Voz a texto en audio telefónico: 10 modelos probados con nombres, números y latencia (nov. 2026)

Resultados en una línea telefónica#

Lo que encontramos#

1. Los cinco primeros están estadísticamente empatados en precisión#

Las tasas de error de palabras de entre 5.5% y 6.3% para siete modelos parecen una clasificación, pero no lo son. Nuestro intervalo de confianza del 95% para gpt-transcribe va del 3.9% al 7.4%, y todos los modelos hasta Cohere Transcribe se solapan con él. Con 16.6 minutos de audio, una diferencia de un punto es ruido. Si está eligiendo entre estos modelos, decida según la fiabilidad, la latencia, el precio y las funciones (streaming, refuerzo de palabras clave, retención de datos), no por medio punto de WER.

2. La fiabilidad es donde los modelos se diferencian#

Cada modelo transcribió 60 grabaciones de unos 50 segundos (20 grabaciones, tres condiciones de audio). gpt-4o-transcribe devolvió una transcripción muy incompleta en 6 de ellas: en una grabación de 8 turnos del llamante devolvió solo "12:15 p.m.", y en otra de 17 turnos solo "The amount of the bill is $61." whisper-1 y Gemini 3.5 Flash-Lite lo hicieron 3 veces cada uno. Gemini 3.8 Flash antepuso una vez a su transcripción un encabezado inventado y repitió texto, y Scribe v2 devolvió una vez una breve cadena de caracteres sin sentido para una grabación con ruido. gpt-transcribe, gpt-4o-mini-transcribe, Gemini 3.5 Transcribe y Cohere Transcribe no devolvieron ninguna transcripción defectuosa.

Nuestras grabaciones unen turnos cortos y no relacionados con pausas de un segundo, lo que es más exigente que una llamada continua, así que conviene tomar estos recuentos como una prueba de estrés. Pero un agente telefónico no puede permitirse una transcripción que omita en silencio la mayor parte de lo que dijo el llamante, y un WER promedio oculta precisamente eso.

3. Nombres, dígitos y direcciones#

Los nombres fueron la clase más difícil para todos los modelos: apellidos poco comunes del conjunto del Parlamento Europeo (Siwiec, Mates, Machiavelli) y nombres comunes de llamantes mal entendidos en una línea telefónica ("James" como "Jane"). Las cadenas de dígitos hablados, lo que más necesitan los agentes telefónicos, fueron casi perfectas en la mayoría de los modelos si se ignora el formato. En la práctica ese formato importa: Whisper large-v3 escribió las horas como "1.45 pm" donde la mayoría de los modelos escribió "1:45 PM", y los modelos difieren en el uso de guiones y espacios en los números de teléfono. El analizador de su agente debe aceptarlos todos.

4. Tiempo de respuesta#

Con 12 turnos cortos del llamante (2,8 segundos de voz de media), enviados de uno en uno como archivo terminado, los tres modelos más recientes de OpenAI respondieron más rápido: gpt-transcribe con 0,61 s de mediana y 0,69 s en el percentil 90. Los modelos de Gemini tardaron entre 1,2 y 2,0 s de mediana. Los modelos alojados en fal incluyen el enrutamiento propio de fal. Las primeras cinco solicitudes de Wizper tardaron de 5 a 30 segundos y las siete siguientes unos 2,5 s cada una, lo que parece indicar que fal estaba poniendo capacidad en línea; lo informamos tal como se midió. Nada de esto es latencia de streaming. Un agente telefónico de producción transmite el audio y recibe palabras parciales mientras el llamante sigue hablando, algo que estos endpoints por lotes no hacen; probaremos modelos de streaming cuando tengamos claves para ellos.

Texto a voz: tiempo hasta el primer audio#

Un agente telefónico no puede hablar hasta que el modelo de voz envía su primer audio, así que el tiempo hasta el primer audio (TTFA) es la cifra que determina el retraso de respuesta. Enviamos las mismas tres frases de recepcionista ("Thanks for calling Riverside Dental, this is Ava. How can I help you today?", una oferta de cita con fecha y hora, y una confirmación con la terminación de un número de teléfono), una frase por solicitud, 21 solicitudes por modelo, de forma rotativa entre los modelos sobre una conexión ya establecida desde California.

