Transcrição de áudio em texto com AssemblyAI: modelos e custos

Para fazer transcrição de áudio em texto e obter identificação de falantes e notas estruturadas a partir da mesma gravação, vale considerar a AssemblyAI. A principal decisão é escolher o processamento adequado: o atual modelo principal para gravações cobre 18 idiomas; o principal para tempo real, 32. Comece pelo áudio gravado para gerar notas de reuniões. Use streaming quando a aplicação precisar responder antes de a conversa terminar.

O que é a AssemblyAI?

A AssemblyAI é uma plataforma para desenvolvedores que converte áudio em texto e oferece APIs adicionais para analisar esse texto, gerar fala e acessar modelos de linguagem. Você fornece uma gravação ou um fluxo de áudio ao vivo e constrói a aplicação em torno dos resultados: uma entrevista pesquisável, um resumo de reunião, uma tela de análise de chamadas ou um agente de voz. A plataforma entrega os componentes de fala; interface, armazenamento, permissões e ações de negócio continuam por conta do seu produto.

Modelos, recursos e preços conferidos nas páginas da AssemblyAI em 5 de novembro de 2026. Esta avaliação se baseia na documentação, nas páginas públicas do produto e nos cálculos de custo abaixo; não apresenta um teste de precisão ou latência de áudio.

Para quem a plataforma faz sentido?

A AssemblyAI merece entrar na sua lista quando o produto precisa entregar tanto a transcrição quanto algo extraído dela. Um produto de recrutamento precisa de notas de entrevistas com as falas atribuídas a cada participante. Uma solução de suporte precisa de chamadas pesquisáveis e problemas extraídos das conversas. Um assistente de voz precisa reconhecer o que foi dito e receber um sinal útil de que a pessoa terminou de falar.

Os critérios que orientam esta análise são modo de processamento, idiomas necessários, atribuição das falas, resultado final e custo dessa configuração. Uma promessa genérica de precisão não responde a essas questões.

AssemblyAI ou Deepgram?

A Deepgram faz mais sentido quando o desafio central é controlar os turnos da conversa: o Flux oferece detecção de fim de turno integrada ao modelo e permite configurar esse comportamento. O guia rápido do Flux também aponta uma diferença de integração: o Flux usa /v2/listen, portanto uma conexão de transcrição antiga em /v1/listen não pode ser reaproveitada sem adaptação. Considere essa opção para um assistente telefônico que interrompe as pessoas ou demora a responder depois que elas terminam; compare esses comportamentos nas suas próprias chamadas.

Quando escolher a ElevenLabs?

A ElevenLabs é uma opção mais adequada quando você precisa avaliar uma cobertura maior de idiomas ao vivo ou transcrever mídia: sua documentação de fala para texto lista o Scribe v2 e o Scribe v2 Realtime com 90+ idiomas, além de etiquetas de eventos sonoros que não são fala na saída em lote. Confira cada modo separadamente antes de prometer os mesmos recursos. A documentação também informa que não há modo de transcrição literal, um motivo concreto para avaliar outra opção quando preservar cada hesitação for essencial.

Quando escolher a OpenAI?

A OpenAI faz mais sentido quando sua aplicação já usa a API da empresa e precisa acrescentar transcrição à integração existente. O guia de migração de transcrição distingue o GPT-Transcribe (gpt-transcribe), para áudios concluídos, do GPT-Live-Transcribe (gpt-live-transcribe), para entrada contínua ao vivo. Arquivos com identificação de falantes usam um fluxo separado com gpt-4o-transcribe-diarize; não presuma que trocar para um modelo mais novo preserva formatos de legenda ou marcações de tempo.

Para ampliar a lista, veja nosso comparativo de APIs de fala para texto. Se você precisa apenas de um aplicativo pronto para gerar notas de reuniões, avalie essa categoria de produto antes de assumir o trabalho de integrar APIs.

Transcrição de áudio em texto: gravações e escolha do modelo

A API de áudio pré-gravado da AssemblyAI é o ponto de partida natural para reuniões, entrevistas e chamadas já encerradas. Ela processa o arquivo de forma assíncrona: sua aplicação envia a tarefa e busca o resultado quando o processamento termina. Quem vai ler as notas não precisa receber a transcrição enquanto alguém ainda está falando.

