La API de Whisper de OpenAI cuesta 0,006 $ por minuto de audio, o 0,36 $ por hora. Ese precio no ha cambiado desde que la API se lanzó en marzo de 2023, y por eso tantas facturas de transcripción se construyeron sobre él.
En 2026 cambiaron dos cosas. OpenAI lanzó modelos de transcripción más baratos y más precisos, y el 26 de agosto declaró obsoleto whisper-1 junto con todos los modelos de transcripción GPT-4o. Salen de la API el 26 de febrero de 2027. Así que la pregunta útil ya no es solo “¿cuánto cuesta Whisper?”, sino “¿cuánto costará este audio después de febrero, y con qué modelo?”.
A continuación están los precios actuales de transcripción de OpenAI, leídos en su página de precios el 11 de octubre de 2026; después, lo que rompe el cierre, lo que cuestan cargas de trabajo reales y las alternativas. Desarrollamos Cartesia, que vende voz a texto, así que tenemos un interés en esto. Todas las cifras de OpenAI son de la propia OpenAI, y nuestros precios están al final para que compruebes ambos.
Precios de transcripción de OpenAI
| Modelo | Uso | Precio por minuto | Por hora | Estado |
|---|---|---|---|---|
gpt-transcribe | Archivos grabados | 0,0045 $ | 0,27 $ | Predeterminado actual |
gpt-4o-mini-transcribe | Archivos grabados | ~0,003 $ | ~0,18 $ | Se retira el 26 feb 2027 |
gpt-4o-transcribe | Archivos grabados | ~0,006 $ | ~0,36 $ | Se retira el 26 feb 2027 |
gpt-4o-transcribe-diarize | Archivos con etiquetas de hablante | ~0,006 $ | ~0,36 $ | Se retira el 26 feb 2027 |
whisper-1 | Archivos, marcas de tiempo, subtítulos | 0,006 $ | 0,36 $ | Se retira el 26 feb 2027 |
gpt-live-transcribe | Audio en directo | 0,017 $ | 1,02 $ | Predeterminado para directo |
gpt-realtime-whisper | Audio en directo | 0,017 $ | 1,02 $ | Actual |
gpt-realtime-translate | Traducción en directo | 0,034 $ | 2,04 $ | Actual |
Las filas con ”~” son estimaciones de la propia OpenAI. Esos tres modelos facturan por token (2,50 $ por millón de tokens de audio de entrada y 10 $ por millón de tokens de salida en gpt-4o-transcribe, la mitad en mini), así que el coste real por minuto depende de cuánto se hable. whisper-1 y la familia gpt-transcribe facturan por duración de audio, que es más fácil de presupuestar.
Algunas cosas que la tabla no muestra:
- Los archivos tienen un máximo de 25 MB. La guía de transcripción de archivos acepta mp3, mp4, mpeg, mpga, m4a, wav y webm de hasta 25 MB, así que una hora de WAV hay que dividirla o comprimirla antes. Al dividir una grabación es donde se cuelan los errores de palabras en las uniones.
- El directo cuesta casi cuatro veces más que los archivos. La transcripción en streaming cuesta 0,017 $ por minuto frente a 0,0045 $ por el mismo minuto subido después. Si no necesitas las palabras mientras la persona habla, no pagues por ello.
- El procesamiento regional cuesta más. OpenAI añade un recargo del 10 % en los endpoints de residencia de datos para los modelos elegibles lanzados a partir del 5 de marzo de 2026.
- Los modelos más recientes no tienen nivel gratuito. Las páginas de
gpt-transcribey de los dos modelos de directo indican que no admiten cuentas gratuitas. Pagas desde el primer minuto.
El cierre de febrero de 2027
El aviso de obsolescencia es breve. Se van cuatro modelos y dos los sustituyen:
| Se retira el 26 feb 2027 | Sustituto indicado por OpenAI |
|---|---|
whisper-1 | gpt-transcribe o gpt-live-transcribe |
gpt-4o-transcribe | gpt-transcribe o gpt-live-transcribe |
gpt-4o-mini-transcribe | gpt-transcribe o gpt-live-transcribe |
gpt-4o-transcribe-diarize | gpt-transcribe o gpt-live-transcribe |
Para la transcripción simple, el cambio es sobre todo un nombre de modelo y una bajada de precio. gpt-transcribe acepta un array languages en lugar del campo único language, añade keywords para nombres de producto e identificadores, y puede transmitir texto mientras procesa un archivo.
El problema son las tareas que hacía Whisper y que nada sustituye todavía. La propia guía de transcripción de OpenAI sigue enviando tres de ellas a modelos de la lista de retirada:
- Marcas de tiempo por palabra y subtítulos
srtovttvan awhisper-1. - Traducción al inglés va a
whisper-1mediante el endpoint de traducciones. - Etiquetas de hablante van a
gpt-4o-transcribe-diarize.
A 11 de octubre de 2026, OpenAI no ha indicado sucesor para ninguna. Si tu producto genera subtítulos, alinea una transcripción con un vídeo o separa una llamada por hablante, el sustituto no está en el aviso. Esa es la parte de la migración que conviene empezar ahora, no en febrero.
