Nuestra lectura
Decida primero si el audio llega después o mientras la gente aún habla: eso determina la API de archivos o la de tiempo real, y la diarización está documentada para ambas. Después elija el modelo según los idiomas que necesita, porque las páginas de precios e inicio citan generaciones de modelos y cifras de idiomas distintas. Confírmelo en la documentación técnica antes de comprometerse.
Empiece por el momento en que llega el audio
AssemblyAI plantea esta decisión como API separadas. La API de audio pregrabado transcribe archivos de audio y vídeo con etiquetas de hablante y formato. La de tiempo real recibe audio en flujo y devuelve el texto mientras la gente habla. Una API síncrona devuelve el texto final de un clip corto en la misma solicitud.
Jiminny ilustra la diferencia. Su equipo de producto quería transcripción en streaming para ayudar al usuario en el momento de la conversación, además de etiquetas para distinguir a los participantes. El caso publicado por el proveedor cita mejoras como un aumento de al menos el 51 % en la satisfacción del cliente; son cifras del proveedor y del cliente, no una prueba independiente.
Si su producto solo necesita el texto después de la llamada, la API de archivos es más sencilla. Según su caso de cliente, Aloware lanzó la transcripción automática de llamadas en seis semanas y la usó para la revisión y el control de calidad de llamadas.
Qué cambia la factura y los límites
El audio pregrabado se cobra por hora: la página de precios indica 0,21 $ por hora para Universal-3.5 Pro y 0,15 $ para Universal-2. Los archivos multicanal se cobran por canal: una hora en estéreo cuenta como dos, y cada canal se transcribe de forma independiente, lo que el proveedor presenta como más preciso para grabaciones con varias voces.
El streaming tiene sus propias reglas. La concurrencia se describe como gratuita y de escalado automático. En el plan gratuito puede abrir hasta 5 conexiones nuevas por minuto. En pago por uso, el límite inicial es de 100 sesiones por minuto y sube un 10 % cuando usa el 70 % o más. Compruebe en la página de precios y en la documentación cómo se mide el tiempo de streaming antes de calcular el coste de llamadas largas.
Modelo e idiomas: dos páginas, dos respuestas
La página de precios presenta Universal-3.5 Pro para 18 idiomas y Universal-2 para 99 idiomas a menor precio. La página de inicio describe Universal-3.6 Pro para audio grabado y un equivalente en tiempo real, cada uno con 32 idiomas y cambio de idioma, y además declara más de 99 idiomas en total. Las fuentes no concilian estas diferencias de nombre e idiomas, así que solo la documentación aclarará qué modelo y qué lista se aplican a su cuenta.
El idioma y la precisión temporal motivaron el cambio de Kapwing. Su CTO explica que la API anterior no tenía suficiente precisión en los tiempos por palabra ni en la traducción de idiomas extranjeros, y que AssemblyAI hizo experimentos comparando la tasa de error de palabras y la precisión temporal. Dovetail también comparó proveedores antes de elegir. Son relatos del proveedor; la enseñanza es repetir esa comparación con sus propias grabaciones.
Diarización: quién habla, en directo o en diferido
La diarización está disponible para los modelos pregrabados y de tiempo real, y el proveedor dice entrenarla internamente. La identificación de hablantes sustituye después «Speaker A» por nombres o roles reales. La página de precios lista las funciones adicionales en una pestaña aparte: compruebe allí si la diarización cambia su coste por hora.
Dos casos muestran usos distintos. Dovetail, que ingiere entrevistas y llamadas de soporte, informa de una mejora de alrededor del 10 % en las etiquetas de hablante en su propia comparación. Aloware ofrece transcripciones separadas por hablante y análisis de sentimiento por hablante en su producto de analítica de voz. Si cada voz va en un canal distinto, la transcripción por canal merece una prueba, con la facturación multicanal ya descrita.
Términos especializados y destino de la salida
Para la API pregrabada, la página de precios menciona términos clave (keyterms prompting), ortografía personalizada, muletillas, detección de idioma y marcas de tiempo por palabra. La página de inicio añade modos Médico y Veterinario con vocabulario de dominio, y un modo Jurídico anunciado como próximo. Las fuentes leídas no indican límites para las listas de términos clave: consulte la documentación.
Las marcas por palabra alimentan funciones reales. Kapwing las usa para recortar vídeo editando la transcripción y para animar subtítulos palabra a palabra. CallRail hace otra cosa: pasa las llamadas por un modelo de resumen que devuelve viñetas, titular, esencia o párrafo con una sola llamada a la API, y suma análisis de sentimiento.
Salvaguardas, datos y prueba gratuita
Una API Guardrails detecta y elimina datos personales y contenido inseguro en los datos de voz. Aloware cita la eliminación de datos personales entre las funciones que lanzó con AssemblyAI. En retención, el proveedor afirma que el streaming no conserva audio ni transcripciones si usted desactiva el entrenamiento de modelos. Para audio pregrabado, los archivos se borran en 24 a 48 horas y las transcripciones a los 30 días por defecto, con una vida útil configurable de hasta una hora. Las cuentas de pago pueden excluirse del entrenamiento.
AssemblyAI declara una auditoría SOC 2 Type II y ofrece un acuerdo de tratamiento de datos. Ese acuerdo indica que el tratamiento principal se realiza en Estados Unidos y prevé aviso y derecho de objeción ante nuevos subencargados, algo que su equipo de privacidad debería leer.
El plan gratuito no pide tarjeta y cubre hasta 185 horas pregrabadas y 333 de streaming. Sugerencia editorial: úselo con una muestra de sus grabaciones más ruidosas, una vez como archivo y otra como flujo, y compare etiquetas de hablante y términos del sector antes de decidir.
Método y límites
2026-11-13
Esta instantánea fechada cuenta empresas distintas con pruebas públicas de clientes. CONFIRMED indica un caso de estudio, testimonio identificado o fuente de prensa; DECLARED, una declaración de la propia empresa; OBSERVED, una lista de clientes del proveedor; SIGNAL, una oferta de empleo. Los cuatro niveles cuentan, con distinta solidez. Se excluyen las líneas retiradas o sin nivel. Los ejemplos son una selección limitada verificada en los últimos 90 días. Los datos del proveedor tienen fuentes comprobadas en los últimos 60 días. La cobertura es desigual y la ausencia de pruebas es desconocida. Las cifras no miden cuota de mercado ni rendimiento; las fechas de captura no son fechas de adopción.
