Pular para o conteúdo principal

Speech-to-Text Models

Transcription with timestamps, priced per second of audio.

5 families · 5 model IDsUpdated Nov 14, 2026
  • ElevenLabs Scribe V2$0.6012/ audio hr

    ElevenLabs Scribe V2 is ElevenLabs’ speech-to-text model, built for accurate transcription across many languages. It accepts a language hint and returns word-level timestamps with speaker labels.

    Anonymized
  • Parakeet ASR$0.36/ audio hr

    Parakeet TDT 0.6B v3 is NVIDIA’s open-weight speech recognition model, with 600 million parameters and support for 25 European languages, which it detects on its own. It transcribes quickly, with punctuation and capitalization.

    Private
  • Whisper Large V3$0.36/ audio hr

    Whisper Large V3 is OpenAI’s open-weight speech recognition model, trained on about 5 million hours of audio and able to transcribe around 100 languages. It’s a robust general-purpose choice for multilingual transcription.

    Private
  • Wizper (Whisper v3)$0.36/ audio hr

    Wizper is an optimized deployment of OpenAI’s Whisper Large V3, transcribing the same languages with faster turnaround. It accepts a language hint and returns segment timestamps.

    Private
  • xAI Speech to Text v1$0.1133/ audio hr

    xAI Speech to Text v1 is xAI’s speech recognition model, which transcribes recorded audio into text. It accepts a language hint and returns word-level timestamps.

    Private

Uso

Modelos de fala para texto transcrevem áudio falado em texto escrito. Eles são acessados pela API de transcrições de áudio.

Formatos de áudio suportados

wav, wave, flac, m4a, aac, mp4, mp3, ogg, oga, webmUm arquivo é aceito quando seu tipo MIME ou sua extensão está nesta lista, e ele também precisa passar em uma verificação de magic bytes sobre os bytes enviados. Renomear um arquivo para uma extensão suportada não é suficiente.

Formatos de resposta

Timestamps

Defina timestamps: true para receber dados de tempo junto com a transcrição. A resposta adiciona um objeto timestamps cuja granularidade depende do modelo:
nvidia/parakeet-tdt-0.6b-v3 aceita timestamps: true sem retornar tempos. Não há erro nem aviso — a resposta simplesmente contém text e nada mais. Se você precisar de tempos, escolha um modelo da tabela acima e verifique se a chave timestamps está presente antes de lê-la.
Entradas de palavra são { "word": "...", "start": 0.0, "end": 0.5 } e entradas de segmento são { "text": "...", "start": 0.0, "end": 3.2 }, com todos os tempos em segundos.
A cobrança é por segundo de áudio de entrada. Veja a API de transcrições de áudio para exemplos de requisição e detalhes dos parâmetros.