Última actualización: 2026-06-22

Qué es el coste de transcripción de audio

El coste de transcripción de audio de una API de voz a texto es el precio que se cobra por convertir una grabación en texto escrito, calculado a partir de la duración del audio y la tarifa por minuto publicada por el proveedor. Quien elabora un presupuesto para transcripciones de pódcast, actas de reuniones, registros de centros de llamadas o generación de subtítulos necesita esta cifra, porque la transcripción alojada se mide por la duración del audio, no por la cantidad de palabras que contiene.

Cómo se factura la transcripción

Los proveedores de voz a texto indican una tarifa por minuto de audio de origen. El número de palabras pronunciadas en ese minuto no altera el importe: un minuto de diálogo denso y un minuto de narración pausada cuestan lo mismo. Los minutos incompletos suelen redondearse al alza, de modo que una grabación de tres minutos y diez segundos se factura como cuatro minutos en algunos proveedores. El modelo empleado aquí utiliza la duración exacta; si su proveedor redondea, redondee la duración al alza antes de introducirla.

La fórmula

Con una grabación de duración $t$ minutos y un precio $p$ por minuto, el coste es el producto de ambos:

Cuando la duración se expresa en otra unidad de tiempo, primero se convierte a minutos, ya que la tarifa se indica por minuto. La relación es lineal: cada minuto adicional de audio añade exactamente la tarifa por minuto al importe.

Ejemplo resuelto

Considérese una entrevista de 47 minutos transcrita a una tarifa de $0.006 por minuto, un nivel habitual de voz a texto alojado. El coste es

de modo que la entrevista completa cuesta algo más de un cuarto de dólar. Un pódcast semanal de esta duración costaría unos $15 al año en transcripción, lo bastante poco como para que sea la duración, y no la tarifa, la cifra que conviene revisar.

Notas y variaciones

Las funciones opcionales modifican la tarifa efectiva. La diarización de hablantes, las marcas de tiempo por palabra y la identificación de idioma se facturan en ocasiones a una tarifa por minuto superior o como complementos aparte, así que fije la tarifa según el nivel que realmente utilice. Las grabaciones estéreo con varios canales pueden facturarse por canal; mezclar a mono antes de subir el archivo evita pagar dos veces por el mismo contenido. Recortar los silencios iniciales y finales reduce directamente la duración facturada.

Aplicación

El coste por grabación es la pieza básica para presupuestos de transcripción más amplios. Multiplicarlo por el número de grabaciones al mes da el gasto recurrente. Para el sentido inverso —sintetizar voz a partir de texto en lugar de transcribirlo— véase la Calculadora de coste de síntesis de voz. Cuando la transcripción es una partida dentro de una carga de trabajo de IA más amplia, intégrela en la Calculadora de coste mensual de LLM.