sistema de orquestación de un agente de voz las utiliza para decidir qué hacer después.

Para una integración nueva, comienza evaluando Universal-3.6 Pro Realtime. La página de selección de modelos de streaming lo identifica como predeterminado cuando se omite speech_model. Fija el modelo expresamente para que una revisión de configuración permita saber qué pretendías desplegar.

Las alternativas económicas tienen menor alcance. Universal-Streaming English, que aparece como Universal-Streaming en la página de precios, atiende el inglés. Universal-Streaming Multilingual admite inglés, español, alemán, francés, portugués e italiano, con gestión del idioma por turno. El modelo de referencia en tiempo real admite de forma nativa la alternancia entre idiomas dentro de su conjunto más amplio. Por eso conviene evaluar por separado a una persona bilingüe que cambia de idioma dentro de una frase y a otra que lo hace entre turnos.

En un asistente de reservas, lo importante es captar la cita correcta y responder en el momento adecuado. Un fragmento puede contener la fecha correcta mientras el cliente todavía corrige la hora. Tratar cada fragmento como una instrucción completa puede generar una reserva equivocada aunque las palabras se hayan reconocido bien.

La guía de inicio de streaming documenta los mensajes Begin, Turn y Termination. Un Turn con end_of_turn: true marca un turno finalizado. Una señal de detección del final del habla indica un límite en el discurso, no una autorización para realizar una transacción. Gestiona el texto parcial por separado del que tu lógica de negocio da por definitivo, ajusta la codificación y la frecuencia de muestreo a la fuente de audio y cierra la sesión cuando termine la llamada.

Una evaluación razonable registra por separado palabras incorrectas, entidades equivocadas, respuestas prematuras y esperas largas tras una solicitud terminada. Mide tanto el tiempo de transcripción como el retraso total entre el final de la solicitud y la respuesta del agente: la aplicación, el modelo de lenguaje y la generación de voz también contribuyen.

Diarización en AssemblyAI: quién dijo qué

La diarización de AssemblyAI agrupa el habla por hablante. Responde a «¿qué voz dijo esto?». Speaker Identification es una función distinta que intenta asociar nombres o roles. Una transcripción con «A» y «B» todavía no establece quién es la persona que entrevista o el cliente.

Para audio grabado, speaker_labels: true genera intervenciones atribuidas a cada hablante, como muestra la documentación de diarización de grabaciones. Esos segmentos sirven para un reproductor de entrevistas que destaque a quien habla y permita saltar al audio correspondiente.

En directo, AssemblyAI devuelve valores speaker_label por turno y campos de hablante en las palabras finales. Sin embargo, las asignaciones son lo bastante provisionales como para exigir que tu aplicación admita correcciones. La documentación de hablantes en streaming describe mensajes SpeakerRevision que modifican turnos anteriores; las últimas revisiones llegan antes de Termination.

Imagina una reunión de proyecto en la que un breve «yo lo hago» se convierte en una tarea asignada. Si la etiqueta inicial es incorrecta y la aplicación nunca aplica la revisión, las notas finales pueden adjudicar la tarea a otra persona. Guarda los turnos por turn_order, aplica las correcciones y genera las notas definitivas a partir de la transcripción corregida. Un registro inmutable del primer evento de texto no es un diseño de almacenamiento adecuado para esta función.

Hay dos restricciones menos evidentes que conviene considerar:

• max_speakers es un límite estricto. Si se supera, los hablantes adicionales se agrupan en etiquetas existentes. Fijarlo según la asistencia prevista, sin margen para alguien que llegue después, puede perjudicar la atribución.
• Las respuestas breves pueden quedar como PENDING. Trátalas como no atribuidas hasta que haya pruebas suficientes o llegue una corrección. El habla superpuesta también sigue siendo difícil: la documentación indica que no basta con separar en voces independientes a quienes hablan al mismo tiempo.

Si el sistema de grabación ya captura a cada participante en un canal independiente, conserva esa estructura y evalúa la transcripción multicanal. Separar canales y diarizar son herramientas diferentes: la primera aprovecha la estructura de la grabación; la segunda infiere los cambios de hablante a partir de audio mezclado. El procesamiento multicanal también modifica la factura.

