Mejores modelos de voz a texto de 2026

De las 14 opciones de modelos de voz a texto que hemos analizado, ahora mismo las mejores son NVIDIA Nemotron 3.5 Transcribe, ElevenLabs Scribe v2 y Voxtral 3 (Transcribe and TTS). Cada una aparece según nuestra nota, con su precio, nuestro veredicto y para quién es.

Por Andrew Miller · Actualizado el 2 nov 2026 · Cómo analizamos

Cómo clasificamos: por nuestra nota sobre 5, a partir de reseñas basadas en los precios, la documentación y las políticas de cada producto, además de benchmarks independientes cuando existen, todo comprobado en la fecha que indica cada reseña. No cobramos comisiones de afiliación.

1
NVIDIA Nemotron 3.5 Transcribe
Un modelo de voz abierto que iguala en precisión a los mejores rivales abiertos y reúne diarización, traducción y vocabulario personalizado en un solo prompt, por $0,12 la hora alojado.
Ideal para: Equipos que transcriben en volumen llamadas, reuniones o contenido grabado y quieren etiquetas de hablante y vocabulario del dominio sin encadenar varios modelos.
Precio: Pesos abiertos bajo OpenMDW-1.1. DeepInfra: $0,002 por minuto de audio ($0,12 la hora); OpenRouter enruta a DeepInfra a una tarifa similar.
Lee nuestra reseña de NVIDIA Nemotron 3.5 Transcribe
4.5/5
2
ElevenLabs Scribe v2
Scribe v2 transcribe con precisión y se encarga por ti de la redacción de datos y de los hablantes, pero Microsoft vende ahora más precisión por menos de la mitad de precio.
Ideal para: Productos de reuniones, medios y ámbito clínico que necesitan etiquetas de hablante y redacción de datos además de una transcripción precisa.
Precio: API: Scribe v2 y v2 Medical a 0,22 $ por hora de audio; Scribe v2 Realtime a 0,39 $ por hora; el keyterm prompting suma 0,05 $ por hora. Los planes, desde 6 $/mes, incluyen horas.
Lee nuestra reseña de ElevenLabs Scribe v2
4.4/5
3
Voxtral 3 (Transcribe and TTS)
Cerca de lo más alto en las pruebas independientes de transcripción a un tercio de céntimo por minuto, con endpoints en la UE; la parte de síntesis de voz es solo competitiva y esta vez no hay nada con pesos abiertos.
Ideal para: Equipos que transcriben grandes volúmenes de reuniones, llamadas o contenidos multimedia, sobre todo en Europa, y quieren una precisión de primer nivel a un coste por minuto bajo.
Precio: Mini Transcribe 3 0,0035 $ por minuto; Small Transcribe 3 0,0040 $ por minuto; Mini Transcribe Realtime 3 0,008 $ por minuto; TTS 3 13 $ por millón de caracteres (precios de lanzamiento según lo publicado).
Lee nuestra reseña de Voxtral 3 (Transcribe and TTS)
4.4/5
4
Gemini 3.5 Transcribe
Lo bastante preciso y barato para la mayoría de las transcripciones, pero ya no es la compra obvia en ninguno de los dos aspectos.
Ideal para: Equipos que ya usan la Gemini API y quieren transcripción de archivos y en streaming de un solo proveedor a cerca de medio céntimo por minuto.
Precio: Transcribe, unos 0,005 $ por minuto (2 $ de entrada / 12 $ de salida por 1M de tokens); Transcribe Live, unos 0,009 $ por minuto (3,50 $ / 21 $). Nivel gratuito en AI Studio y en la API.
Lee nuestra reseña de Gemini 3.5 Transcribe
4.2/5
5
Moondream Parakeet Redux
Para transcribir en una CPU o un Mac, Parakeet Redux cambia un poco de precisión en inglés y mucha robustez frente al ruido por un modelo siete veces más pequeño y más del doble de rápido.
Ideal para: Desarrolladores que transcriben voz razonablemente limpia en CPU, portátiles o Mac y quieren los 25 idiomas de Parakeet sin una GPU.
Precio: Pesos gratuitos bajo CC BY 4.0 (uso comercial con atribución); se ejecuta en local con el paquete gratuito de Python moondream.
Lee nuestra reseña de Moondream Parakeet Redux
4.1/5
6
Parakeet TDT 0.6B v3
Parakeet v3 es el récord de velocidad en transcripción, con una precisión de la clase de Whisper y una frontera estricta en torno a Europa.
Ideal para: Desarrolladores que transcriben grandes volúmenes de audio en idiomas europeos y valoran la velocidad y el bajo coste.
Precio: Gratis bajo CC BY 4.0. La versión alojada de Together AI cuesta 0,0015 $ por minuto (1,50 $ cada 1.000 minutos).
Lee nuestra reseña de Parakeet TDT 0.6B v3
4.1/5
7
Phonon-2
Phonon-2 es Parakeet con una quinceava parte del tamaño y casi la misma precisión, lo que hace práctica una buena transcripción en inglés dentro de la descarga de una app.