Os nomes dos modelos importam porque o modelo estável para gravações, a versão de prévia e o principal modelo ao vivo são produtos diferentes. O catálogo atual de modelos e as páginas de seleção de cada modo apresentam estas opções:

O identificador universal-3-5-pro aparece tanto na linha de gravações quanto na de tempo real, mas isso não torna as APIs intercambiáveis. Requisições de áudio gravado usam o array speech_models, no plural; conexões de streaming usam o parâmetro speech_model, no singular.

Para gravações, o Universal-3.5 Pro atende a inglês, espanhol, alemão, francês, português, italiano, turco, holandês, sueco, norueguês, dinamarquês, finlandês, hindi, vietnamita, árabe, hebraico, japonês e mandarim. A alternância de idiomas permite reconhecer uma conversa que muda de língua, sem exigir que toda a gravação esteja em um único idioma.

A documentação de seleção de modelos para gravações define a combinação padrão como ["universal-3-5-pro", "universal-2"]. A API seleciona o primeiro modelo que aceita o idioma detectado ou informado. Confira speech_model_used no resultado em vez de presumir que toda tarefa passou pelo modelo principal.

Isso importa em um produto que atende a entrevistas em inglês e coreano. O inglês pode usar o Universal-3.5 Pro; o coreano está fora da lista desse modelo e precisa da opção para gravações com cobertura mais ampla. Descrever toda a aplicação como uma solução de “transcrição em 99 idiomas” esconde uma troca de modelo que precisa entrar na avaliação.

Como processar uma reunião gravada

O guia rápido de transcrição de arquivos aceita uma URL de áudio hospedado ou o envio de um arquivo local. Para um recurso de notas de reuniões, esta sequência é útil:

1. 1

   Escolha o modelo e o caminho para cada idioma

   Defina explicitamente o array speech_models desejado. Ative language_detection quando a aplicação ainda não souber o idioma. Guarde o modelo selecionado nos metadados da tarefa para avaliar cada caminho separadamente.

2. 2

   Solicite a transcrição de que seu produto precisa

   Envie a gravação para POST /v2/transcript com speaker_labels: true se a interface precisar atribuir o diálogo aos participantes. Adicione termos relevantes, como nomes de clientes e produtos, quando as gravações de validação mostrarem dificuldade com esse vocabulário.

3. 3

   Aguarde a conclusão da tarefa

   Consulte GET /v2/transcript/{id} periodicamente ou use um webhook de conclusão. Trate as falhas de forma explícita. Armazene o ID da transcrição junto ao ID da reunião da sua aplicação para manter resumos e correções vinculados à reunião certa.

4. 4

   Gere notas com evidências atribuídas a cada falante

   Preserve os trechos de fala e as marcações de tempo antes de gerar o resumo. Um gestor deve conseguir abrir o trecho de origem de uma decisão contestada, em vez de receber um parágrafo sem sustentação.

Termos-chave e prompts de contexto resolvem problemas diferentes. Os termos-chave indicam o vocabulário esperado; o prompt de contexto descreve a situação. O Universal-3.5 Pro aceita até 1,000 termos-chave; o Universal-2, até 200. Nenhum dos dois justifica avaliar o sucesso apenas com uma amostra limpa e palavras familiares.

Quando usar Sync ou Dictation?

A Sync Speech-to-Text API da AssemblyAI devolve a transcrição concluída em uma única resposta HTTP. Ela serve para uma mensagem de voz curta ou outra interação em que gerenciar uma tarefa assíncrona acrescentaria estado desnecessário à aplicação. O guia rápido de Sync distingue uploads HTTP diretos de até 20 minutos de requisições por SDK ou upload ao vivo, limitadas a 120 segundos. Esse limite por interface importa se você prototipa com um SDK e depois passa a aceitar gravações mais longas.

A Dictation API acrescenta texto revisado ou formatado à transcrição na mesma requisição. Ela atende a uma mensagem falada que deve virar texto pronto para envio. Use a transcrição comum quando a formulação original for o produto; escolha ditado quando editar a redação fizer parte do resultado solicitado.