Speech Understanding y funciones con LLM

Las funciones de Speech Understanding son el argumento más sólido para elegir AssemblyAI frente a una integración que solo transcribe. La documentación de Speech Understanding enumera Action Items, Auto Chapters, Custom Formatting, Entity Detection, Key Phrases, Sentiment Analysis, Speaker Identification, Summarization, Topic Detection y Translation.

Para las notas de reuniones, el flujo útil es concreto: transcribir, resolver la atribución por hablante, generar un resumen y extraer las acciones con sus responsables. Para analizar atención al cliente, puede consistir en extraer entidades y temas de llamadas terminadas. Contratar todas las funciones de análisis de entrada aumenta el gasto sin demostrar que el producto aprovecha sus resultados.

Utiliza LLM Gateway cuando el resultado requiera tu propio esquema o instrucciones de razonamiento. Un modelo de lenguaje de gran tamaño, o LLM, puede convertir una transcripción en campos como decision, owner, due_date y evidence. La guía de inicio de Gateway documenta la incorporación de transcripciones mediante transcript_id, las salidas estructuradas, la llamada a herramientas, los reintentos y los modelos de respaldo a través de una API común.

El flujo sigue necesitando una definición de respuesta válida. Si alguien dice «en algún momento de la próxima semana», la extracción debe conservar esa incertidumbre en vez de inventar una fecha. Si nadie acepta una tarea, un campo de responsable vacío resulta más útil que un nombre plausible. Vincula cada elemento extraído con la intervención correspondiente para que pueda comprobarse.

Una respuesta JSON válida demuestra que la salida tiene la estructura solicitada. No demuestra que la acción propuesta haya ocurrido ni que alguien la haya aceptado. Añade una aprobación en la aplicación antes de que las notas extraídas modifiquen registros de clientes o asignen trabajo de consecuencias importantes.

Medical Mode es un complemento opcional de vocabulario médico, disponible para los modelos compatibles de grabaciones y streaming en inglés, español, alemán y francés. Su alcance es más limitado que la cobertura general de idiomas de la plataforma. Un producto clínico multilingüe debe evaluar el propio modo especializado, sin asumir que todos los idiomas de transcripción reciben la misma especialización.

AssemblyAI-TTS-1 realiza el proceso inverso: convierte texto en voz mediante WebSocket en streaming o HTTP. Admite inglés, español, alemán, francés, italiano y portugués, además de clonación de voz y marcas de tiempo por palabra. En un agente de voz, esto exige evaluar por separado el modelo de entrada, el de razonamiento y la voz de salida. La lista de idiomas del modelo de transcripción en tiempo real no se convierte automáticamente en la lista de idiomas de la voz generada.

Precios de AssemblyAI

La modalidad de pago por uso de AssemblyAI es un punto de partida razonable para este lector: no exige un compromiso mínimo y la factura depende de los modelos y funciones que actives. Estas son las tarifas públicas de la página de precios de AssemblyAI, verificadas el 5 de noviembre de 2026. Las tarifas para grabaciones se aplican al audio procesado; las de streaming, al tiempo durante el que la sesión permanece abierta. Los importes están expresados en USD.

• Universal-3.5 Pro: $0.21 por hora de audio pregrabado.
• Universal-2: $0.15 por hora de audio pregrabado.
• Universal-3.6 Pro Realtime: $0.45 por hora de sesión de streaming.
• Universal-Streaming: $0.15 por hora de sesión de streaming; corresponde a Universal-Streaming English en la documentación.
• Universal-Streaming Multilingual: $0.15 por hora de sesión de streaming.
• Universal-3.6 Pro Preview: la página de precios actual no muestra una tarifa específica; confírmala antes de presupuestar un despliegue de la versión preliminar.
• Universal-3.5 Pro Realtime: sigue figurando como compatible en la documentación, pero no tiene una fila de tarifa propia en la página actual; confirma el precio de tu integración fijada a ese modelo.
• Sync API: $0.30 por hora de audio.
• Dictation API: $0.62 por hora, con las funciones de formato y prompting indicadas incluidas.
• AssemblyAI-TTS-1: $15 por millón de caracteres de entrada.

