Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)

La familia de noviembre de 2026 de AssemblyAI: 32 idiomas, un modelo para agentes de voz que cierra el texto 86 ms después de que dejas de hablar, desde 0,21 $ la hora.

Reseña de ReviewRamble editors · Actualizado

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

4.4/5

El modelo para agentes de voz es donde AssemblyAI se gana su sitio; con audio grabado normal es bueno, barato y ya no del todo el mejor.

¿Qué es AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

AssemblyAI-STT-3.7 es una familia de tres modelos de voz a texto anunciada el 18 de noviembre de 2026. STT-3.7 se ocupa del audio grabado; STT-3.7-Realtime está pensado para reuniones, llamadas y subtítulos en directo, con etiquetas de hablante en el flujo; y STT-3.7-Realtime-Agent está ajustado para agentes de voz: escucha a la persona que habla con el bot y decide cuándo ha terminado su turno.

Los tres cubren 32 idiomas, frente a 18 antes, con detección automática y cambio de idioma a mitad de conversación. Para audio grabado, añadir el modelo anterior Universal-2 amplía la cobertura a 99 idiomas. Se puede orientar el vocabulario con términos clave y, en los modelos en tiempo real, con un prompt de 400 caracteres.

La familia sustituye a Universal-3.5 Pro y a los modelos Universal-Streaming. Los endpoints y los formatos de mensaje no cambian, pero dos valores por defecto sí: ahora se conservan las muletillas y el formato de texto viene activado.

¿Cuánto cuesta AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

PlanPrecioQué incluye
STT-3.7$0.21 an hourAudio grabado, 32 idiomas, Universal-2 como respaldo hasta 99
STT-3.7-Realtime$0.30 an hourReuniones, llamadas y subtítulos en directo con etiquetas de hablante en tiempo real
STT-3.7-Realtime-Agent$0.45 an hourAgentes de voz, con detección de fin de turno

STT-3.7 a 0,21 $ la hora; STT-3.7-Realtime a 0,30 $ la hora; STT-3.7-Realtime-Agent a 0,45 $ la hora. Las etiquetas de hablante suman 0,02 $ la hora en audio grabado. Universal-2 sigue a 0,15 $ la hora; 50 $ de crédito gratuito.

¿Merece la pena AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?

AssemblyAI ha construido este lanzamiento en torno a la llamada telefónica, y se nota. En su propio conjunto de 12.460 llamadas de agentes de voz, con 26 modelos de streaming, STT-3.7-Realtime-Agent cometió un 4,53% de errores de palabra, frente al 6,02% del nuevo v6 de Soniox, y redujo los errores en cifras del 11,28% al 2,27% respecto a su predecesor. La transcripción final llega 86 milisegundos después de que quien llama deja de hablar. La clasificación independiente Voice Arena también lo pone primero en streaming de inglés de EE. UU., con un 2,45% de error semántico.

Con audio grabado la carrera está más reñida. Artificial Analysis mide STT-3.7 con un 2,5% de tasa de error de palabra, 12.º en su clasificación y por detrás de ElevenLabs Scribe v3, con un 1,9%. Donde AssemblyAI sí lidera es en el etiquetado de hablantes: un 10,7% de error de diarización en seis conjuntos de conversaciones en inglés, frente al 12,0% de ElevenLabs, y ningún otro proveedor de los que probó baja del 15%. Son cifras de AssemblyAI, medidas entre agosto y noviembre.

La pega: los valores por defecto cambian sin avisar. Las muletillas y el formato vuelven ahora activados por defecto, así que el código que espera texto limpio y sin puntuación necesita una revisión, y el audio grabado fuera de los 32 idiomas ya no recurre automáticamente a otro modelo salvo que incluyas Universal-2. Universal-3.5 Pro Realtime se retira el 1 de febrero de 2027.

Nuestra opinión: para un agente de voz, 0,45 $ la hora compran el modelo con más pruebas a su favor en llamadas ruidosas y llenas de cifras. Para un archivo de transcripciones, el modelo por lotes a 0,21 $ es una opción sensata por defecto, pero quien busque la tasa de error más baja encontrará dos o tres rivales por delante.

Dónde se gana su sitio

  • La línea automática de renovación de recetas de una cadena de farmacias

    Captar números de receta y fechas de nacimiento al primer intento

    Transmite las llamadas a assemblyai-stt-3-7-realtime-agent con términos clave para los nombres de fármacos. AssemblyAI indica un 80% menos de errores en cifras que su predecesor; 10.000 horas de llamadas cuestan unos 4.500 $.