Streaming para agentes de voz e legendas ao vivo

O streaming da AssemblyAI atende a aplicações que precisam reagir durante a conversa. Uma conexão WebSocket persistente recebe o áudio e emite eventos de transcrição conforme a fala chega. Uma interface de legendas exibe essas atualizações; o orquestrador de um agente de voz usa os eventos para decidir o próximo passo.

Em uma nova integração, comece a validação pelo Universal-3.6 Pro Realtime. A página de seleção de modelos de streaming o define como padrão quando speech_model é omitido. Fixe o modelo explicitamente para que uma revisão da configuração mostre qual versão você pretendia colocar em produção.

As alternativas mais baratas têm cobertura menor. O Universal-Streaming English, chamado de Universal-Streaming na página de preços, atende ao inglês. O Universal-Streaming Multilingual aceita inglês, espanhol, alemão, francês, português e italiano, com tratamento de idioma por turno. O principal modelo em tempo real aceita alternância nativa entre idiomas em sua lista mais ampla. Por isso, uma pessoa bilíngue que troca de idioma no meio de uma frase exige uma gravação de validação diferente de alguém que muda de língua entre os turnos.

Para um assistente de agendamento, o que importa é entender corretamente o pedido e responder no momento adequado. Um fragmento da transcrição pode conter a data certa enquanto o cliente ainda está corrigindo o horário. Tratar todo fragmento como uma instrução concluída pode gerar um agendamento errado mesmo quando as palavras foram reconhecidas corretamente.

O guia rápido de streaming documenta as mensagens Begin, Turn e Termination. Um Turn com end_of_turn: true indica um turno finalizado. Um sinal de fim de fala marca um limite na fala, sem autorizar uma transação. Trate o texto parcial separadamente do texto que sua lógica de negócio efetiva, ajuste a codificação e a taxa de amostragem à fonte de áudio e encerre a sessão ao fim da chamada.

Uma boa avaliação registra as falhas separadamente: palavras erradas, entidades erradas, respostas prematuras e esperas longas depois de um pedido concluído. Meça tanto o tempo da transcrição quanto o atraso total entre o fim do pedido e a resposta do agente; aplicação, modelo de linguagem e geração de fala contribuem para esse intervalo.

Diarização na AssemblyAI: quem disse o quê?

A diarização da AssemblyAI agrupa a fala por falante. Ela responde à pergunta “qual voz disse isso?”. Speaker Identification é um recurso separado, que tenta associar nomes ou funções às vozes. Uma transcrição com “A” e “B” ainda não determinou quem é o entrevistador ou o cliente.

No áudio gravado, speaker_labels: true produz trechos atribuídos aos falantes, como mostra a documentação de diarização de gravações. Esses segmentos são úteis em um player de entrevistas que destaca quem fala e permite saltar para o áudio correspondente.

No áudio ao vivo, a AssemblyAI retorna valores speaker_label por turno e campos de falante nas palavras finalizadas. Essas atribuições, porém, são provisórias o bastante para exigir suporte a correções na aplicação. A documentação de falantes em streaming descreve mensagens SpeakerRevision que corrigem turnos anteriores; as últimas revisões chegam antes de Termination.

Imagine uma reunião de projeto em que um breve “eu faço” vira uma tarefa atribuída. Se o rótulo inicial de falante estiver errado e a aplicação nunca aplicar a revisão, as notas finais podem atribuir a tarefa à pessoa errada. Armazene os turnos por turn_order, aplique as correções e gere as notas finais a partir da transcrição corrigida. Um registro imutável do primeiro evento de texto é uma estrutura de armazenamento inadequada para esse recurso.

Duas restrições menos óbvias merecem atenção:

• max_speakers é um limite rígido. Quando ele é ultrapassado, os falantes adicionais são incorporados aos rótulos existentes. Definir o número esperado de participantes sem margem para alguém que entre depois pode prejudicar a atribuição.
• Respostas curtas podem ficar como PENDING. Mantenha-as sem atribuição até haver evidência suficiente ou chegar uma correção. Falas sobrepostas também continuam difíceis: a documentação informa que não é possível simplesmente separar falantes simultâneos em vozes independentes.

