Precios de la API Whisper: qué añade la etapa de texto

Costo por trabajo en la parte de texto

La transcripción de voz a texto y la generación de texto se cobran en unidades diferentes, así que ayuda verlos por separado. Esta página cubre la mitad de texto, porque esa es la parte que vende este servicio. Los números de abajo vienen directamente de la lista de precios: $0,15 por millón de tokens de entrada y $0,50 por millón de tokens de salida.

Trabajo	Tokens de entrada	Tokens de salida	Costo
Reunión diaria de 10 minutos, resumen corto	2.000	300	$0.00045
Reunión de 1 hora, resumen y elementos de acción	12.000	800	$0.0022
Taller de 3 horas, notas estructuradas	36.000	1.500	$0.00615
Casi ventana completa, informe largo	96.000	4.000	$0.0164

Los conteos de tokens aquí son estimados. Una regla aproximada para el habla en inglés es que una hora de conversación produce unas 9.000 palabras, que es del orden de 12.000 tokens, pero los números reales dependen del hablante y de cómo se formatee la transcripción.

Cómo funciona el cálculo

Toma la reunión de una hora. Los tokens de entrada son 12.000, así que 12.000 / 1.000.000 x $0,15 = $0,0018. Los tokens de salida son 800, así que 800 / 1.000.000 x $0,50 = $0,0004. El total es $0,0018 + $0,0004 = $0.0022, un poco más de dos décimos de centavo.

Los tokens de salida cuestan más de tres veces lo que cuestan los tokens de entrada, lo que define la estrategia: leer una transcripción larga es barato, escribir una respuesta larga es donde va el dinero. Un resumen que es el 5 por ciento de la longitud de la transcripción cuesta mucho menos que reescribir toda la transcripción.

El mismo cálculo como función, en caso de que quieras ejecutarla contra tus propios volúmenes:

Copy# Base URL https://api.whisperapis.com/v1, model "uncensored"
def text_cost(input_tokens, output_tokens):
    # $0.15 per 1M input tokens, $0.50 per 1M output tokens
    return input_tokens * 0.15 / 1_000_000 + output_tokens * 0.50 / 1_000_000

print(round(text_cost(12_000, 800), 6))    # one-hour meeting -> 0.0022
print(round(text_cost(36_000, 1_500), 6))  # three-hour workshop -> 0.00615

Verifica también la aritmética en la fila más grande: 96.000 x $0,15 / 1M = $0,0144, y 4.000 x $0,50 / 1M = $0,002, que suma $0.0164.

La parte de audio es un artículo separado

Este servicio no transcribe audio, así que no tiene un precio por minuto de audio. Necesitarás un servicio basado en Whisper de tu propia elección para eso. La transcripción alojada de varios proveedores generalmente cobra por minuto u hora de audio, mientras que una configuración autoalojada reemplaza esa tarifa con el costo de una GPU o tiempo de CPU, más tu propio mantenimiento. Los precios cambian a menudo, así que consulta sus precios actuales en lugar de confiar en un número copiado de un blog.

Para presupuestar, suma ambos lados: horas de audio multiplicadas por la tarifa de voz, más transcripciones multiplicadas por la tarifa de tokens anterior. En la mayoría de los pipelines que procesan reuniones, la línea de transcripción es la mayor de las dos, porque el paso de texto en una reunión de una hora cuesta una fracción de centavo. Si ejecutas Whisper tú mismo en hardware que ya posees, la API de texto puede ser la única factura directa que veas.

Si quieres los detalles de configuración, el inicio rápido muestra el formato de solicitud para la etapa de texto.

Crédito prepago, sin capa gratuita

No hay capa gratuita ni suscripción. Pagas con crédito prepago, y el crédito no caduca. Los nuevos usuarios tienen una forma de probar sin pagar: después de iniciar sesión, la página de clave de API tiene un botón de un clic para $0,50 de crédito de prueba. Es uno por persona, válido por 7 días, y no necesita tarjeta.

Esos $0,50 rinden más de lo que parece. A $0.0022 por reunión de una hora, cubre unos 227 resúmenes (0,50 / 0,0022 = 227,3). La clave de prueba está limitada a 2 peticiones simultáneas y 60 peticiones por minuto, lo cual es suficiente para probar un pipeline en un lote de grabaciones.

