Speech to Text OpenAI API: transcribe audio a texto con IA
Speech to Text OpenAI API permite convertir audio hablado en texto mediante modelos especializados de transcripción. OpenAI ofrece opciones para archivos de audio, transcripción streaming, sesiones Realtime y reconocimiento multilingüe, lo que permite construir subtítulos, asistentes, sistemas de reuniones, call centers y herramientas de procesamiento de voz.
¿Qué es Speech to Text OpenAI API?
Speech to Text OpenAI API es el conjunto de capacidades de OpenAI para convertir audio hablado en texto. Puedes enviar un archivo de audio al endpoint de transcripción o utilizar modelos especializados para recibir transcripciones en tiempo real mientras una persona habla.
Qué permite hacer Speech to Text OpenAI API
Los modelos de transcripción pueden utilizarse tanto con archivos completos como en experiencias en tiempo real.
Transcribir archivos
Convertir grabaciones completas en texto.
Transcripción en vivo
Recibir texto mientras la persona todavía está hablando.
Varios idiomas
Reconocer voz y lenguaje en múltiples idiomas.
Contexto y hints
Mejorar términos especializados mediante contexto y keyword hints en modelos compatibles.
Realtime
Integrar transcripción dentro de sesiones de audio en vivo.
Automatización
Procesar grabaciones desde aplicaciones, CRMs y workflows.
Cómo funciona Speech to Text en OpenAI API
El audio se envía a un modelo de transcripción que devuelve texto reconocido.
Capturas o subes audio
Grabación, llamada, reunión o archivo.
El modelo procesa la voz
Detecta contenido hablado y lenguaje.
Obtienes texto
Tu aplicación recibe la transcripción resultante.
Modelos de Speech to Text OpenAI API
OpenAI dispone de distintos modelos según precisión, latencia y tipo de audio.
| Modelo | Orientación |
|---|---|
gpt-transcribe |
Alta precisión para archivos y transcripción Realtime |
gpt-live-transcribe |
Streaming de baja latencia desde audio en vivo |
gpt-4o-transcribe |
Transcripción de alta precisión basada en GPT-4o |
gpt-4o-mini-transcribe |
Alternativa más económica basada en GPT-4o Mini |
Para archivos completos, prioriza precisión. Para voz en vivo, prioriza latencia.
GPT-Transcribe
gpt-transcribe
es el modelo
especializado
de alta precisión
para speech-to-text.
Archivos y sesiones Realtime
Puede utilizarse para archivos terminados, transcripciones de archivos en streaming y turnos confirmados dentro de sesiones Realtime por WebSocket.
El modelo soporta contexto no estructurado, keyword hints y múltiples language hints, útiles para vocabulario técnico y audio multilingüe.
GPT-Live-Transcribe
Para voz en tiempo real, OpenAI dispone de un modelo especialmente optimizado para latencia.
Transcripción streaming de baja latencia
gpt-live-transcribe
envía transcript deltas
mientras llega
audio en vivo,
lo que permite
construir subtítulos
y asistentes
con respuesta inmediata.
El modelo soporta controles orientados a ajustar el equilibrio entre latencia y calidad.
GPT-4o Transcribe
OpenAI también mantiene modelos de transcripción basados en GPT-4o.
Transcripción precisa con GPT-4o
OpenAI describe
gpt-4o-transcribe
como una mejora
respecto de los modelos
Whisper originales
en reconocimiento
de idioma
y tasa de error
de palabras.
GPT-4o Mini Transcribe
Existe también una alternativa de menor costo para workloads de mayor volumen.
Menor costo por audio
Utiliza GPT-4o Mini para convertir audio en texto manteniendo una arquitectura similar a GPT-4o Transcribe.
Cómo transcribir audio con OpenAI API
Puedes utilizar el endpoint de transcripciones con un archivo de audio.