Se o sistema de gravação já captura cada participante em um canal separado, preserve essa estrutura e avalie a transcrição multicanal. Separação de canais e diarização são ferramentas diferentes: a primeira usa a estrutura da gravação; a segunda infere as mudanças de falante no áudio misturado. O processamento multicanal também altera a cobrança.

Speech Understanding e recursos de LLM

Os recursos de Speech Understanding são o argumento mais forte para escolher a AssemblyAI em vez de uma integração que entrega apenas transcrição. A documentação de Speech Understanding lista Action Items, Auto Chapters, Custom Formatting, Entity Detection, Key Phrases, Sentiment Analysis, Speaker Identification, Summarization, Topic Detection e Translation.

Para notas de reuniões, o fluxo útil é específico: transcrever a reunião, resolver a atribuição das falas, gerar um resumo e então extrair ações e responsáveis. Em análises de suporte, pode ser extrair entidades e temas de chamadas concluídas. Contratar todos os recursos de análise por padrão aumenta o gasto sem demonstrar que o produto usa os resultados.

Use o LLM Gateway quando a saída precisar seguir seu próprio esquema ou suas instruções de raciocínio. Um grande modelo de linguagem, ou LLM, pode transformar a transcrição em campos como decision, owner, due_date e evidence. O guia rápido do Gateway documenta a inserção de transcrições por transcript_id, saídas estruturadas, chamadas de ferramentas, novas tentativas e modelos alternativos por uma API comum.

O fluxo ainda precisa definir o que conta como uma resposta válida. Se alguém disser “em algum momento da semana que vem”, a extração deve preservar essa incerteza em vez de inventar uma data. Se ninguém assumir uma tarefa, um campo de responsável vazio é mais útil do que um nome plausível. Vincule os itens extraídos ao trecho correspondente para permitir a conferência.

Uma resposta JSON válida comprova que a saída tem a estrutura solicitada. Ela não comprova que a ação proposta aconteceu nem que alguém concordou em realizá-la. Inclua uma etapa de aprovação na aplicação antes que as notas extraídas alterem registros de clientes ou atribuam tarefas com consequências relevantes.

O Medical Mode é um adicional opcional de vocabulário médico, disponível para modelos compatíveis de gravação e streaming em inglês, espanhol, alemão e francês. Sua cobertura é menor do que a lista geral de idiomas da plataforma. Um produto clínico multilíngue precisa validar o próprio modo especializado, em vez de presumir que todos os idiomas de transcrição recebem a mesma especialização.

O AssemblyAI-TTS-1 faz o caminho inverso: transforma texto em fala por streaming WebSocket ou HTTP. Ele aceita inglês, espanhol, alemão, francês, italiano e português, além de clonagem de voz e marcações de tempo por palavra. Para um agente de voz, isso exige avaliar separadamente o modelo de entrada, o modelo de raciocínio e a voz de saída. A lista de idiomas da transcrição em tempo real não se aplica automaticamente à geração de fala.

Quanto custa a AssemblyAI?

O pagamento por uso da AssemblyAI é o ponto de partida mais adequado para este público: não exige compromisso mínimo, e a cobrança depende dos modelos e recursos ativados. Estas são as tarifas públicas da página de preços da AssemblyAI, conferidas em 5 de novembro de 2026. As tarifas de gravação incidem sobre o áudio processado; as de streaming, sobre o tempo de sessão aberta. Os valores estão em USD.

• Universal-3.5 Pro: $0.21 por hora de áudio pré-gravado.
• Universal-2: $0.15 por hora de áudio pré-gravado.
• Universal-3.6 Pro Realtime: $0.45 por hora de sessão de streaming.
• Universal-Streaming: $0.15 por hora de sessão de streaming; é o Universal-Streaming English da documentação.
• Universal-Streaming Multilingual: $0.15 por hora de sessão de streaming.
• Universal-3.6 Pro Preview: sem tarifa própria na página atual de preços; confirme antes de orçar uma implantação da prévia.
• Universal-3.5 Pro Realtime: continua documentado como compatível, mas sem linha própria na página atual de preços; confirme a tarifa da sua integração fixada nesse modelo.
• Sync API: $0.30 por hora de áudio.
• Dictation API: $0.62 por hora, incluindo os recursos de formatação e prompts listados.
• AssemblyAI-TTS-1: $15 por milhão de caracteres de entrada.