En los flujos de notas de reuniones y agentes de voz descritos, estas partidas adicionales influyen en la decisión:

• Speaker Diarization: añade $0.02 por hora grabada o $0.12 por hora de sesión de streaming.
• Summarization: añade $0.02 por hora con esfuerzo bajo, el predeterminado, o $0.07 con esfuerzo medio.
• Speaker Identification: añade $0.02 por hora con esfuerzo bajo, el predeterminado, o $0.10 con esfuerzo medio.
• Medical Mode: añade $0.15 por hora en los modelos compatibles.
• Prompting de Universal-3.5 Pro: los términos clave y las instrucciones de contexto figuran por separado a $0.05 por hora cada uno; Universal-2 incluye los términos clave.
• Términos clave en streaming: incluidos en Universal-3.6 Pro Realtime; añaden $0.04 por hora con Universal-Streaming.

LLM Gateway factura por separado los tokens de entrada y de salida del modelo elegido. Un token es una unidad de texto que procesa el modelo. Las tarifas anunciadas de Gateway utilizan enrutamiento global; la página de precios indica que el enrutamiento regional US/EU cuesta un 10% más. Incluye esa elección al calcular el costo de una extracción personalizada.

La comparación permite decidir con criterios prácticos. Si ambos modelos para grabaciones cumplen tus requisitos de aceptación, Universal-2 ahorra dinero. Si el modelo más caro evita suficientes correcciones para justificar la diferencia, elígelo. El cálculo no presupone que ninguno de ellos supere tu evaluación de audio.

Para las sesiones en directo, la documentación de facturación deja clara la unidad: el tiempo cuenta mientras el WebSocket siga abierto, incluidos los periodos sin actividad. Un ejemplo de 1,000 horas de sesión de Universal-3.6 Pro Realtime con diarización cuesta $570, antes de añadir llamadas a LLM o voz generada. Una conexión abierta durante una hora factura una hora de uso aunque solo contenga 20 minutos de habla. Ciérrala en cuanto termine la interacción.

La transcripción multicanal se factura por canal. Una grabación de una hora procesada como dos canales independientes genera dos horas de uso de transcripción. Presupuesta tanto la estructura de grabación como el modelo: una reunión mono y una llamada con canales separados no son unidades de costo intercambiables.

La página de precios anuncia registro gratuito sin tarjeta y hasta 185 horas de transcripción de grabaciones y hasta 333 horas de transcripción en streaming. Son máximos publicados, no una garantía de esas horas con cualquier configuración. El plan gratuito de streaming permite 5 conexiones nuevas por minuto; el pago por uso parte de 100 sesiones nuevas por minuto, con escalado automático. Son tasas de inicio de conexiones, no cantidades de llamadas simultáneas. Un lanzamiento que abra muchas sesiones a la vez puede alcanzar ese límite del plan gratuito antes de agotar las horas disponibles.

Limitaciones que pueden cambiar la elección

La variedad de modelos y funciones de AssemblyAI hace que obtener una buena transcripción de muestra sea solo el inicio de la evaluación. Estas son las restricciones con más probabilidades de cambiar la implementación o el proveedor elegido.

La cobertura de idiomas varía a lo largo del flujo. Un modelo de respaldo para grabaciones puede ampliar la transcripción, mientras que un complemento especializado, un modelo en directo o una voz generada pueden admitir menos idiomas. Define un requisito para todo el recorrido, como «de audio en coreano a notas de reunión en coreano con atribución por hablante», y verifica cada etapa.

La atribución en directo exige un estado que admita revisiones. La documentación de hablantes en streaming describe etiquetas provisionales, respuestas PENDING y correcciones posteriores. Su campo experimental de confianza del hablante tampoco es una probabilidad calibrada. No conviertas esa puntuación en una garantía de que el responsable de una acción sea correcto. Envía los segmentos inciertos a revisión y aplica las correcciones antes de producir el registro definitivo.

La versión preliminar para grabaciones tiene debilidades explícitas. La documentación de selección de modelos advierte que Universal-3.6 Pro Preview puede generar menos puntuación en algunos idiomas europeos y perder precisión en audio con alternancia compleja de idiomas. Son limitaciones declaradas por el proveedor, no resultados de esta evaluación. Evalúalo por separado de Universal-3.5 Pro estable; un número de versión mayor no resuelve la elección.

