Alternativa a Speechmatics: ¿API o aplicación?

Qué es Speechmatics: un motor ASR para desarrolladores

Speechmatics se describe a sí mismo como APIs de voz que impulsan la IA de voz. Lo integras en tu propio producto a través de su API. Realiza transcripción en tiempo real con latencia inferior a un segundo y procesamiento por lotes, y puedes desplegarlo como API en la nube, en el dispositivo o en las instalaciones del cliente. Según sus propias cifras, cubre más de 55 idiomas para transcripción y 69 pares de idiomas para traducción con IA.

Los clientes son equipos que integran la transcripción en algo más grande: análisis de centros de llamadas, subtitulación en directo, pipelines de transcripción médica y legal, agentes de voz. Nada de eso es una persona intentando responder un correo electrónico hablando.

Los precios cuentan la misma historia. Speechmatics cobra por uso, facturado por hora de audio. El nivel gratuito te da 2.400 minutos — 40 horas — de transcripción al mes, dos sesiones en tiempo real simultáneas, sin tarjeta para empezar. Pro parte de $0,24 por hora de audio y tiene un límite de 6.000 horas al mes. Enterprise es personalizado, con despliegue en las instalaciones del cliente y modelos a medida. Es un contador, y un contador es exactamente lo que quieres cuando procesas miles de horas a través de un producto. Es exactamente lo que no quieres cuando estás dictando la lista de la compra.

La diferencia: un motor para construir frente a una app para usar

Aquí está la línea, trazada de una vez y con claridad.

Un motor como Speechmatics es algo que un desarrollador integra. Le envías audio a través de una API, recibes texto de vuelta, y tú construyes los botones, la interfaz, el almacenamiento y la facturación. Es materia prima.

Una aplicación terminada es algo que instalas y usas. Whisper by Remskill es lo segundo. No es una API, SDK o motor de transcripción de voz. No puedes integrarlo en tu propio producto, llamarlo desde código ni pasarle audio de forma programática. No hay ningún endpoint al que conectarse. Es una aplicación de escritorio controlada mediante un atajo de teclado global.

Un nombre confunde a todo el mundo, así que lo aclaro de entrada. "OpenAI Whisper" — el modelo de voz de código abierto que puedes autoalojar y llamar como API — aparece en todas las listas de alternativas a Speechmatics. Esa es la opción para desarrolladores. No es lo mismo que Whisper by Remskill, la aplicación de escritorio que yo desarrollo. Mismo nombre, categorías distintas. Si quieres un modelo para autoalojar, lo que buscas es el Whisper de código abierto de OpenAI. Si quieres una herramienta terminada para dictar, sigue leyendo.

Si necesitas una API sobre la que construir, aquí tienes las opciones

Si estás aquí buscando un motor, prefiero enviarte al correcto antes de hacerte perder la tarde. Las APIs de transcripción de voz reales en esta categoría — las que de verdad reemplazan a Speechmatics para un desarrollador — son:

• AssemblyAI — API de transcripción con procesamiento por lotes y en tiempo real, orientada a equipos de producto.
• Deepgram — API de streaming de baja latencia, muy popular para agentes de voz.
• Google Cloud Speech-to-Text — la opción del hyperscaler, con amplia cobertura de idiomas.
• AWS Transcribe — la misma idea dentro de la factura de AWS.
• OpenAI's open-source Whisper — autoaloja el modelo y ejecútalo tú mismo.
• Gladia — una API de transcripción más reciente en el mismo segmento.

Todas son APIs y motores que integras en tu propio código. No voy a inventarme porcentajes de precisión ni precios para ellos — así es como las listas de alternativas terminan siendo incorrectas: citando con confianza un número de una página de precios que cambió el trimestre pasado. Lo importante es la categoría: si necesitas un contador y un endpoint, una de estas es tu respuesta, y Whisper by Remskill no lo es.

Qué hace Whisper en cambio: atajo, habla, pega

Ahora el otro grupo: las personas que no escriben código y simplemente quieren hablar en lugar de teclear.