Ideal para: Desarrolladores de apps que necesitan una transcripción de voz a texto en inglés precisa en un portátil, un móvil o un servidor con CPU sin distribuir un modelo de varios gigabytes.
Precio: Pesos gratuitos bajo CC-BY-4.0; CLI y código Apache 2.0; app Detta gratuita en Mac con Apple Silicon.
Lee nuestra reseña de Phonon-2
4.1/5
8
pyannote speaker-diarization-community-1
Sigue siendo la opción abierta por defecto para distinguir hablantes, y una mejora clara respecto a la 3.1, pero el modelo de pago de sus propios creadores comete alrededor de un tercio menos de errores con audio difícil.
Ideal para: Ingenieros que crean transcripción autoalojada de reuniones, llamadas o pódcasts y necesitan etiquetas de hablante con una licencia permisiva.
Precio: Gratuito con CC BY 4.0. Alojado en pyannoteAI a 0,035 € por hora de audio; su modelo de pago Precision-3 cuesta 0,112 € por hora (Developer, 19 €/mes) o 0,096 € (Starter, 99 €/mes).
Lee nuestra reseña de pyannote speaker-diarization-community-1
4.1/5
9
Deepgram Nova-3
Nova-3 es lo bastante rápido y barato para audio de llamadas en directo, pero en una prueba neutral comete más del doble de errores que los líderes en precisión.
Ideal para: Equipos de centros de contacto y de subtitulado en directo que necesitan transcripción rápida y de alta concurrencia de audio telefónico, también en sus propios servidores.
Precio: Audio grabado a 0,0043 $/min (monolingüe) o 0,0052 $/min (multilingüe) en pago por uso; streaming a 0,0048 $/min en promoción, 0,0077 $ la tarifa normal. El plan Growth, desde 4.000 $/año, es más barato. 200 $ de crédito gratis.
Lee nuestra reseña de Deepgram Nova-3
4.0/5
10
GPT Transcribe
Una mejora sensata para quienes trabajan con OpenAI, aunque la retirada de modelos que la acompaña elimina las etiquetas de hablante y las marcas de tiempo, y este modelo no las recupera.
Ideal para: Equipos que usan la API de OpenAI, deben abandonar Whisper o GPT-4o Transcribe antes de febrero de 2027 y no necesitan etiquetas de hablante ni marcas de tiempo.
Precio: 0,0045 $ por minuto de audio (4,50 $ por 1.000 minutos); sin soporte para Batch. gpt-live-transcribe, en streaming, cuesta 0,017 $ por minuto.
Lee nuestra reseña de GPT Transcribe
3.9/5
11
MOSS-Transcribe-Diarize 0.9B
MOSS-Transcribe-Diarize sustituye una cadena de dos modelos para reuniones por un solo modelo pequeño, y sus victorias en benchmarks son sobre todo en mandarín.
Ideal para: Equipos que transcriben grabaciones largas con varios hablantes en sus propias GPU, sobre todo en chino, y quieren etiquetas de hablante sin un modelo de diarización aparte.
Precio: Gratuito bajo Apache 2.0. El modelo Pro, más grande, se ofrece a través del playground en línea de MOSI; no se publica precio de API.
Lee nuestra reseña de MOSS-Transcribe-Diarize 0.9B
3.9/5
12
VibeVoice-ASR
VibeVoice-ASR convierte una reunión de una hora en una transcripción con los hablantes identificados de una sola pasada, y todas sus cifras de precisión siguen siendo de la propia Microsoft.
Ideal para: Equipos que transcriben grabaciones largas con varios hablantes en su propio hardware y quieren etiquetas de hablante sin un paso de diarización aparte.
Precio: Gratuito bajo la licencia MIT. También disponible en Azure AI Foundry Labs.
Lee nuestra reseña de VibeVoice-ASR
3.8/5
13
Whistle
Un reconocimiento de voz utilizable en siete idiomas en 16,9 MB, de un proveedor que mantiene cerrado el motor y su telemetría activada.
Ideal para: Fabricantes de dispositivos que necesitan órdenes de voz sin conexión en idiomas europeos en hardware demasiado pequeño para Whisper.
Precio: Pesos abiertos gratuitos con Apache 2.0; el motor precompilado se descarga gratis. Cactus vende ayuda con el ajuste fino y el despliegue en su plataforma; los precios no se publican.
Lee nuestra reseña de Whistle
3.8/5
14
Whisper large-v3-turbo
Whisper turbo es ahora la referencia barata y sin restricciones con la que se comparan los modelos de voz más nuevos, no el modelo que gana.
Ideal para: Equipos que necesitan una transcripción barata y con licencia permisiva que puedan alojar ellos mismos o comprar por céntimos la hora, y que pueden vivir con una precisión de segunda fila.
Precio: Gratuito bajo la licencia MIT. Las versiones alojadas son baratas: Artificial Analysis da para Groq unos 0,67 $ por 1.000 minutos.
Lee nuestra reseña de Whisper large-v3-turbo
3.7/5