Tabla de clasificación de modelos y proveedores de voz a texto
Compara la tasa de error de palabras, la velocidad y los precios entre modelos y proveedores de voz a texto.
Para más detalles, consulta nuestra página de metodología.
Word Error Rate Index (sin streaming)
Artificial Analysis Word Error Rate Index (sin streaming)
WER (sin streaming) por conjunto de datos
AA-WER (sin streaming): conjunto de datos AA-AgentTalk
Diarización
Artificial Analysis Diarization Index
Diarización por conjunto de datos
WDER: conjunto de datos AA-Diarization
Benchmarks de API
Artificial Analysis Word Error Rate Index (sin streaming) vs. precio
Factor de velocidad
Precio de transcripción
Resumen de métricas clave e información adicional
Proveedor | Más detalles | ||||
|---|---|---|---|---|---|
Qwen3.5 Omni Flash | 13.5% | 80.2 | $1.51 | ||
Fun-Realtime-ASR-preview | 1.7% | 20.5 | $2.82 | ||
Nova 2 Pro | 4.9% | 23.7 | $3.10 | ||
Amazon Transcribe | 4.1% | 39.2 | $6.00 | ||
Universal-3.5 Pro | 3.0% | 107.9 | $3.50 | ||
Universal-3 Pro | 3.1% | 98.5 | $3.50 | ||
Universal, AssemblyAI | 3.8% | 102.6 | $2.50 | ||
MAI-Transcribe-2 | 2.0% | 336.1 | $1.67 | ||
MAI-Transcribe-1.5 | 2.4% | 79.9 | $6.00 | ||
Nova-3 | 5.2% | 372.9 | $4.30 | ||
Nova-3, Telnyx | 4.8% | 339.3 | $5.00 | ||
Nova-2, Telnyx | 5.1% | 327.8 | $5.00 | ||
Scribe v3, ElevenLabs | 1.9% | 74.3 | $3.33 | ||
Scribe v2 | 2.2% | 56.8 | $3.67 | ||
Solaria-1, Gladia | 4.1% | 86.2 | $5.02 | ||
Solaria-3, Gladia | 3.2% | 85.3 | $2.98 | ||
Chirp 3, Google | 4.3% | 29.6 | $16.00 | ||
Chirp | 31.2% | 14.5 | $16.00 | ||
Gemini 3.5 Transcribe | 2.6% | 93.6 | $5.00 | ||
Gemini 3.1 Pro Preview (High) | 2.8% | 8.6 | $18.15 | ||
Gemini 3.1 Pro Preview (Low) | 3.6% | 8.2 | $7.72 | ||
Gemini 3 Flash (High) | 2.9% | 23.9 | $4.17 | ||
Gemini 2.5 Flash Lite | 5.2% | 84.0 | $0.67 | ||
Gemini 2.5 Flash | 5.1% | 71.4 | $2.51 | ||
Gemini 2.5 Pro | 2.9% | 13.0 | $8.69 | ||
Gemini 3.1 Flash-Lite Preview (Minimal) | 3.4% | 64.8 | $1.10 | ||
Gradium Speech-to-Text | 6.8% | 2.8 | $13.00 | ||
Grok Voice Transcribe 2.0 | 2.3% | 181.6 | $1.67 | ||
Inworld STT 1 | 3.9% | 114.8 | $2.50 | ||
Voxtral Small Transcribe 3 | 2.1% | 45.9 | $4.00 | ||
Voxtral Mini Transcribe 3 | 2.2% | 55.8 | $3.50 | ||
Voxtral Mini Transcribe 2 | 3.6% | 85.4 | $3.00 | ||
Voxtral Small | 2.8% | 61.4 | $4.00 | ||
Voxtral Mini | 3.8% | 51.2 | $1.00 | ||
Modulate STT Batch English VFast | 4.2% | 46.5 | $0.42 | ||
Nemotron 3.5 Transcribe | 3.4% | 64.3 | $2.00 | ||
Parakeet TDT 0.6B V3, Togetherai | 4.5% | 674.2 | $1.50 | ||
Canary Qwen 2.5B, NVIDIA | 4.3% | 7.6 | $0.74 | ||
Parakeet TDT 0.6B V2, NVIDIA | 6.4% | 98.0 | $0.00 | ||
Parakeet RNNT 1.1B | 5.4% | 6.3 | $1.91 | ||