ElevenLabs Flash v2.5 fue claramente el líder en latencia: primer audio en 0,22 s de mediana y por debajo de 0,3 s en el percentil 90, aproximadamente el doble de rápido que la voz más rápida que no es de ElevenLabs (Gemini 3.8 Flash Lite TTS, con 0,47 s). Es también la voz de streaming más cara de esta prueba, con unos 2,37 $ por hora de audio a precio de lista, de tres a cuatro veces lo que cuestan las de Google y OpenAI. El más reciente v4 Turbo de ElevenLabs empezó casi igual de rápido (0,29 s), pero tardó más en terminar cada frase. Gemini 3.8 Flash Lite TTS de Google fue la opción de streaming más barata, con unos 0,54 $ por hora y un primer audio estable de 0,47 s. El más antiguo tts-1 de OpenAI fue el más lento en empezar, con 1,2 s; su más reciente gpt-4o-mini-tts empezó en 0,64 s.

Los tres modelos a los que solo accedimos a través de fal.ai (Inworld TTS-1.5 Max, MiniMax y xAI) devuelven un archivo terminado, no un flujo, así que solo podemos informar del tiempo hasta el archivo completo: de 3 a 5 segundos de mediana, incluida la cola de fal. Eso no dice nada sobre su latencia de streaming en sus propias API, que no probamos. Inworld fue la voz más barata que medimos, con unos 0,45 $ por hora a través de fal. En esta prueba no evaluamos la calidad de la voz.

Cómo lo probamos#

• Audio, personas reales: 105 turnos de llamantes del corpus Harper Valley Bank (Gridspace y Stanford, CC BY 4.0, tal como se empaqueta en SLUE phase 2): personas que representan llamadas a un banco y dan sus nombres, números de teléfono y de cuenta, códigos postales, direcciones, importes y horas de citas. Además, 50 enunciados del conjunto de entidades nombradas SLUE VoxPopuli (discursos del Parlamento Europeo, audio CC0, etiquetas CC BY 4.0) para voz con acento con personas, lugares, organizaciones, fechas y números etiquetados. 155 enunciados, 16,6 minutos, elegidos con una semilla aleatoria fija.
• Tres condiciones: el audio original de 16 kHz; una línea telefónica (filtro paso banda de 300 a 3.400 Hz, 8 kHz, G.711 mu-law, el códec de la mayoría de las llamadas telefónicas en EE. UU.); y la línea telefónica con ruido de fondo rosa a una relación señal-ruido de 15 dB. Esto simula una línea telefónica por software. No es una ruta real de operador, que puede añadir pérdida de paquetes y eco.
• Solicitudes: los enunciados se unieron en 20 grabaciones de unos 50 segundos con pausas de un segundo, una solicitud por grabación y modelo (600 solicitudes para la precisión). Se fijó el inglés cuando la API lo permite. Sin prompts, listas de palabras clave ni vocabulario personalizado. Los modelos Gemini Flash recibieron una instrucción de una línea de "transcribe verbatim"; Gemini 3.5 Transcribe no admite prompt.
• Puntuación: el normalizador de texto en inglés de Whisper de OpenAI en ambos lados, más cuatro correcciones para que el formato nunca cuente como error: se conservan los corchetes, se conservan los ceros a la izquierda, "1.45 pm" se lee como 1:45 pm, y cada dígito cuenta como una palabra propia (de modo que un dígito erróneo en un número de teléfono es un error, y "332-910-9693" equivale a "three three two nine one zero nine six nine three"). La tasa de error de palabras es el total de errores dividido por el total de palabras de referencia, con un intervalo bootstrap del 95 % sobre las grabaciones. Una entidad se considera correcta solo si aparece exactamente en las palabras alineadas con su propio enunciado. Se descartaron 14 entidades que ningún modelo acertó en ninguna condición por considerarlas errores de referencia (sobre todo nombres cuyos acentos se eliminaron en la referencia, como "Pöttering" escrito como "pttering").
• Tiempo de respuesta: 12 turnos de llamante en la línea telefónica, enviados de uno en uno, tiempo de reloj desde el envío de la solicitud hasta la recepción de la transcripción completa, desde un ordenador con conexión doméstica en California. Se incluye el tiempo de subida. Sus cifras variarán según la ubicación; compare los modelos dentro de esta tabla, no con cifras de otras fuentes.
• Modelos alojados: ElevenLabs Scribe v2, Cohere Transcribe y Whisper large-v3 se llamaron a través de fal.ai, porque nuestra clave de ElevenLabs no tiene permiso de voz a texto y no tenemos clave de Cohere. fal añade su propio tiempo de enrutamiento y cobra sus propios precios (0,008 $ por minuto para Scribe v2 frente a los 0,20 $ por hora directos de ElevenLabs).
• Precios: precios de lista de la página de cada proveedor el 11 de noviembre de 2026: OpenAI, ElevenLabs, Google, Cohere y las páginas de modelos de fal. Gemini 3.8 Flash y Flash-Lite se facturan por tokens; estimamos su coste por hora a partir de 25 tokens de audio por segundo más el texto devuelto. La página de Google indica que los precios de Gemini 3.8 Flash se duplican el 1 de enero de 2027. fal no muestra un precio por minuto utilizable para Wizper. Cohere vende Transcribe para producción mediante instancias dedicadas "from $3.75 / hour / instance", no por minuto.
• Modelos de voz: una frase por solicitud, 7 rondas de las 3 frases (21 solicitudes por modelo), con los modelos intercalados para que un fallo de red los afecte a todos. Antes, una solicitud de calentamiento sin puntuar por proveedor, para que no cuente el establecimiento de la conexión. Primer audio = desde el envío de la solicitud hasta la recepción de los primeros bytes de audio no vacíos. ElevenLabs usó su voz predefinida "Adam", OpenAI "alloy", Google "Kore" y fal sus voces predeterminadas.
• Coste de esta prueba: unos 3,30 $ en llamadas a API a precios de lista (nuestras estimaciones por llamada, registradas), más unos 600 créditos del plan de ElevenLabs. El arnés de pruebas, el generador del conjunto de prueba y el evaluador están en el repositorio de Stork, en scripts/bench, y se conservan las transcripciones en bruto para que se pueda comprobar cada cifra de este artículo.

