Resumen / Puntos clave
- Scribe v2 es el modelo de transcripción por lotes de ElevenLabs; Scribe v2 Realtime procesa audio en vivo en aproximadamente 150ms.
- Precio de API: $0.22 por hora de audio para Scribe v2, $0.39 para Realtime, en todos los planes.
- Características: más de 90 idiomas, etiquetas para hasta 32 hablantes, marcas de tiempo a nivel de palabra, términos clave y etiquetas de eventos de audio.
- Archivos de hasta 3GB y 10 horas; se aceptan MP3, WAV, M4A, MP4, MOV y muchos otros formatos.
- En la aplicación web, la transcripción utiliza 330 créditos por minuto de tu plan.
Respuesta corta: ElevenLabs convierte audio y video a texto con sus modelos Scribe. Scribe v2 procesa archivos subidos, incluyendo MP3, en más de 90 idiomas, etiqueta hasta 32 hablantes y añade marcas de tiempo a nivel de palabra. A través de la API cuesta $0.22 por hora de audio ($0.39 para Scribe v2 Realtime), y en la aplicación web utiliza 330 créditos por minuto de tu plan. Los archivos pueden tener hasta 3GB y 10 horas de duración.
Cómo lo verificamos: las características, límites y precios provienen de la página de speech to text de ElevenLabs, la página de precios de la API y la documentación de speech to text, todo verificado en elevenlabs.io el 1 de noviembre de 2026. No realizamos nuestra propia prueba de precisión. Algunos enlaces son enlaces de afiliados: si te registras, ElevenLabs puede pagarnos una comisión sin costo adicional para ti.
Los modelos Scribe
| Model | Use | API price per audio hour | Notes |
|---|---|---|---|
| Scribe v2 | Batch transcription of files | $0.22 | 90+ languages, diarization, timestamps, keyterms, entity detection |
| Scribe v2 Realtime | Live audio, agents, meetings | $0.39 | About 150ms latency, word-level timestamps, voice activity detection |
| Scribe v2 Medical | Clinical audio | $0.22 | HIPAA-eligible with BAAs and Zero Retention Mode |
Los complementos también se facturan por hora: el prompting de términos clave cuesta $0.05 por hora en Scribe v2 y $0.08 en Realtime, y la edición de transcripciones con instrucciones en lenguaje natural cuesta $0.07 y $0.12. El silencio cuenta para el tiempo facturado, por lo que recortar espacios largos antes de subir el archivo ahorra dinero.
Una inconsistencia a señalar: las preguntas frecuentes en la página de speech-to-text de ElevenLabs todavía dicen que Scribe comienza "desde $0.40 por hora", mientras que la tabla de precios de la API y sus preguntas frecuentes dicen $0.22. Usamos la cifra de la tabla de precios; consulta la página en vivo antes de presupuestar un trabajo grande.
Lo que Scribe v2 puede hacer
- Más de 90 idiomas, con detección inteligente de idioma.
- Diarización de hablantes para hasta 32 personas, para que las entrevistas y reuniones se devuelvan etiquetadas.
- Marcas de tiempo a nivel de palabra para subtítulos.
- Prompting de términos clave con hasta 1,000 palabras o frases, útil para nombres, productos y jerga.
- Etiquetado dinámico de audio de eventos que no son voz, como risas o pasos.
- Detección y redacción de entidades de información sensible a través de la API.
- Modo multicanal para hasta 5 canales, cada uno asignado a su propio hablante.
- Webhooks para que los archivos largos puedan procesarse de forma asíncrona.
Cómo convertir un MP3 o video a texto
- En la aplicación: inicia sesión en ElevenLabs, abre Transcription (speech to text), sube tu archivo MP3, WAV, MP4 u otro, elige el idioma o déjalo en detección automática, y descarga la transcripción o exporta los subtítulos.
- A través de la API: crea una clave API, luego envía el archivo al endpoint de Speech to Text con
model_idconfigurado enscribe_v2. La respuesta incluye el texto, el idioma detectado, las palabras con marcas de tiempo y un ID de hablante para cada palabra.
Los formatos de audio aceptados son AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A y WebM. Los formatos de video son MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG y 3GPP.