Transcribir un archivo MP3
from openai import OpenAI
client = OpenAI()
with open("audio.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file
)
print(transcription.text)Speech to Text OpenAI API con cURL
Endpoint de transcripción
curl https://api.openai.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F file="@audio.mp3" \
-F model="gpt-transcribe"No expongas la API key al navegador
La transcripción de archivos debería enviarse desde tu backend cuando utilices una API key privada.
Protege tus credenciales
El navegador puede enviar el archivo a tu servidor. Después, tu backend se comunica con OpenAI utilizando la credencial privada.
Transcripción en tiempo real
OpenAI dispone de sesiones específicas para convertir audio en texto mientras se recibe.
Speech-to-text continuo
Una aplicación puede mantener una sesión de transcripción y recibir eventos parciales conforme llega el audio.
Este patrón encaja especialmente bien en reuniones, llamadas, clases y asistentes de voz.
Ver Realtime API →Transcripción de archivos vs transcripción Realtime
| Aspecto | Archivo | Realtime |
|---|---|---|
| Audio completo | Sí | No es necesario |
| Texto parcial | No necesariamente | Sí |
| Latencia | Después del procesamiento | Baja latencia |
| Uso típico | Grabaciones y archivos | Voz en vivo |
| Arquitectura | Request de archivo | Sesión persistente |
Keyword hints y contexto
Los modelos modernos de transcripción pueden aprovechar contexto adicional para mejorar términos difíciles.
Ayuda con nombres y términos especializados
Puedes proporcionar pistas relacionadas con productos, nombres propios, términos médicos, código, siglas o vocabulario técnico cuando el modelo y endpoint lo admitan.
Language hints y audio multilingüe
Las conversaciones reales pueden contener varios idiomas dentro del mismo audio.
Code-switching
Modelos como
gpt-transcribe
contemplan
múltiples language hints,
lo que puede ayudar
cuando una conversación
cambia de idioma
durante la grabación.
Factores que afectan la precisión de una transcripción
Calidad del micrófono.
Ruido de fondo.
Varias personas hablando simultáneamente.
Acentos o pronunciación poco clara.
Vocabulario especializado.
Calidad de compresión del archivo.
Qué hacer después de transcribir el audio
La transcripción puede convertirse en la primera etapa de un workflow mucho más amplio.
Generar un resumen.
Extraer tareas y compromisos.
Identificar temas principales.
Clasificar llamadas.
Crear subtítulos.
Guardar la información en un CRM.
Speech to Text + Structured Outputs
Una transcripción puede convertirse posteriormente en datos estructurados.
Audio → texto → JSON
Después de transcribir, puedes enviar el texto a un modelo con Structured Outputs para obtener campos como nombre, asunto, intención, resumen o próximos pasos.
Ver Structured Outputs →Precios de modelos Speech to Text OpenAI
Los modelos pueden facturarse por duración de audio o tokens, según la familia utilizada.
| Modelo | Referencia de precio actual |
|---|---|
| GPT-Transcribe | US$0,0045 por minuto de audio |
| GPT-Live-Transcribe | US$0,017 por minuto de audio Realtime |
| GPT-4o Transcribe | US$2,50 / 1M audio input tokens |
| GPT-4o Mini Transcribe | US$1,25 / 1M audio input tokens |
OpenAI puede modificar modelos, precios y unidades de facturación.
Qué modelo de transcripción elegir
| Necesidad | Modelo recomendado |
|---|---|
| Máxima precisión en archivos | GPT-Transcribe |
| Transcripción en vivo de baja latencia | GPT-Live-Transcribe |
| Transcripción GPT-4o | GPT-4o Transcribe |
| Reducir costo | GPT-4o Mini Transcribe |
GPT Transcribe vs Whisper
Whisper fue durante años la referencia de OpenAI para transcripción, pero la familia actual incorpora modelos GPT especializados.
| Aspecto | Modelos GPT Transcribe | Whisper |
|---|---|---|
| Generación | Más reciente | Anterior |
| Reconocimiento | Mejorado en modelos recientes | Base histórica |
| Contexto y hints | Disponible en modelos actuales | Más limitado |
| Realtime especializado | Sí | Depende del modelo/endpoint |
Pero para nuevos desarrollos conviene revisar primero los modelos de transcripción más recientes disponibles.