Lo que cuesta una carga de trabajo real
A precios de lista, antes de cualquier recargo por residencia de datos:
Transcribir 10.000 horas de llamadas grabadas al mes (600.000 minutos). Con whisper-1 son 3.600 $. Pasar a gpt-transcribe lo deja en 2.700 $. gpt-4o-mini-transcribe saldría por unos 1.800 $, pero también se va en febrero, así que ese ahorro dura unos meses como mucho.
Un agente de voz escuchando 10.000 minutos de llamadas al mes. La transcripción en directo con gpt-live-transcribe cuesta 170 $. Parece poco al lado de la factura por lotes, y lo es: para un agente, la transcripción rara vez es la línea cara. El coste que importa es lo que un número de cuenta mal oído le hace al resto de la llamada.
¿Sigue siendo Whisper lo bastante preciso?
Whisper marcó el listón en 2022. Ya no está cerca de la cima. Artificial Analysis midió estas tasas de error de palabras en audio grabado en octubre de 2026 (cuanto más baja, mejor):
| Modelo | Tasa de error de palabras | Precio por 1.000 minutos |
|---|---|---|
| ElevenLabs Scribe v2 | 2,2 % | 3,67 $ |
| OpenAI GPT Transcribe | 3,3 % | 4,50 $ |
| OpenAI GPT-4o Transcribe | 4,0 % | 6,00 $ |
| Whisper large-v2 (OpenAI) | 4,1 % | 6,00 $ |
| Whisper large-v3 Turbo, Groq | 4,6 % | 0,67 $ |
| Deepgram Nova-3 | 5,2 % | 4,30 $ |
Dos lecturas de esa tabla. Dentro de OpenAI, gpt-transcribe es a la vez más barato y más preciso que whisper-1, así que para la transcripción simple no hay motivo para esperar a febrero. Fuera de OpenAI, Whisper large-v3 Turbo alojado en Groq cuesta alrededor de una novena parte que whisper-1 con medio punto más de error. Es un buen intercambio para archivos históricos y uno malo para cualquier cosa que lea un cliente.
La tasa de error de palabras es un diagnóstico, no un veredicto (le dedicamos una guía entera). Pasa tus grabaciones más difíciles por dos o tres finalistas antes de migrar.
Ejecutar Whisper por tu cuenta
El modelo Whisper de código abierto tiene licencia MIT y no forma parte del cierre. Si tu audio está grabado, tienes GPU libres y necesitas las funciones que OpenAI retira (marcas de tiempo, subtítulos, traducción al inglés), alojar Whisper large-v3 tú mismo conserva las tres. Whisper alojado por proveedores de inferencia es el mismo modelo sin las GPU. En ambos casos, la segmentación, el manejo del silencio y las actualizaciones son cosa tuya.
Alojarlo tú mismo encaja mal en una conversación en directo. Whisper se diseñó para ventanas de 30 segundos de audio terminado. Envolverlo para streaming implica tu propia detección de fin de turno, tu propio manejo de las alucinaciones en silencios y latencia extra de ida y vuelta en cada turno.
Dónde encaja Cartesia
Cartesia tiene dos modelos de voz a texto, y hacen trabajos distintos.
Para agentes de voz, Ink-2. Transmite mientras habla quien llama y detecta por sí mismo el final del turno, así que el agente no necesita un VAD aparte. En el benchmark de streaming de Artificial Analysis de octubre de 2026, Ink-2 con su detección de turnos integrada tiene una tasa de error de palabras del 3,4 %, frente al 3,9 % de GPT Live Transcribe y el 4,9 % de GPT Realtime Whisper. Con las tarifas del plan Scale cuesta unos 0,40 $ por hora, frente a 1,02 $ de cualquiera de los dos modelos de directo de OpenAI. Ink-2 cubre hoy inglés, francés, hindi, japonés y español. Para otros idiomas en directo, prueba un modelo multilingüe como Deepgram Nova-3 junto a los de OpenAI.
Para archivos grabados, ink-whisper. Es nuestro modelo anterior de la familia Whisper, que seguimos sirviendo en el endpoint por lotes: una sola subida, sin dividir archivos, marcas de tiempo por palabra y unos 100 idiomas. Cartesia no ofrece traducción al inglés ni etiquetas de hablante, así que cubre uno de los tres huecos que deja el cierre, no los tres.
Los precios de Cartesia cobran ambos de los mismos créditos que el texto a voz:
| Modelo y endpoint | Créditos | Con tarifas del plan Scale (299 $ por 8M de créditos) |
|---|---|---|
ink-whisper, por lotes | 1 crédito cada 2 segundos | unos 0,07 $ por hora |
ink-whisper, streaming | 1 crédito por segundo | unos 0,13 $ por hora |
| Ink-2, streaming | 3 créditos por segundo | unos 0,40 $ por hora |
Los planes empiezan gratis con 20.000 créditos al mes, suficiente para unas 11 horas de transcripción por lotes. El silencio se factura como audio. Nuestros planes son suscripciones prepagadas, no pago puro por minuto, así que consulta la página de precios para el plan que encaje con tu volumen.
Si transcribes audio grabado y necesitas marcas de tiempo después de febrero, pasa unos cuantos archivos por ink-whisper. Si estás creando un agente de voz, prueba Ink-2 en el playground con tus propias llamadas. La guía de migración desde OpenAI de nuestra documentación traduce los ajustes de transcripción y de transcripción Realtime de OpenAI a los de Cartesia.