GPT Transcribe, OpenAI | 3.3% | 48.4 | $4.50 | ||
GPT-4o Transcribe | 4.0% | 35.0 | $6.00 | ||
GPT-4o Mini Transcribe | 4.5% | 47.9 | $3.00 | ||
Smallest AI Pulse Pro | 3.4% | 296.4 | $4.00 | ||
Resonant-1 | 3.4% | 342.6 | $22.33 | ||
Rev AI | 5.9% | 11.3 | $3.33 | ||
Smallest AI Pulse | 3.3% | 242.0 | $3.00 | ||
Soniox v6 Async | 3.0% | 81.1 | $1.66 | ||
Soniox v5 Async | 3.8% | 46.5 | $1.66 | ||
Speechmatics Melia | 4.9% | 176.7 | $4.00 | ||
Speechmatics Standard | 5.1% | 91.0 | $7.50 | ||
Speechmatics Enhanced | 4.0% | 54.0 | $12.50 | ||
StepAudio 2.5 ASR, StepFun | 4.7% | 102.5 | $0.37 | ||
StepAudio 3 ASR, StepFun | 2.5% | 82.2 | $6.67 | ||
Whisper Large v3 Turbo | 4.6% | 408.8 | $0.67 | ||
Whisper Large v3 Turbo, Telnyx | 5.5% | 37.0 | $15.00 | ||
Wizper Large v3 | 4.7% | 143.7 | $0.50 | ||
Incredibly Fast Whisper | 5.7% | 85.6 | $1.49 | ||
Whisper Large v3 | 10.1% | 2.7 | $4.23 | ||
Whisper Large v3 | 4.1% | 96.9 | $1.15 | ||
Whisper Large v3 | 4.5% | 242.6 | $1.50 | ||
Whisper Large v2 | 4.1% | 26.2 | $6.00 | ||
Zoom Scribe V2.1 Pro | 2.1% | 188.1 | $5.83 | ||
Zoom Scribe V2 Pro | 2.8% | 126.3 | $5.83 |
Preguntas frecuentes
Fun-Realtime-ASR-preview lidera con el AA-WER (tasa de error de palabras de Artificial Analysis) más bajo de 1.7% entre 65 modelos evaluados.
Los mejores modelos de voz a texto por precisión (AA-WER) son: 1. Fun-Realtime-ASR-preview (1.7%), 2. Scribe v3, ElevenLabs (1.9%), 3. MAI-Transcribe-2 (2.0%), 4. Zoom Scribe V2.1 Pro (2.1%) y 5. Voxtral Small Transcribe 3 (2.1%). Un AA-WER más bajo indica mayor precisión de transcripción.
Parakeet TDT 0.6B V3, Togetherai es el más rápido con un factor de velocidad de 674.2x en tiempo real, seguido de Whisper (L, v3, Turbo), Groq (408.8x) y Nova-3 (372.9x). Un factor de velocidad más alto significa una transcripción más rápida.
StepAudio 2.5 ASR es el más asequible a $0.37 por 1.000 minutos, seguido de Modulate STT Batch English VFast ($0.42) y Wizper (L, v3), fal.ai ($0.50).
SOV-Transcribe-1, Salesforce es el modelo de pesos abiertos más preciso, con un AA-WER de 2.3%. Hay 16 modelos de pesos abiertos de un total de 65 evaluados.
Los mejores modelos de voz a texto de pesos abiertos por precisión son: 1. SOV-Transcribe-1, Salesforce (AA-WER 2.3%), 2. Voxtral Small, Mistral (AA-WER 2.8%) y 3. Nemotron 3.5 Transcribe (AA-WER 2.8%).
El mejor modelo depende de tus prioridades. Usa los gráficos de dispersión para visualizar las compensaciones entre precisión (AA-WER), velocidad y precio. Para aplicaciones que requieren alta precisión, prioriza modelos con puntuaciones AA-WER más bajas. Para aplicaciones en tiempo real, céntrate en el factor de velocidad. Para cargas de trabajo sensibles al costo, compara los gráficos de precios.