Benchmark de APIs de voz a texto: Whisper vs ElevenLabs vs CAMB.AI (precisión + latencia)

Un episodio de pódcast de 30 minutos con dos hablantes, ruido de fondo moderado y algún que otro solapamiento. Necesitas una transcripción precisa en menos de cinco minutos, en un idioma que hable tu audiencia. La API de voz a texto que elijas determina si esa transcripción es utilizable o requiere una hora de limpieza manual.

No todas las APIs de STT rinden igual con audio real. Los benchmarks de los proveedores sobre grabaciones limpias cuentan una historia. El audio de producción con acentos, hablantes solapados y ruido ambiente cuenta otra distinta.

Así es como se comparan tres APIs de voz a texto ampliamente evaluadas, Whisper, ElevenLabs Scribe y CAMB.AI, en las métricas que importan.

Cómo comparamos Whisper, ElevenLabs y CAMB.AI

Cada API se evaluó según cinco criterios que afectan directamente a los resultados de producción: precisión con audio del mundo real, latencia para transcripción en tiempo real y por lotes, cobertura de idiomas, calidad de la diarización de hablantes y precios a escala. El objetivo es darte información suficiente para preseleccionar la API adecuada antes de ejecutar tus propias pruebas.

Whisper: la referencia de código abierto

Cómo gestiona Whisper la transcripción

Whisper, de OpenAI, es un modelo de código abierto entrenado con 680 000 horas de audio web multilingüe. La familia actual incluye varios tamaños de modelo y una variante turbo más rápida. Whisper admite 98 idiomas e incluye traducción al inglés integrada.

Precisión y latencia

Whisper rinde bien con audio en inglés limpio, con tasas de error de palabra reportadas de entre el 4 % y el 8 % según las condiciones del audio. En grabaciones ruidosas y con varios hablantes, la precisión cae de forma más notable. La propia documentación de OpenAI señala un rendimiento desigual entre idiomas y dialectos, y advierte de que los resultados pueden incluir texto alucinado. Whisper es un modelo solo por lotes. No hay un endpoint nativo de streaming en tiempo real. Los desarrolladores que necesitan transcripción en directo han creado soluciones de fragmentación, pero estas añaden latencia y complejidad de ingeniería frente a las APIs nativas de streaming.

Soporte de idiomas

Se admiten 98 idiomas, aunque la precisión varía según el idioma. El rendimiento en idiomas de altos recursos como el inglés y el español es sólido. Los idiomas de menos recursos muestran tasas de error más altas. Whisper carece de diarización de hablantes integrada, por lo que requiere herramientas externas.

Precios

El modelo de código abierto es gratuito para autoalojar, pero los costes de infraestructura (cómputo de GPU, escalado, mantenimiento) se acumulan. La API gestionada de OpenAI cobra 0,006 USD por minuto para whisper-1 y gpt-4o-transcribe.

ElevenLabs Scribe: el stack de voz unificado

Cómo gestiona ElevenLabs la transcripción

ElevenLabs ofrece Scribe v2 para transcripción por lotes y Scribe v2 Realtime para aplicaciones en directo. La plataforma es conocida principalmente por la síntesis de voz, y sus productos de texto a voz y de STT comparten un sistema de facturación unificado.

Precisión, latencia y soporte de idiomas

ElevenLabs reporta cifras de WER de entre el 1,7 % y el 3,9 % en benchmarks estándar. La latencia en tiempo real apunta a aproximadamente 150 ms. Scribe v2 admite más de 90 idiomas, marcas de tiempo a nivel de palabra, diarización de hablantes y prompting de palabras clave para hasta 1000 términos específicos del dominio. El soporte de formatos de audio abarca PCM a 8-48 kHz y codificación u-law.

Precios

Basado en suscripción, con excedentes según el uso. La transcripción por lotes cuesta 0,22 USD por hora. La transcripción en tiempo real cuesta entre 0,39 y 0,48 USD por hora, según el nivel.

CAMB.AI: transcripción de nivel de producción con localización completa

Cómo gestiona CAMB.AI la transcripción

CAMB.AI aborda la voz a texto como una capa dentro de un pipeline de localización completo. La transcripción alimenta directamente la traducción, el doblaje y la generación de subtítulos en más de 150 idiomas, que abarcan el 99 % de la población hablante del mundo. Donde la mayoría de las APIs de STT se detienen en la transcripción, CAMB.AI conecta la transcripción con los flujos de trabajo posteriores. Una sola subida puede producir una transcripción, subtítulos traducidos y una pista de audio doblada, todo a partir del mismo archivo de origen dentro de DubStudio.

Precisión y latencia

CAMB.AI admite la diarización de hablantes de forma nativa, identificando y separando a los distintos hablantes sin costes adicionales. Para los equipos que trabajan con contenido de varios hablantes, como comentarios deportivos, entrevistas o mesas redondas, la transcripción incluye etiquetas de hablante desde el primer momento. La plataforma gestiona acentos variados y condiciones de audio ruidosas mediante modelos entrenados con más de 10 000 horas de datos premium por idioma. CAMB.AI cuenta con la certificación SOC 2 Type II, algo que importa a los equipos de sectores regulados o en ciclos de compras empresariales.

Soporte de idiomas y localización

Se admiten más de 150 idiomas, la cobertura más amplia entre las tres APIs comparadas aquí. Y lo que es más importante, la transcripción se conecta directamente con el doblaje con IA y la generación de subtítulos, de modo que la transcripción se convierte en el punto de partida de contenido multilingüe completo, no solo en un archivo de texto.

Precios

CAMB.AI ofrece un nivel gratuito a través de DubStudio. Los planes de pago escalan según el uso. Para los equipos que necesitan transcripción más traducción o doblaje, el pipeline integrado resulta más rentable que combinar proveedores de STT, traducción y TTS por separado.

Comparación lado a lado

Qué API de voz a texto deberías elegir

Tu elección depende de qué ocurre después de la transcripción. Si quieres control total y ya tienes infraestructura de GPU, Whisper te ofrece una referencia de código abierto para autoalojar. Cuenta con crear tu propio pipeline para la diarización y el streaming. Si necesitas un stack unificado de STT y TTS para agentes de voz, ElevenLabs ofrece una integración estrecha entre transcripción y síntesis de voz. Si tu flujo de trabajo va más allá de la transcripción hacia la traducción, el doblaje y los subtítulos a escala, CAMB.AI conecta la STT con el pipeline de localización completo en más de 150 idiomas dentro de una sola plataforma.

Tu audio merece más que una transcripción

Una transcripción es el primer paso. El verdadero valor viene de llegar a audiencias en nuevos idiomas, generar subtítulos o doblar contenido para la distribución global. Si estás listo para convertir tu audio en contenido multilingüe sin combinar cinco herramientas distintas, empieza con una plataforma que conecte cada paso.