El tratamiento de los datos requiere decidir a nivel de cuenta. La documentación de conservación de datos y entrenamiento de modelos distingue la conservación en producción del uso para entrenamiento. La posibilidad de usar datos para entrenar depende del contrato y los controles aplicables; la opción documentada de conservación cero en streaming exige excluir los datos del entrenamiento, y los metadatos operativos se conservan. Revisa la cuenta y la región de procesamiento elegidas antes de enviar grabaciones de clientes.

El análisis del habla no completa la aplicación. Todavía debes gestionar trabajos fallidos, corregir notas, vincular registros con clientes y decidir qué acciones extraídas requieren revisión. La llamada a herramientas de Gateway puede facilitar una integración, pero los permisos y la lógica de las acciones los aporta tu aplicación. Ese trabajo de ingeniería forma parte de la decisión de compra aunque la factura de transcripción sea pequeña.

Veredicto: decide según el resultado que necesita tu producto

AssemblyAI merece entrar en la selección de productos que convierten conversaciones en información estructurada y atribuida. Para notas de reuniones grabadas, empieza con Universal-3.5 Pro y solo las funciones de análisis que utilice la interfaz; compáralo con Universal-2 si importan el costo o una mayor cobertura de idiomas. Para un asistente en directo nuevo, evalúa Universal-3.6 Pro Realtime frente al modelo económico de streaming que corresponda y Deepgram Flux.

La regla para decidir: elige AssemblyAI cuando el modelo concreto, la vía según el idioma y las condiciones de su salida por hablante satisfagan tu producto, y cuando sus funciones de análisis de transcripciones reduzcan el trabajo de integración que tendrías que desarrollar. Elige otra opción cuando sus idiomas, gestión de turnos o formato de salida encajen mejor con tus requisitos. No cambies de proveedor solo porque una demostración con audio limpio haya resultado convincente.

La próxima semana, utiliza una selección pequeña de grabaciones que tengas permiso para procesar y que incluyan conversación habitual, nombres desconocidos, interrupciones, respuestas breves y los cambios de idioma de tus usuarios. Anota qué campos necesita la aplicación antes de comparar resultados. Revisa las notas finales atribuidas además de la transcripción y calcula el uso con los complementos elegidos y la duración real de las conexiones. El entorno de pruebas público es útil para empezar; la prueba de aceptación debe hacerse con tu configuración de producción.

Preguntas frecuentes

¿Cómo obtener y usar la clave de API de AssemblyAI?

Crea una cuenta y recupera tu clave desde el panel de control. Guarda la clave permanente en tu servidor. La API de transcripción de grabaciones la utiliza en el encabezado authorization sin el prefijo Bearer; sigue las instrucciones de autenticación de la API concreta en lugar de asumir que todos los endpoints funcionan igual.

¿Para qué sirve AssemblyAI Playground?

El entorno de pruebas público permite elegir un audio de muestra, cargar un archivo o proporcionar una URL y después configurar el contexto del modelo y las funciones de análisis compatibles. Ayuda a examinar el producto antes de integrarlo. Utiliza audio representativo y evalúa la misma configuración que pretendes desplegar.

¿Qué API de AssemblyAI conviene utilizar?

Usa la API de grabaciones para trabajos ya grabados que puedan completarse de forma asíncrona; streaming para audio continuo y respuestas en directo; o Sync para obtener una transcripción terminada en una sola interacción de solicitud y respuesta. Dictation añade una salida editada cuando la aplicación necesita texto escrito listo para usar.

¿Por dónde empezar con la documentación de AssemblyAI?

Comienza por la página actual de selección de modelos de tu modo de procesamiento y continúa con su guía de inicio correspondiente. Copia el identificador de API vigente, comprueba los idiomas y funciones compatibles y fija el modelo en la configuración. El nombre de producto de un tutorial antiguo puede corresponder a otra generación de modelos.

Utiliza la lista de verificación para auditar flujos de trabajo empresariales con IA para definir tu fuente de audio, el resultado necesario y las transferencias entre aplicaciones. Consigue la lista.

Palabras clave

• transcripción de audio a texto
• AssemblyAI
• Assembly AI
• speech to text api