Nossa leitura
Decida primeiro se o áudio chega depois ou enquanto as pessoas ainda falam: isso define a API de arquivos ou a de tempo real, e a diarização está documentada para ambas. Depois escolha o modelo pelos idiomas de que você precisa, pois as páginas de preços e inicial citam gerações de modelo e números de idiomas diferentes. Confirme isso na documentação técnica antes de se comprometer.
Comece pelo momento em que o áudio chega
O AssemblyAI apresenta essa decisão como APIs separadas. A API de áudio pré-gravado transcreve arquivos de áudio e vídeo com rótulos de falante e formatação. A de tempo real recebe áudio em fluxo e devolve o texto conforme as pessoas falam. Uma API síncrona devolve o texto final de um clipe curto na mesma requisição.
A Jiminny mostra por que a separação importa. Sua equipe de produto queria transcrição em streaming para ajudar o usuário no momento da conversa, além de rótulos para distinguir os participantes. O estudo de caso publicado pelo fornecedor cita ganhos como aumento de pelo menos 51% na satisfação do cliente; são números do fornecedor e do cliente, não um teste independente.
Se o seu produto só precisa do texto depois da ligação, a API de arquivos é mais simples. Segundo o estudo de caso, a Aloware lançou a transcrição automática de chamadas em seis semanas e a usou na revisão e no controle de qualidade das chamadas.
O que muda a fatura e os limites
O áudio pré-gravado é cobrado por hora: a página de preços informa US$ 0,21 por hora para o Universal-3.5 Pro e US$ 0,15 para o Universal-2. Arquivos multicanal são cobrados por canal: uma hora em estéreo conta como duas, e cada canal é transcrito de forma independente, o que o fornecedor apresenta como mais preciso para gravações com várias vozes.
O streaming tem regras próprias. A concorrência é descrita como gratuita e de escala automática. No plano gratuito você pode abrir até 5 novas conexões por minuto. No pagamento por uso, o limite inicial é de 100 sessões por minuto e aumenta 10% sempre que você usa 70% ou mais dele. Verifique na página de preços e na documentação como o tempo de streaming é medido antes de calcular o custo de chamadas longas.
Modelo e idiomas: duas páginas, duas respostas
A página de preços apresenta o Universal-3.5 Pro para 18 idiomas e o Universal-2 para 99 idiomas, por um preço menor. A página inicial descreve o Universal-3.6 Pro para áudio gravado e um equivalente em tempo real, cada um com 32 idiomas e troca de idioma, e ainda declara mais de 99 idiomas no total. As fontes não conciliam essas diferenças de nome e de idiomas; só a documentação dirá qual modelo e qual lista valem para a sua conta.
Idioma e precisão de tempo motivaram a troca da Kapwing. O CTO conta que a API anterior não tinha precisão suficiente nos tempos por palavra nem na tradução de idiomas estrangeiros, e que a AssemblyAI fez experimentos comparando a taxa de erro de palavras e a precisão temporal. A Dovetail também comparou fornecedores antes de escolher. São relatos do fornecedor; a lição é repetir essa comparação com as suas próprias gravações.
Diarização: quem fala, ao vivo ou depois
A diarização está disponível para os modelos pré-gravados e de tempo real, e o fornecedor diz treinar seus modelos internamente. A identificação de falantes troca depois rótulos como «Speaker A» por nomes ou funções reais. A página de preços lista os recursos adicionais em uma aba separada: confira ali se a diarização altera o seu custo por hora.
Dois casos mostram usos diferentes. A Dovetail, que ingere entrevistas e chamadas de suporte, relata melhoria de cerca de 10% nos rótulos de falante na sua própria comparação. A Aloware oferece transcrições separadas por falante e análise de sentimento por falante em seu produto de análise de voz. Se cada voz estiver em um canal distinto, a transcrição por canal merece um teste, com a cobrança multicanal descrita acima.
Termos especializados e destino da saída
Para a API pré-gravada, a página de preços menciona termos-chave (keyterms prompting), grafia personalizada, palavras de preenchimento, detecção de idioma e carimbos de tempo por palavra. A página inicial acrescenta modos Médico e Veterinário com vocabulário de domínio, e um modo Jurídico marcado como em breve. As fontes lidas não informam limites para listas de termos-chave: consulte a documentação.
Os carimbos por palavra sustentam recursos reais. A Kapwing os usa para cortar vídeo editando a transcrição e para animar legendas palavra por palavra. A CallRail faz outra coisa: passa as chamadas por um modelo de resumo que devolve tópicos, título, essência ou parágrafo em uma única chamada de API, além de análise de sentimento.
Salvaguardas, dados e teste gratuito
Uma API Guardrails detecta e remove dados pessoais e conteúdo inseguro nos dados de voz. A Aloware cita a remoção de dados pessoais entre os recursos lançados com o AssemblyAI. Quanto à retenção, o fornecedor afirma que o streaming não guarda áudio nem transcrições se você recusar o treinamento de modelos. No áudio pré-gravado, os uploads são apagados em 24 a 48 horas e as transcrições após 30 dias por padrão, com tempo de vida ajustável até uma hora. Contas pagas podem recusar o treinamento.
O AssemblyAI declara uma auditoria SOC 2 Type II e oferece um acordo de processamento de dados. O acordo informa que o processamento principal ocorre nos Estados Unidos e prevê aviso e direito de objeção a novos subprocessadores, algo que sua equipe de privacidade deve ler.
O plano gratuito não exige cartão e cobre até 185 horas pré-gravadas e 333 de streaming. Sugestão editorial: use-o com uma amostra das suas gravações mais ruidosas, uma vez como arquivo e outra como fluxo, e compare rótulos de falante e termos do setor antes de decidir.
Método e limites
2026-11-13
Este instantâneo datado conta empresas distintas com evidências públicas de clientes. CONFIRMED indica um estudo de caso, uma citação nominal ou uma fonte de imprensa; DECLARED, uma declaração da própria empresa; OBSERVED, uma lista de clientes do fornecedor; SIGNAL, um anúncio de vaga. Os quatro níveis contam, com solidez diferente. Linhas removidas ou sem nível ficam de fora. Os exemplos são uma seleção limitada, verificada nos últimos 90 dias. Os dados do fornecedor vêm de fontes verificadas nos últimos 60 dias. A cobertura é desigual, e a ausência de evidências significa que o dado é desconhecido. Estes números não medem participação de mercado nem desempenho; datas de captura não são datas de adoção.
