L’API Whisper di OpenAI costa 0,006 $ al minuto di audio, cioè 0,36 $ all’ora. Il prezzo non è cambiato dal lancio dell’API a marzo 2023, ed è per questo che tante bollette di trascrizione sono state costruite su di esso.
Nel 2026 sono cambiate due cose. OpenAI ha lanciato modelli di trascrizione più economici e più precisi, e il 26 agosto ha dichiarato deprecato whisper-1 insieme a tutti i modelli di trascrizione GPT-4o. Escono dall’API il 26 febbraio 2027. Quindi la domanda utile non è più solo “quanto costa Whisper?”, ma “quanto costerà questo audio dopo febbraio, e su quale modello?”.
Di seguito i prezzi attuali di trascrizione di OpenAI, letti dalla sua pagina prezzi l’11 ottobre 2026; poi cosa rompe la chiusura, quanto costano carichi reali e le alternative. Sviluppiamo Cartesia, che vende speech-to-text, quindi abbiamo un interesse in gioco. Tutti i numeri di OpenAI vengono da OpenAI, e i nostri prezzi sono in fondo, così puoi verificare entrambi.
Prezzi di trascrizione OpenAI
| Modello | Uso | Prezzo al minuto | All’ora | Stato |
|---|---|---|---|---|
gpt-transcribe | File registrati | 0,0045 $ | 0,27 $ | Predefinito attuale |
gpt-4o-mini-transcribe | File registrati | ~0,003 $ | ~0,18 $ | Rimosso il 26 feb 2027 |
gpt-4o-transcribe | File registrati | ~0,006 $ | ~0,36 $ | Rimosso il 26 feb 2027 |
gpt-4o-transcribe-diarize | File con etichette dei parlanti | ~0,006 $ | ~0,36 $ | Rimosso il 26 feb 2027 |
whisper-1 | File, timestamp, sottotitoli | 0,006 $ | 0,36 $ | Rimosso il 26 feb 2027 |
gpt-live-transcribe | Audio dal vivo | 0,017 $ | 1,02 $ | Predefinito per il dal vivo |
gpt-realtime-whisper | Audio dal vivo | 0,017 $ | 1,02 $ | Attuale |
gpt-realtime-translate | Traduzione dal vivo | 0,034 $ | 2,04 $ | Attuale |
Le righe con ”~” sono stime di OpenAI. Quei tre modelli fatturano a token (2,50 $ per milione di token audio in ingresso e 10 $ per milione di token in uscita per gpt-4o-transcribe, la metà per mini), quindi il costo reale al minuto dipende da quanto si parla. whisper-1 e la famiglia gpt-transcribe fatturano a durata dell’audio, più facile da mettere a budget.
Alcune cose che la tabella non mostra:
- I file hanno un limite di 25 MB. La guida alla trascrizione dei file accetta mp3, mp4, mpeg, mpga, m4a, wav e webm fino a 25 MB, quindi un’ora di WAV va prima divisa o compressa. È nella divisione che gli errori di parole si infilano tra un pezzo e l’altro.
- Il dal vivo costa quasi quattro volte i file. La trascrizione in streaming costa 0,017 $ al minuto contro 0,0045 $ per lo stesso minuto caricato dopo. Se non ti servono le parole mentre la persona parla, non pagarle.
- L’elaborazione regionale costa di più. OpenAI applica un sovrapprezzo del 10% sugli endpoint di residenza dei dati per i modelli idonei usciti dal 5 marzo 2026.
- I modelli più recenti non hanno un piano gratuito. Le pagine di
gpt-transcribee dei due modelli dal vivo indicano che gli account gratuiti non sono supportati. Paghi dal primo minuto.
La chiusura di febbraio 2027
L’avviso di deprecazione è breve. Escono quattro modelli, due li sostituiscono:
| Rimosso il 26 feb 2027 | Sostituto indicato da 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 |
Per la trascrizione semplice il passaggio è soprattutto un nome di modello e un taglio di prezzo. gpt-transcribe accetta un array languages al posto del campo singolo language, aggiunge keywords per nomi di prodotto e identificativi, e può trasmettere il testo mentre elabora un file.
Il problema sono i compiti che Whisper svolgeva e che nulla sostituisce ancora. La stessa guida alla trascrizione di OpenAI indirizza ancora tre di essi a modelli nella lista di rimozione:
- Timestamp per parola e sottotitoli
srtovttvanno awhisper-1. - Traduzione in inglese va a
whisper-1tramite l’endpoint di traduzione. - Etichette dei parlanti vanno a
gpt-4o-transcribe-diarize.
All’11 ottobre 2026 OpenAI non ha indicato un successore per nessuno dei tre. Se il tuo prodotto crea sottotitoli, allinea una trascrizione a un video o separa una chiamata per parlante, il sostituto non è nell’avviso. È la parte della migrazione da iniziare adesso, non a febbraio.