Para os fluxos de notas de reuniões e agentes de voz descritos acima, estes adicionais afetam a decisão:

• Speaker Diarization: acrescente $0.02 por hora gravada ou $0.12 por hora de sessão de streaming.
• Summarization: acrescente $0.02 por hora no nível de esforço baixo, o padrão, ou $0.07 no médio.
• Speaker Identification: acrescente $0.02 por hora no nível de esforço baixo, o padrão, ou $0.10 no médio.
• Medical Mode: acrescente $0.15 por hora nos modelos elegíveis.
• Prompts do Universal-3.5 Pro: termos-chave e prompts de contexto aparecem separadamente a $0.05 por hora cada; o Universal-2 inclui termos-chave.
• Termos-chave em streaming: incluídos no Universal-3.6 Pro Realtime; acrescente $0.04 por hora no Universal-Streaming.

O uso do LLM Gateway tem cobrança separada por tokens de entrada e de saída do modelo escolhido. Um token é uma unidade de texto processada pelo modelo. As tarifas anunciadas do Gateway usam roteamento global; a página de preços informa que o roteamento regional nos EUA/UE custa 10% a mais. Inclua essa escolha ao estimar um fluxo de extração personalizado.

Essa comparação ajuda a decidir na prática. Se os dois modelos para gravações atenderem aos critérios de aceitação, o Universal-2 economiza dinheiro. Se o modelo mais caro evitar correções suficientes para justificar a diferença, escolha-o. O cálculo não pressupõe que algum deles passará na avaliação do seu áudio.

Nas sessões ao vivo, a documentação de cobrança deixa a unidade explícita: o relógio corre enquanto o WebSocket estiver aberto, inclusive durante a ociosidade. Um exemplo de 1,000 horas de sessão com Universal-3.6 Pro Realtime e diarização custa $570, antes de chamadas a LLMs ou geração de fala. Uma conexão aberta por uma hora gera uma hora de uso mesmo que contenha apenas 20 minutos de fala. Encerre-a assim que a interação terminar.

A transcrição multicanal é cobrada por canal. Uma gravação de uma hora processada em dois canais independentes gera duas horas de uso de transcrição. Considere a estrutura da gravação no orçamento, além do modelo; uma reunião mono e uma chamada com canais separados têm bases de custo diferentes.

A página de preços anuncia cadastro gratuito sem cartão e até 185 horas de transcrição pré-gravada e até 333 horas de transcrição em streaming. Trate esses números como limites máximos publicados, sem presumir direito a esse total de horas em qualquer configuração. O plano gratuito de streaming permite 5 novas conexões por minuto; o pagamento por uso começa em 100 novas sessões por minuto, com escalabilidade automática. São taxas de abertura de conexões, não quantidades de chamadas simultâneas. Um lançamento que abre muitas sessões de uma vez pode atingir esse limite do plano gratuito antes de esgotar a franquia.

Limitações que podem mudar a escolha

A variedade de modelos e recursos da AssemblyAI é grande o bastante para que uma boa amostra de transcrição seja apenas o começo da validação. Estas são as restrições com maior chance de alterar a implementação ou a escolha do fornecedor.

A cobertura de idiomas varia ao longo do fluxo. Um modelo alternativo para gravações pode ampliar a cobertura da transcrição, mas um adicional especializado, um modelo ao vivo ou a voz gerada pode ter uma lista menor. Escreva um requisito para o caminho completo, como “áudio em coreano para notas de reunião em coreano com falas atribuídas”, e confira cada etapa.

A atribuição ao vivo exige estado que possa ser revisado. A documentação de falantes em streaming descreve rótulos provisórios, respostas PENDING e correções posteriores. O campo experimental de confiança do falante também não é uma probabilidade calibrada. Não transforme essa pontuação em garantia de que o responsável por uma ação está correto. Encaminhe segmentos incertos para revisão e aplique as correções antes de produzir o registro final.