Lo que esta prueba no le dice#

• Precisión y latencia en streaming. Todos los modelos se llamaron con un archivo terminado. Los agentes telefónicos usan reconocimiento en streaming con detección de fin de turno, que es un modo distinto y normalmente menos preciso.
• Modelos a los que no pudimos acceder. No probados en esta ronda: Deepgram (Nova-3, Flux), AssemblyAI (Universal), Speechmatics, Soniox, Gladia, Cartesia Ink, Rime, Azure, Amazon Transcribe, Google Cloud Chirp, ElevenLabs Scribe v3 directo y Whisper alojado en Groq. Un modelo ausente no es un modelo peor.
• Llamantes reales en líneas reales. Los llamantes de Harper Valley son personas reales pero representan un papel, grabadas en una aplicación web, y nuestra línea telefónica es simulada. Los acentos, los altavoces y los auriculares Bluetooth baratos serán más difíciles.
• Tamaño de la muestra. 245 entidades puntuadas y 16,6 minutos por condición bastan para separar los modelos buenos de los débiles, pero no para clasificar a los cinco primeros. Algunas clases de entidades tienen 15 o 16 elementos.
• Una sola ejecución. Los recuentos de transcripciones defectuosas proceden de una única pasada. Es posible que algunos no se repitan; informaremos el próximo mes si lo hacen.

Próximamente: una prueba completa de agentes telefónicos#

Las cifras de cada componente no indican lo que oye quien llama. Nuestra próxima prueba construye la misma recepcionista en Vapi, Retell, ElevenLabs Agents, Telnyx, Bland y una pila autoalojada de LiveKit o Pipecat, llama a cada una a través de la red telefónica real desde un número real, y mide el tiempo de respuesta, el retraso de la contestación, las interrupciones, si el agente anotó correctamente el nombre, el número y la dirección de quien llama, y el costo real por minuto. Si usted utiliza una de esas plataformas y desea ser incluido, nada cambia: pagamos nuestras propias cuentas y no aceptamos pagos por posicionamiento.