Preços da API OpenAI Whisper em 2026

A API Whisper da OpenAI custa US$ 0,006 por minuto de áudio, ou US$ 0,36 por hora. Esse preço não mudou desde o lançamento da API em março de 2023, e é por isso que tantas contas de transcrição foram construídas em cima dele.

Duas coisas mudaram em 2026. A OpenAI lançou modelos de transcrição mais baratos e mais precisos e, em 26 de agosto, descontinuou o whisper-1 junto com todos os modelos de transcrição GPT-4o. Eles saem da API em 26 de fevereiro de 2027. Então a pergunta útil não é mais só “quanto custa o Whisper?”, e sim “quanto vai custar este áudio depois de fevereiro, e em qual modelo?”.

Abaixo estão os preços atuais de transcrição da OpenAI, lidos na página de preços em 11 de outubro de 2026; depois, o que o desligamento quebra, quanto custam cargas reais e as alternativas. Desenvolvemos a Cartesia, que vende fala para texto, então temos interesse no assunto. Todos os números da OpenAI são da própria OpenAI, e nossos preços estão no final para você conferir os dois.

Preços de transcrição da OpenAI

As linhas com ”~” são estimativas da própria OpenAI. Esses três modelos cobram por token (US$ 2,50 por milhão de tokens de áudio de entrada e US$ 10 por milhão de tokens de saída no gpt-4o-transcribe, metade no mini), então o custo real por minuto depende de quanto se fala. O whisper-1 e a família gpt-transcribe cobram pela duração do áudio, o que é mais fácil de orçar.

Algumas coisas que a tabela não mostra:

• Os arquivos têm limite de 25 MB. O guia de transcrição de arquivos aceita mp3, mp4, mpeg, mpga, m4a, wav e webm de até 25 MB, então uma hora de WAV precisa ser dividida ou comprimida antes. É na divisão que erros de palavras escapam pelas emendas.
• Ao vivo custa quase quatro vezes mais que arquivos. A transcrição em streaming custa US$ 0,017 por minuto contra US$ 0,0045 pelo mesmo minuto enviado depois. Se você não precisa das palavras enquanto a pessoa fala, não pague por isso.
• Processamento regional custa mais. A OpenAI cobra 10% a mais nos endpoints de residência de dados para modelos elegíveis lançados a partir de 5 de março de 2026.
• Os modelos mais novos não têm plano gratuito. As páginas do gpt-transcribe e dos dois modelos ao vivo indicam que contas gratuitas não são suportadas. Você paga desde o primeiro minuto.

O desligamento de fevereiro de 2027

O aviso de descontinuação é curto. Saem quatro modelos, e dois os substituem:

Para transcrição simples, a troca é basicamente um nome de modelo e um corte de preço. O gpt-transcribe aceita um array languages no lugar do campo único language, adiciona keywords para nomes de produtos e IDs, e pode transmitir texto enquanto processa um arquivo.

O problema são as tarefas que o Whisper fazia e que nada substitui ainda. O próprio guia de transcrição da OpenAI ainda envia três delas para modelos da lista de remoção:

• Timestamps por palavra e legendas srt ou vtt vão para o whisper-1.
• Tradução para o inglês vai para o whisper-1 pelo endpoint de traduções.
• Identificação de falantes vai para o gpt-4o-transcribe-diarize.

Em 11 de outubro de 2026, a OpenAI não indicou sucessor para nenhuma delas. Se seu produto gera legendas, alinha uma transcrição a um vídeo ou separa uma chamada por falante, o substituto não está no aviso. Essa é a parte da migração para começar agora, não em fevereiro.

Quanto custa uma carga real

A preços de tabela, antes de qualquer acréscimo por residência de dados:

Transcrever 10.000 horas de chamadas gravadas por mês (600.000 minutos). No whisper-1, são US$ 3.600. Passar para o gpt-transcribe deixa em US$ 2.700. O gpt-4o-mini-transcribe sairia por cerca de US$ 1.800, mas também sai em fevereiro, então essa economia dura poucos meses no máximo.