Casos de uso de Speech to Text OpenAI API
Reuniones: generar actas, resúmenes y tareas.
Call centers: transcribir conversaciones de clientes.
Podcasts: convertir episodios en texto indexable.
Videos: generar subtítulos y transcripciones.
Educación: transcribir clases y conferencias.
Asistentes: convertir órdenes habladas en texto.
Transcripciones para SEO y accesibilidad
Convertir audio y video a texto también puede mejorar la reutilización del contenido.
Contenido indexable
Una transcripción puede convertirse en artículos, resúmenes y páginas temáticas.
Subtítulos y texto alternativo
Facilita el acceso al contenido a personas que no pueden escuchar el audio.
Privacidad y transcripción de audio
Las grabaciones pueden contener información personal o confidencial.
Informa cuando una conversación está siendo grabada cuando corresponda.
Evita guardar audio innecesariamente.
Protege transcripciones sensibles.
Controla permisos de acceso.
Define políticas de retención.
Cuándo conviene usar Speech to Text OpenAI API
Audio existente
Tienes archivos que necesitas convertir en texto.
Voz en vivo
Necesitas subtítulos o reconocimiento de voz mientras ocurre.
Automatización
Quieres procesar reuniones, llamadas o entrevistas automáticamente.
Cuándo necesitas otra herramienta de audio
Quieres generar voz
Utiliza Text-to-Speech si necesitas convertir texto en audio.
Conversación bidireccional
Realtime API es más adecuada para asistentes de voz interactivos.
Rate limits de Speech to Text OpenAI API
Los límites dependen del modelo y usage tier.
Escala según tu nivel de uso
Los modelos de transcripción publican límites específicos de solicitudes y capacidad que aumentan con los tiers superiores.
Ver límites OpenAI API →Documentación oficial de Speech to Text OpenAI API
Los modelos de transcripción continúan evolucionando, por lo que conviene comprobar las fichas actuales antes de producción.
Modelos de transcripción
Consulta GPT-Transcribe, GPT-Live-Transcribe, GPT-4o Transcribe y GPT-4o Mini Transcribe.
Consultar modelos oficiales →Guías relacionadas con Speech to Text OpenAI API
Continúa explorando voz, audio y modelos de OpenAI.
FAQ sobre Speech to Text OpenAI API
Respuestas sobre transcripción, audio, modelos, Realtime y precisión.
Speech to Text OpenAI API permite convertir audio hablado en texto mediante modelos especializados de transcripción.
OpenAI publica GPT-Transcribe como su modelo de alta precisión para speech-to-text.
Es un modelo de speech-to-text optimizado para transcripción streaming de baja latencia.
Sí. OpenAI dispone de modelos y endpoints para transcripción Realtime.
Sí. Los modelos de transcripción actuales están diseñados para reconocer múltiples idiomas.
GPT-Transcribe está orientado a alta precisión en archivos y transcripción, mientras GPT-Live-Transcribe prioriza baja latencia para audio en vivo.
Sí. OpenAI sigue publicando GPT-4o Transcribe entre sus modelos de transcripción.
Sí. GPT-4o Mini Transcribe ofrece una alternativa de menor costo para determinados workloads.
Modelos actuales como GPT-Transcribe soportan contexto, keyword hints y language hints para mejorar vocabulario especializado.
No. Speech to Text se centra en convertir audio a texto, mientras Realtime API permite sesiones conversacionales bidireccionales con voz, texto y herramientas.
Continúa con Text-to-Speech OpenAI API
Ya sabes cómo convertir audio en texto. El siguiente paso es realizar el proceso inverso: transformar texto en voz natural mediante modelos de generación de audio.
Ver Text-to-Speech →