Modelos de transcripción.

Modelo Base de Deepgram — alto volumen, económico

Último modelo fundacional ASR generativo de Google — más de 85 idiomas

Optimizado para consultas cortas y comandos de voz

Modelo de propósito general

Modelo de mayor precisión — más de 55 idiomas, el mejor de su clase

Modelo Enhanced de Deepgram — alta precisión para palabras poco comunes

Primer modelo ASR conversacional para agentes de voz — endpointing integrado en el modelo

GPT-4o Mini optimizado para transcripción rápida

GPT-4o optimizado para transcripción con WER mejorado

Transcripción GPT-4o con diarización de hablantes integrada

El nuevo STT en streaming de Cartesia — el menor WER de cualquier modelo en streaming, detección de turnos nativa y precisión en datos alfanuméricos como números de teléfono, correos y UUID. Por ahora solo en inglés.

Whisper rediseñado para IA de voz en tiempo real y por lotes — TTCT más rápido, cobertura en 99 idiomas

Modelo Conformer para audio de larga duración (minutos a horas)

Modelo Conformer para enunciados cortos (< 60s)

Reconocimiento de voz Nova-2 de Deepgram

Optimizado para interacciones humano-bot (IVR, asistentes de voz)

Optimizado para llamadas de resultados con vocabulario financiero

Optimizado para audio de salas de conferencias

Optimizado para audio de llamadas telefónicas de bajo ancho de banda

Optimizado para buzón de voz de un solo hablante de bajo ancho de banda

Modelo insignia de Deepgram — 53% menos WER vs competidores, soporte de cambio de código

Qwen3-ASR Flash de Alibaba — transcripción por lotes multilingüe (más de 25 idiomas) con marcas de tiempo por palabra y detección automática de idioma, alojado en Model Studio (Singapur). Admite archivos de hasta 12 horas.

Rev AI Reverb — reconocimiento de voz asíncrono basado en el modelo Reverb ASR de Rev (entrenado con más de 3 millones de horas de audio transcrito por humanos), con diarización de hasta 8 hablantes y marcas de tiempo por palabra. Núcleo en inglés con amplio soporte de idiomas a través de la API asíncrona.

STT por lotes de última generación — más de 90 idiomas, diarización de hablantes, etiquetado de audio

STT de baja latencia más preciso — <150ms, más de 90 idiomas

Gladia Solaria-1 — reconocimiento de voz por streaming en tiempo real alojado en la UE para más de 100 idiomas con cambio de idioma nativo y latencia parcial de ~103ms. Marcas de tiempo por palabra e identificación automática de idioma; la diarización de hablantes está disponible por lotes (Solaria-3), no en este modelo de streaming.

Gladia Solaria-3 — reconocimiento de voz por lotes alojado en la UE optimizado para la máxima precisión en audio empresarial en cinco idiomas europeos principales (inglés, francés, alemán, español, italiano), con diarización de hablantes, vocabulario personalizado y marcas de tiempo por palabra.

Modelo STT predeterminado de Azure — más de 140 idiomas, diarización, marcas de tiempo por palabra

Modelo económico — respuesta rápida, más de 55 idiomas

Transcripción por lotes asíncrona de Soniox — un modelo multilingüe para más de 60 idiomas con diarización de hablantes, marcas de tiempo por palabra e identificación automática de idioma, a una tarifa baja basada en tokens.

Transcripción en tiempo real de Soniox — STT multilingüe de baja latencia para más de 60 idiomas con diarización de hablantes, marcas de tiempo por palabra e identificación automática de idioma a través de un único WebSocket.

Optimizado para audio de telefonía (8kHz)

ASR impulsado por modelos fundacionales de AWS — más de 100 idiomas

Transcripción médica con elegibilidad HIPAA

AssemblyAI Universal-3.5 Pro Realtime — el modelo de streaming insignia, con cambio de idioma nativo a mitad de frase en 18 idiomas y contexto de conversación mantenido entre turnos. Marcas de tiempo por palabra y resultados parciales estables que no se reescriben conforme llegan; la diarización de hablantes está disponible en el modelo por lotes, no en este de streaming.

El modelo de lenguaje de voz más potente de AssemblyAI — hasta 1000 frases clave

Diseñado para agentes de voz en tiempo real — transcripciones inmutables en ~300ms

STT en streaming multilingüe — inglés, español, francés, alemán, italiano, portugués

Voxtral Mini Transcribe de Mistral — transcripción por lotes alojada en la UE con diarización de hablantes, marcas de tiempo por segmento y vocabulario personalizado (context bias). Buena precisión a muy bajo costo; admite grabaciones de hasta 3 horas.

Modelo Whisper API de OpenAI

Whisper large-v3 de OpenAI ejecutado en el hardware LPU de Groq — la mejor precisión de Whisper a la velocidad y el costo de Groq, con marcas de tiempo por palabra y detección automática de idioma.

Modelo Whisper large-v3 de OpenAI

Whisper large-v3-turbo de OpenAI ejecutado en el hardware LPU de Groq — transcripción por lotes muy rápida y de muy bajo costo, con marcas de tiempo por palabra y detección automática de idioma.