Después de la prueba, recargas con cualquier cantidad completa de $20 a $500. Pagas con tarjeta (Visa, Mastercard, Apple Pay, Google Pay) o cripto (USDT en TRC20, USDC en Base). Las recargas más grandes obtienen un bono en el crédito que recibes:

Recarga	Bonificación	Crédito recibido
$20	ninguno	$20,00
$50	+5%	$52,50
$100	+10%	$110,00
$200	+15%	$230,00

La página de precios tiene la lista actual en un solo lugar.

Cuánto cuesta un mes de reuniones

Supongamos que un equipo graba 40 reuniones de una hora a la semana. Eso son unas 173 al mes (40 x 52 / 12 = 173.3). Cada una cuesta $0.0022 en la parte de texto, así que el total mensual es aproximadamente 173.3 x $0.0022 = $0,38. Una recarga de $20 cubriría más de cuatro años de esa carga de trabajo, y el crédito no tiene fecha de caducidad.

Ahora un caso más pesado: un servicio que procesa 5.000 grabaciones de una hora en un mes con una entrada de 12.000 tokens y un resumen de 800 tokens cada uno. Eso es 5.000 x $0.0022 = $11. Aumenta la salida a 3.000 tokens por grabación porque los clientes quieren notas detalladas, y el costo de salida por grabación se convierte en 3.000 x $0,50 / 1M = $0,0015, así que el total por grabación es $0,0018 + $0,0015 = $0,0033, y el mes llega a $16,50.

Nota qué movió la factura. La longitud de la transcripción no cambió, solo la longitud de la respuesta. Si los costos crecen más rápido de lo esperado, mira tu tamaño de salida antes que nada.

Comparando con hacerlo a mano

La comparación honesta es contra tu propio tiempo. Un asistente que escucha una grabación de una hora y escribe notas pasa una hora o más. El modelo lee la misma hora como texto en unos segundos y escribe las notas en quizás medio minuto. A $0.0022 por hora de reunión, el paso de texto no es donde va el dinero; la transcripción de audio, el tiempo de ingeniería para construir el pipeline y la revisión de la salida cuestan más.

El modelo también comete errores, así que presupuesta una breve revisión humana de todo lo que importe. Un revisor que lee rápidamente las notas generadas durante dos minutos sigue siendo más rápido que escribirlas desde cero, y la revisión atrapa el propietario inventado o la cifra mal oída ocasionales. Las peticiones fallidas o rechazadas no cuestan nada, así que el único gasto de texto es en las respuestas que realmente recibiste.

Maneras de mantener la factura de texto pequeña

• Limita la respuesta. Establece max_tokens cuando solo necesitas un resumen corto. Es opcional, pero evita una respuesta descontrolada en una transcripción extraña.
• No reenvíes la transcripción. Si necesitas tres salidas de una reunión, pídelas en una solicitud como un objeto JSON en lugar de tres llamadas que pagan cada una por 12.000 tokens de entrada.
• Lee el uso de la respuesta. El bloque usage informa tokens de prompt y finalización, y las respuestas en streaming incluyen uso al final. El encabezado de respuesta X-Balance-USD muestra tu crédito restante.
• Mantén los reintentos baratos. Las peticiones fallidas o rechazadas no se cobran, así que un bucle de reintentos en errores no añade a la factura.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.whisperapis.com/v1", api_key="YOUR_KEY")
messages = [{"role": "user", "content": "Summarize in five bullets: ..."}]

resp = client.chat.completions.create(
    model="uncensored",
    messages=messages,
    max_tokens=900,
)
u = resp.usage
print(u.prompt_tokens, u.completion_tokens)
print(text_cost(u.prompt_tokens, u.completion_tokens))

Combina esos hábitos con una verificación diaria del encabezado de saldo y verás un problema de costos dentro de un día, no al final del mes. La documentación lista los encabezados de respuesta y los códigos de error.

Más guías

• Servidor API de Whisper: Opciones de configuración y el paso de texto
• Notas de la reunión de la API LLM: de la transcripción al resumen en Python
• API de Midjourney: solución de problemas y alternativas