Límites
| Limit | Value |
|---|---|
| Max file size | 3GB |
| Max duration (standard mode) | 10 hours |
| Speakers labelled | Up to 32 |
| Multichannel | Up to 5 channels |
| Keyterms | Up to 1,000 |
| Concurrent transcriptions | 8 Free, 12 Starter, 20 Creator, 40 Pro, 60 Scale and Business |
Cuánta transcripción incluye cada plan
| Plan | Price | In the app (330 credits a minute) | Through the API (Scribe v2) |
|---|---|---|---|
| Free | $0 | 12 minutes (as listed) | about 4.5 hours |
| Starter | $6 | about 1 hour 31 minutes | 27 hours |
| Creator | $22 | about 6 hours 7 minutes | 100 hours |
| Pro | $99 | about 30 hours 18 minutes | 450 hours |
| Scale | $299 | about 90 hours | 1,359 hours |
| Business | $990 | about 303 hours | 4,500 hours |
La brecha entre las dos columnas es real: la API valora la transcripción en $0.22 por hora, mientras que la aplicación gasta los mismos créditos que usas para voz. Si transcribes mucho, llamar a la API (o a una herramienta construida sobre ella) ofrece muchas más horas por dólar. En la aplicación, los créditos también cubren text to speech, por lo que una transcripción intensiva deja menos para locuciones.
Precisión: lo que dicen ElevenLabs y otros
ElevenLabs afirma una precisión de transcripción superior al 98% para Scribe v2 y publica gráficos que lo comparan favorablemente con los modelos de OpenAI, Google y Deepgram. También publica las tasas de error de palabra esperadas por idioma, desde un 5% o menos para su nivel superior hasta un 20% a 50% para los idiomas con menor rendimiento. Los revisores independientes son más cautelosos: DiscoverAI argumenta que la precisión depende de los altavoces, el ruido y la terminología, y recomienda realizar pruebas comparativas con tu propio audio. Telenow señala que Scribe es exclusivamente en la nube, sin opción de alojamiento propio o entornos aislados (air-gapped).
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
Para quién es adecuado
- Podcasters y creadores de video que desean subtítulos y transcripciones en la misma herramienta que sus locuciones.
- Desarrolladores que crean agentes de voz o herramientas de reuniones que requieren transcripción en tiempo real.
- Equipos que transcriben muchos idiomas, o audio clínico con el modelo Medical y un BAA.
Si principalmente deseas editar una grabación editando su transcripción, Descript está construido alrededor de ese flujo de trabajo. Para todo lo demás, vale la pena probar Scribe en el plan gratuito antes de comprometerte.
Preguntas frecuentes
¿Puede ElevenLabs convertir MP3 a texto?
Sí. Scribe acepta MP3 junto con archivos de audio AAC, AIFF, OGG, OPUS, WAV, FLAC, M4A y WebM, y archivos de video MP4, MOV, MKV, AVI y otros. Súbelos en la aplicación web o envía el archivo a la API de Speech to Text.
¿Cuánto cuesta el speech to text de ElevenLabs?
A través de la API, Scribe v2 cuesta $0.22 por hora de audio y Scribe v2 Realtime $0.39. El uso de términos clave (keyterm prompting) añade $0.05 por hora ($0.08 en Realtime). En la aplicación, la transcripción consume 330 créditos por minuto de tu plan.
¿Es gratuito el speech to text de ElevenLabs?
El plan gratuito incluye algo de transcripción: la página de speech-to-text indica 12 minutos al mes en la aplicación, y la página de precios de la API indica alrededor de 4.5 horas de Scribe v2 para uso gratuito de la API. La salida del plan gratuito no puede utilizarse comercialmente.
¿Identifica ElevenLabs Scribe a diferentes hablantes?
Sí. Scribe v2 etiqueta hasta 32 hablantes (diarización de hablantes) y devuelve marcas de tiempo a nivel de palabra. El modo multicanal también puede asignar hablantes por canal de audio, hasta 5 canales.
¿Cuántos idiomas admite ElevenLabs Scribe?
ElevenLabs indica más de 90 idiomas, agrupados por tasa de error esperada. Inglés, español, francés, alemán, japonés, italiano y portugués se encuentran entre los de su mejor nivel (tasa de error de palabra del 5% o menos).
¿Cuál es el tamaño máximo de archivo para la transcripción de ElevenLabs?
3GB por archivo y hasta 10 horas de audio en modo estándar, según la documentación de ElevenLabs.