A prévia para gravações tem fragilidades explícitas. A documentação de seleção de modelos da AssemblyAI avisa que o Universal-3.6 Pro Preview pode gerar menos pontuação em alguns idiomas europeus e perder precisão em áudios com alternância complexa de idiomas. São limitações declaradas pelo fornecedor, não resultados desta análise. Valide a prévia separadamente do Universal-3.5 Pro estável; o número de versão maior não resolve a escolha.

O tratamento de dados exige uma decisão no nível da conta. A documentação de retenção de dados e treinamento de modelos distingue retenção em produção de uso para treinamento. A elegibilidade para treinamento depende do contrato e dos controles aplicáveis; a opção documentada de retenção zero em streaming exige a desativação do uso para treinamento, e os metadados operacionais permanecem. Confira a conta e a região de processamento escolhidas antes de enviar gravações de clientes.

A análise de fala não entrega a aplicação pronta. Você ainda precisa tratar tarefas com falha, revisar notas, vincular registros a clientes e decidir quais ações extraídas exigem revisão. As chamadas de ferramentas do Gateway podem apoiar uma integração, mas as permissões e a lógica de ação vêm da sua aplicação. Esse trabalho de engenharia faz parte da decisão de compra mesmo quando a fatura de transcrição é pequena.

Veredito: escolha pelo resultado de que seu produto precisa

A AssemblyAI merece ser avaliada por produtos que transformam conversas em informações estruturadas e atribuídas aos participantes. Para notas de reuniões gravadas, comece com o Universal-3.5 Pro e apenas os recursos de análise usados pela interface; compare o Universal-2 se custo ou cobertura maior de idiomas forem importantes. Para um novo assistente ao vivo, valide o Universal-3.6 Pro Realtime frente ao modelo econômico de streaming adequado e ao Deepgram Flux.

A regra de decisão: escolha a AssemblyAI quando o modelo exato, o caminho de idioma e o comportamento da saída de falantes atenderem ao seu produto, e quando os recursos que transformam transcrição em informação reduzirem o trabalho de integração que você teria de desenvolver. Escolha uma alternativa quando ela atender melhor ao idioma, ao comportamento de turnos ou ao formato de saída necessário. Não troque de fornecedor só porque uma demonstração limpa pareceu convincente.

Na próxima semana, use um pequeno conjunto de gravações que você tenha permissão para processar, com conversa cotidiana, nomes desconhecidos, interrupções, respostas curtas e as trocas de idioma feitas pelos seus usuários. Liste os campos de que a aplicação precisa antes de comparar as saídas. Confira tanto as notas finais com atribuição de falas quanto a transcrição; depois calcule o uso com os adicionais escolhidos e a duração real das conexões. O playground público é um ponto de partida útil; sua configuração de produção é o teste de aceitação.

Perguntas frequentes

Como obter a chave de API da AssemblyAI?

Crie uma conta e obtenha a chave no painel. Mantenha a chave permanente no seu servidor. A API de transcrição de gravações a recebe no cabeçalho authorization, sem o prefixo Bearer; siga as instruções de autenticação da API específica em vez de presumir que todos os endpoints funcionam da mesma forma.

Como usar o playground da AssemblyAI?

O playground público permite escolher uma amostra de áudio, enviar um arquivo ou informar uma URL e então configurar o contexto do modelo e os recursos de análise compatíveis. Ele ajuda a conhecer o produto antes da integração. Use áudio representativo e avalie a mesma configuração que pretende colocar em produção.

Qual API da AssemblyAI devo usar?

Use a API de áudio pré-gravado para tarefas concluídas que possam ser processadas de forma assíncrona, streaming para áudio em andamento e respostas ao vivo, ou Sync para obter a transcrição pronta em uma única interação de requisição e resposta. Dictation acrescenta uma saída editada quando a aplicação precisa de texto pronto para uso.

Por onde começar na documentação da AssemblyAI?

Comece pela página atual de seleção de modelos do seu modo de processamento e depois pelo guia rápido correspondente. Copie o identificador atual da API, confira o suporte a idiomas e recursos e fixe o modelo na configuração. Um nome de produto encontrado em um tutorial antigo pode se referir a outra geração de modelos.

Use o AI Business Workflow Audit Checklist para mapear sua fonte de áudio, a saída necessária e as passagens entre etapas da aplicação. Receba o checklist.