A tarifa por hora é só un dos catro números dunha lista de prezos dunha API de transcrición. O incremento de facturación, o mínimo por tarefa e o xeito en que se vende o crédito poden mover a factura máis ca unha tarifa máis barata. Aquí están os exemplos resoltos, con aritmética real.
A maioría das comparacións de prezos de API de transcrición alinean un só número por provedor: o prezo por minuto ou por hora de audio. Ese número importa, pero non é o que pagas. Pagas a tarifa multiplicada polo audio que conta o provedor, e o provedor conta o audio segundo as súas propias regras. Dúas desas regras deciden a maior parte da diferenza: o incremento de facturación (por segundo, por 15 segundos, por minuto) e o mínimo por tarefa. Unha terceira, como se vende o crédito (prepago, un plan mensual con crédito ou un contrato de volume), decide canto do que pagaches usas de verdade.
Este artigo pasa as mesmas cargas de traballo por esas regras cunha tarifa fixa, para que as regras se vexan por si soas. Úsanse as cifras propias de VocalStack onde fan falta prezos reais, tal como figuran na páxina de prezos en novembro de 2026.
Antes de comparar provedores, anota catro cousas de cada un:
O cuarto número merece un artigo propio, e a páxina de prezos leva unha táboa cos prezos de lista doutros provedores por hora de audio, extras incluídos, tomados da páxina de prezos de cada provedor en outubro de 2026. O resto deste artigo trata do segundo e do terceiro, porque son os que oculta unha comparación por minuto.
Toma un centro de contacto que envía 1,000 chamadas gravadas ao mes, cada unha de entre tres e sete minutos. Para que a aritmética sexa comprobable, supón cinco duracións de chamada, 200 chamadas de cada:
As chamadas suman 302,000 segundos de audio, ou 5,033 minutos. Isto é o que factura cada regra por elas:
A tarifa nunca cambiou. Arredondar cada chamada ao minuto seguinte engade un 11.3 por cento á factura, porque de media cada chamada paga uns trinta segundos nos que ninguén falou. Os incrementos de quince segundos reducen ese desperdicio a uns poucos segundos por chamada. Unha factura por segundo cun mínimo de 5 minutos queda no medio: as chamadas longas factúranse exactamente, as curtas énchense ata cinco minutos.
Coa tarifa de ficheiros de VocalStack de $0.20 a hora, a factura por segundo destas 1,000 chamadas é de $16.78. As mesmas chamadas con arredondamento por minuto serían $18.67 á mesma tarifa. A diferenza é pequena en dólares aquí porque a tarifa é baixa, e escala coa tarifa: cunha tarifa dez veces maior, ese 11 por cento son dez veces máis dólares, cada mes.
Como regra, o arredondamento desperdicia uns medio incremento por tarefa. Co arredondamento por minuto e chamadas de cinco minutos de media, iso é aproximadamente un 10 por cento. Con incrementos de 15 segundos, un 2.5 por cento. Coa facturación por segundo é practicamente cero.
Os mínimos parecen inofensivos nas gravacións longas e dominan a factura nas curtas. Toma 10,000 mensaxes de voz de 40 segundos cada unha, 111 horas de audio en total, á mesma $0.20 a hora:
Un mínimo de 5 minutos factura cada mensaxe de voz de 40 segundos como 300 segundos, sete veces e media o audio. O arredondamento por minuto, que lle custou un 11 por cento ao centro de contacto, custa un 50 por cento á carga das mensaxes de voz. Canto máis curto é o ficheiro típico, máis deciden a factura o incremento e o mínimo, e menos a tarifa.
Así que antes de comparar tarifas, mira a túa propia distribución de duracións. Exporta as duracións dos ficheiros do mes pasado e pásaas polas regras de cada provedor. Unha folla de cálculo cunha columna por regra leva dez minutos e responde á pregunta mellor ca calquera táboa de tarifas.