Whisper by Remskill tiene el dictado como prioridad. Pulsas un atajo de teclado global, hablas, y la transcripción aparece donde esté el cursor en la aplicación que tengas abierta. Sin paso de carga, sin biblioteca de proyectos, sin API que aprender. El atajo predeterminado es Ctrl+Space en Windows y Command+Option — un acorde de pulsar y mantener — en macOS. Puedes cambiarlo.

Como escribe donde está el cursor, funciona en cualquier sitio — tu cliente de correo, un documento, un chat, un comentario de código — sin que nadie tenga que construir una integración para cada aplicación. Ese es todo el truco, y es lo contrario de un motor. Un motor espera a que tu código lo llame. Este espera a que pulses una tecla. La primera vez que se lo mostré a mi mujer, dicté la lista de la compra directamente en un mensaje para ella. Me respondió: «genial, pero te olvidaste la leche». La app funcionó. Mi memoria, no.

Los modelos multilingües cubren más de 90 idiomas para dictado en directo, y los modelos Whisper en otros idiomas pueden traducir el audio hablado al inglés sobre la marcha. Eso es traducción de voz a inglés, no el servicio de traducción de texto en 69 pares que vende Speechmatics — trabajo diferente, alcance más pequeño, y honesto al respecto.

Local y sin conexión: sin horas de audio, sin factura por uso

En el modo local, Whisper transcribe completamente en tu máquina. El audio nunca sale del dispositivo, no hay ninguna llamada de red para la transcripción y no hay contador por hora de audio. Todo el pipeline local — modelos, limpieza de IA en el dispositivo, historial, palabras personalizadas, el atajo — es gratuito para cualquier usuario autenticado, sin tarjeta al registrarse.

Quiero ser justo aquí, porque la honestidad es el punto. Speechmatics también tiene un nivel gratuito — un generoso 40 horas al mes — y también ofrece despliegue en instalaciones del cliente y en el dispositivo para desarrolladores. Así que «gratuito» y «sin conexión» no son palabras mágicas que solo Whisper tiene. La diferencia real es la forma. Speechmatics le da a un desarrollador un motor que mide e integra. Whisper le da a una persona una aplicación terminada con cero trabajo de integración y sin factura por hora.

Esta es la única opinión firme que voy a expresar en este artículo: el cobro por hora de audio es la forma equivocada para alguien que simplemente quiere dictar. A $0,24 por hora tras las 40 gratuitas, un contador tiene todo el sentido cuando procesas un producto a través de él y necesitas los datos de uso. No tiene ningún sentido cuando el «producto» eres tú, en tu escritorio, respondiendo correos. No deberías tener que pensar en un reloj que corre mientras hablas. Un precio plano por la aplicación, sin ningún tipo de medición, encaja mejor con esa realidad. Si mantener tu dictado fuera de la nube te importa, ese mismo instinto está detrás de la transcripción de voz privada en el dispositivo.

Cuándo Speechmatics es la herramienta correcta

Yo no dejaría Speechmatics si estuviera construyendo un producto sobre él. Si necesitas integrar transcripción en tu propia aplicación a escala — un panel de análisis de centro de llamadas, subtitulación en directo, un pipeline de transcripción médica o legal, un agente de voz — Speechmatics o una de las verdaderas alternativas de API es la respuesta correcta, y Whisper no lo es. Lo mismo aplica si necesitas soberanía estricta de datos en las instalaciones del cliente para muchas sesiones simultáneas, o sus 69 pares de traducción. Whisper no tiene respuesta para nada de eso. Es una aplicación de dictado de escritorio para un solo usuario, punto. Elegir la categoría equivocada aquí te cuesta una reconstrucción completa, no un reembolso.

Cuánto cuesta simplemente dictar

El nivel de dictado local de Whisper es gratuito para cualquier persona con una cuenta, sin método de pago al registrarse. No hay reloj de uso — no se te factura por hora de audio como Speechmatics cobra Pro desde $0,24 por hora. La superficie Cloud opcional, que usa tu propia clave de OpenAI para transcripción en la nube y búsqueda web, tiene un precio plano por la aplicación en lugar de un contador por minuto. Las cifras actuales están en la página de precios; lo único que vale la pena recordar es la forma — un precio plano por una aplicación, no un contador por un motor.