Quanto costa un carico reale
A prezzi di listino, prima di eventuali sovrapprezzi per la residenza dei dati:
Trascrivere 10.000 ore di chiamate registrate al mese (600.000 minuti). Su whisper-1 sono 3.600 $. Passare a gpt-transcribe porta la cifra a 2.700 $. gpt-4o-mini-transcribe costerebbe circa 1.800 $, ma esce anche lui a febbraio, quindi quel risparmio dura pochi mesi al massimo.
Un agente vocale che ascolta 10.000 minuti di chiamate al mese. La trascrizione dal vivo su gpt-live-transcribe costa 170 $. Sembra poco accanto alla bolletta batch, e lo è: per un agente la trascrizione raramente è la voce costosa. Il costo che conta è quello che un numero di conto capito male fa al resto della chiamata.
Whisper è ancora abbastanza preciso?
Whisper ha fissato l’asticella nel 2022. Oggi non è più vicino alla vetta. Artificial Analysis ha misurato questi word error rate su audio registrato a ottobre 2026 (più basso è meglio):
| Modello | Word error rate | Prezzo per 1.000 minuti |
|---|---|---|
| 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 $ |
Due letture di questa tabella. Dentro OpenAI, gpt-transcribe è sia più economico sia più preciso di whisper-1, quindi per la trascrizione semplice non c’è motivo di aspettare febbraio. Fuori da OpenAI, Whisper large-v3 Turbo ospitato su Groq costa circa un nono di whisper-1 con mezzo punto di errore in più. È un buon compromesso per gli archivi e uno pessimo per qualsiasi cosa legga un cliente.
Il word error rate è una diagnosi, non un verdetto (gli abbiamo dedicato un’intera guida). Passa le tue registrazioni più difficili attraverso due o tre finalisti prima di migrare.
Eseguire Whisper in proprio
Il modello Whisper open source ha licenza MIT e non è coinvolto nella chiusura. Se il tuo audio è registrato, hai GPU libere e ti servono le funzioni che OpenAI elimina (timestamp, sottotitoli, traduzione in inglese), ospitare Whisper large-v3 in proprio le mantiene tutte e tre. Whisper ospitato dai fornitori di inferenza è lo stesso modello senza le GPU. In entrambi i casi segmentazione, gestione del silenzio e aggiornamenti sono a carico tuo.
L’hosting in proprio si adatta male a una conversazione dal vivo. Whisper è stato progettato per finestre di 30 secondi di audio concluso. Avvolgerlo per lo streaming significa gestire da te il rilevamento di fine turno, le allucinazioni nei silenzi e latenza in più a ogni turno.
Dove si colloca Cartesia
Cartesia ha due modelli speech-to-text, per due lavori diversi.
Per gli agenti vocali, Ink-2. Trascrive in streaming mentre parla chi chiama e rileva da solo la fine del turno, quindi l’agente non ha bisogno di un VAD separato. Sul benchmark streaming di Artificial Analysis di ottobre 2026, Ink-2 con il rilevamento dei turni integrato ha un word error rate del 3,4%, contro il 3,9% di GPT Live Transcribe e il 4,9% di GPT Realtime Whisper. Alle tariffe del piano Scale costa circa 0,40 $ all’ora, contro 1,02 $ di ciascuno dei due modelli dal vivo di OpenAI. Oggi Ink-2 copre inglese, francese, hindi, giapponese e spagnolo. Per altre lingue dal vivo, prova un modello multilingue come Deepgram Nova-3 accanto a quelli di OpenAI.
Per i file registrati, ink-whisper. È il nostro modello precedente della famiglia Whisper, che continuiamo a servire sull’endpoint batch: un solo caricamento, nessuna divisione del file, timestamp per parola, circa 100 lingue. Cartesia non offre traduzione in inglese né etichette dei parlanti, quindi copre una delle tre lacune lasciate dalla chiusura, non tutte e tre.
I prezzi di Cartesia addebitano entrambi sugli stessi crediti della sintesi vocale:
| Modello ed endpoint | Crediti | Alle tariffe del piano Scale (299 $ per 8M di crediti) |
|---|---|---|
ink-whisper, batch | 1 credito ogni 2 secondi | circa 0,07 $ all’ora |
ink-whisper, streaming | 1 credito al secondo | circa 0,13 $ all’ora |
| Ink-2, streaming | 3 crediti al secondo | circa 0,40 $ all’ora |
I piani partono gratis con 20.000 crediti al mese, sufficienti per circa 11 ore di trascrizione batch. Il silenzio viene fatturato come audio. I nostri piani sono abbonamenti prepagati, non pagamento puro al minuto, quindi controlla la pagina prezzi per il piano adatto al tuo volume.
Se trascrivi audio registrato e ti servono timestamp dopo febbraio, passa qualche file attraverso ink-whisper. Se stai costruendo un agente vocale, prova Ink-2 nel playground sulle tue chiamate. La guida alla migrazione da OpenAI nella nostra documentazione mappa le impostazioni di trascrizione e di trascrizione Realtime di OpenAI su quelle di Cartesia.