  • Una start-up de analítica de ventas

    Etiquetar quién dijo qué en llamadas comerciales grabadas en inglés, español y alemán

    STT-3.7 por lotes con etiquetas de hablante a 0,23 $ la hora (0,21 $ más 0,02 $ de diarización); las llamadas con varios idiomas se procesan sin elegir antes un idioma.

Antes de decidirte

Puesta en marcha
Pon speech_models a ["assemblyai-stt-3-7"] en el endpoint de transcripción actual, o conecta el socket de streaming con assemblyai-stt-3-7-realtime o -realtime-agent. Sin cambios de protocolo.
Integraciones
API REST y de streaming y SDK de AssemblyAI; agentes de referencia para LiveKit y Pipecat; se combina con AssemblyAI-TTS-1 para turnos completos de unos 250 ms en las pruebas de AssemblyAI.
Datos y privacidad
La política de datos de AssemblyAI entrena con el audio de los clientes por defecto tras eliminar los datos personales; las cuentas de pago pueden excluirse, y las cuentas con BAA y las de la UE siempre quedan excluidas. No hay pesos publicados.
Coste a escala
100.000 horas de audio grabado cuestan unos 21.000 $; el mismo volumen con el modelo para agentes, 45.000 $. El streaming se factura por todo el tiempo que el socket está abierto, incluido el tiempo inactivo.
Límites
32 idiomas nativos; el resto necesita Universal-2. El modelo en tiempo real no detecta turnos (usa el modelo Agent). Universal-3.5 Pro Realtime se retira el 1 de febrero de 2027.

Lo bueno

  • 4,53% de error en 12.460 llamadas de agentes, el más bajo de 26 modelos de streaming en la prueba de AssemblyAI
  • Texto final 86 ms después del fin del habla en el modelo para agentes
  • 10,7% de error de diarización en audio grabado, por delante de ElevenLabs
  • 32 idiomas con cambio de idioma; 99 con Universal-2

Lo malo

  • 2,5% en Artificial Analysis, 12.º y por detrás de Scribe v3
  • La mayoría de las comparaciones son de la propia AssemblyAI
  • Los nuevos valores por defecto pueden romper parsers hechos para Universal-3.5 Pro
  • El modelo para agentes cuesta más del doble que la tarifa por lotes

Ideal para

Equipos que construyen agentes de voz telefónicos o web y necesitan cifras, nombres y turnos fiables, y equipos de analítica de llamadas a los que lo que más importa es quién dijo qué.

Alternativas a AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)

AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent): preguntas frecuentes

¿Merece la pena AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
El modelo para agentes de voz es donde AssemblyAI se gana su sitio; con audio grabado normal es bueno, barato y ya no del todo el mejor. Le damos un 4.4 sobre 5.
¿Cuánto cuesta AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
STT-3.7 a 0,21 $ la hora; STT-3.7-Realtime a 0,30 $ la hora; STT-3.7-Realtime-Agent a 0,45 $ la hora. Las etiquetas de hablante suman 0,02 $ la hora en audio grabado. Universal-2 sigue a 0,15 $ la hora; 50 $ de crédito gratuito.
¿Qué inconvenientes tiene AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
2,5% en Artificial Analysis, 12.º y por detrás de Scribe v3; la mayoría de las comparaciones son de la propia AssemblyAI; los nuevos valores por defecto pueden romper parsers hechos para Universal-3.5 Pro; el modelo para agentes cuesta más del doble que la tarifa por lotes.
¿Para quién es AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
Equipos que construyen agentes de voz telefónicos o web y necesitan cifras, nombres y turnos fiables, y equipos de analítica de llamadas a los que lo que más importa es quién dijo qué.
¿Cuánto cuesta AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) para un equipo o en producción?
100.000 horas de audio grabado cuestan unos 21.000 $; el mismo volumen con el modelo para agentes, 45.000 $. El streaming se factura por todo el tiempo que el socket está abierto, incluido el tiempo inactivo.
¿Es AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) seguro para los datos de la empresa?
La política de datos de AssemblyAI entrena con el audio de los clientes por defecto tras eliminar los datos personales; las cuentas de pago pueden excluirse, y las cuentas con BAA y las de la UE siempre quedan excluidas. No hay pesos publicados.
¿Cuáles son las mejores alternativas a AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
Las alternativas más cercanas que hemos analizado son ElevenLabs Scribe v3 and Scribe v3 Live, Soniox STT v6 (stt-rt-v6 and stt-async-v6), Deepgram Nova-3 y Voxtral 3 (Transcribe and TTS).

Respuestas comprobadas el 21 nov 2026.

¿Desarrollas AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)? Muestra esta nota en tu webAssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent): nota de 4.4 sobre 5 en ReviewRamble