Um agente de voz ouvindo 10.000 minutos de chamadas por mês. A transcrição ao vivo no gpt-live-transcribe custa US$ 170. Parece pouco ao lado da conta em lote, e é: para um agente, a transcrição raramente é a linha cara. O custo que importa é o que um número de conta mal entendido faz com o resto da chamada.

O Whisper ainda é preciso o bastante?

O Whisper definiu o padrão em 2022. Hoje ele não está mais perto do topo. A Artificial Analysis mediu estas taxas de erro de palavras em áudio gravado em outubro de 2026 (quanto menor, melhor):

Duas leituras dessa tabela. Dentro da OpenAI, o gpt-transcribe é ao mesmo tempo mais barato e mais preciso que o whisper-1, então para transcrição simples não há motivo para esperar fevereiro. Fora da OpenAI, o Whisper large-v3 Turbo hospedado na Groq custa cerca de um nono do whisper-1 com meio ponto a mais de erro. É uma boa troca para arquivos históricos e uma troca ruim para qualquer coisa que um cliente lê.

Taxa de erro de palavras é um diagnóstico, não um veredito (escrevemos um guia inteiro sobre isso). Passe suas gravações mais difíceis por dois ou três finalistas antes de migrar.

Rodar o Whisper por conta própria

O modelo Whisper de código aberto tem licença MIT e não faz parte do desligamento. Se o seu áudio é gravado, você tem GPUs sobrando e precisa dos recursos que a OpenAI está tirando (timestamps, legendas, tradução para o inglês), hospedar o Whisper large-v3 por conta própria mantém os três. O Whisper hospedado por provedores de inferência é o mesmo modelo sem as GPUs. Nos dois casos, segmentação, tratamento de silêncio e atualizações ficam com você.

Hospedar por conta própria combina mal com uma conversa ao vivo. O Whisper foi feito para janelas de 30 segundos de áudio terminado. Envolvê-lo para streaming significa cuidar você mesmo da detecção de fim de turno, das alucinações em silêncios e de latência extra de ida e volta a cada turno.

Onde a Cartesia se encaixa

A Cartesia tem dois modelos de fala para texto, para trabalhos diferentes.

Para agentes de voz, o Ink-2. Ele transcreve em streaming enquanto a pessoa fala e detecta sozinho o fim do turno, então o agente não precisa de um VAD separado. No benchmark de streaming da Artificial Analysis de outubro de 2026, o Ink-2 com detecção de turnos integrada tem taxa de erro de palavras de 3,4%, contra 3,9% do GPT Live Transcribe e 4,9% do GPT Realtime Whisper. Nas tarifas do plano Scale, custa cerca de US$ 0,40 por hora, contra US$ 1,02 de qualquer um dos modelos ao vivo da OpenAI. Hoje o Ink-2 cobre inglês, francês, hindi, japonês e espanhol. Para outros idiomas ao vivo, teste um modelo multilíngue como o Deepgram Nova-3 ao lado dos da OpenAI.

Para arquivos gravados, o ink-whisper. É o nosso modelo anterior da família Whisper, que ainda servimos no endpoint em lote: um único envio, sem dividir arquivos, timestamps por palavra e cerca de 100 idiomas. A Cartesia não oferece tradução para o inglês nem identificação de falantes, então ele cobre uma das três lacunas que o desligamento deixa, não as três.

Os preços da Cartesia cobram os dois dos mesmos créditos que o texto para fala:

Os planos começam grátis com 20.000 créditos por mês, o suficiente para cerca de 11 horas de transcrição em lote. O silêncio é cobrado como áudio. Nossos planos são assinaturas pré-pagas, não pagamento puro por minuto, então veja a página de preços para o plano que combina com o seu volume.

Se você transcreve áudio gravado e precisa de timestamps depois de fevereiro, passe alguns arquivos pelo ink-whisper. Se está construindo um agente de voz, teste o Ink-2 no playground com as suas próprias chamadas. O guia de migração da OpenAI na nossa documentação mapeia as configurações de transcrição e de transcrição Realtime da OpenAI para as da Cartesia.

Guias relacionados

• Melhores modelos de transcrição
• Preços da Deepgram 2026
• Preços da ElevenLabs 2026
• Taxa de erro de palavras