Dous grandes servizos de voz na nube facturan por segundo. En novembro de 2026, a páxina de prezos de Amazon Transcribe di que «usage is billed in one-second increments, with no minimum applied» (aws.amazon.com/transcribe/pricing), e a de Google Cloud Speech-to-Text di que «each request is rounded up to the nearest increment of 1 seconds» (cloud.google.com/speech-to-text/pricing). As regras de facturación seguen sendo distintas entre servizos: uns arredondan ao minuto, outros fixan un mínimo por tarefa e outros fan as dúas cousas. Le o parágrafo de facturación de cada páxina de prezos, normalmente na letra pequena baixo a táboa, en vez de darlo por sabido.
En novembro de 2026, a páxina de prezos lista estas tarifas, as mesmas no panel e pola API:
Algunhas consecuencias, calculadas:
De volta ás dúas cargas de traballo. As 1,000 chamadas custan $16.78 en Premium (sen mínimo) e $18.39 en Pagamento por uso, onde as 400 chamadas de menos de cinco minutos se facturan cada unha como cinco. As 10,000 mensaxes de voz custan $22.22 en Premium e $166.67 en Pagamento por uso. Para un volume alto de ficheiros curtos, o plan sen mínimo é o que hai que escoller, e o exemplo das mensaxes de voz mostra canto.
A segunda metade do prezo da transcrición é como pagas o audio. Hai tres modelos habituais, e VocalStack usa os tres, un por plan:
Crédito prepago. Mercas un saldo e cada segundo de audio o gasta. No Pagamento por uso de VocalStack, unha conta nova comeza con $5 de crédito de rexistro, abondo para 25 horas de ficheiros ou preto de 8.3 horas de audio en directo, e non fai falta tarxeta. Despois recargas desde a páxina Billing: as opcións predefinidas son $10, $25 e $50, e acéptase calquera importe de $10 a $500. A recarga automática está desactivada salvo que a actives; cando está activada, engade un importe escollido cando o saldo baixa dun límite que fixas. O crédito que mercas nunca caduca. En Pagamento por uso, unha transcrición en directo detense cando o saldo chega a cero, así que fixa un aviso de saldo baixo, ou activa a recarga automática, antes dun evento longo.
Un plan con crédito. Pagas un importe fixo cada mes e recibes crédito de volta. Premium de VocalStack son $25 ao mes e inclúe $25 de crédito cada mes: 125 horas de ficheiros ou preto de 42 horas de audio en directo. Facturado anualmente, son $240 ao ano ($20 ao mes) e segue incluíndo $25 de crédito cada mes, así que un ano de crédito usado por completo vale $300 por $240. Iso sae a un efectivo de $0.16 por hora de ficheiro e $0.48 por hora en directo, se usas todo o crédito: o crédito mensual incluído renóvase cada mes e non se acumula. En Premium, unha transcrición en directo segue correndo por debaixo de cero, ata un límite, para que un evento non se corte; os minutos extra factúranse despois á mesma tarifa.
A decisión entre os dous é sobre todo aritmética. Se vas gastar $25 ou máis ao mes de todos os xeitos, o plan mensual non custa nada extra e quita o mínimo de 5 minutos. Se gastas menos, o crédito mensual sen usar perdese, e o crédito prepago, que nunca caduca, é máis barato.
Contratos de volume. Por riba dun certo volume, a lista de prezos deixa de ser o prezo. O plan Enterprise de VocalStack ten tarifas de volume e crédito personalizados, fixados segundo o teu volume previsto, e engade capacidade dedicada, unha persoa xestora de conta, un SLA e a opción de gardar ficheiros no teu propio almacenamento na nube. Pide un orzamento coas túas horas mensuais previstas, a proporción entre ficheiros e directo e a túa distribución de duracións, porque as tres determinan unha tarifa de volume xusta.
O prezo non é o único que fixa un plan. Os límites deciden a rapidez con que pasa un lote grande, o que importa en canto importa o volume:
Os límites de transcricións simultáneas e de duración son límites de seguridade, para que un script que vai mal non poida iniciar centos de transcricións, e o soporte aumentaos a petición. Para un atraso acumulado, comproba isto antes de planificar a migración.
Unha tarifa un 10 por cento máis baixa pode perder fronte a unha regra de facturación que desperdicia un 11 por cento, e un plan máis barato pode perder fronte a un mínimo que factura un ficheiro de 40 segundos como cinco minutos. Fai a aritmética cos teus propios ficheiros. Se queres probalo con audio real, o crédito de rexistro cobre 25 horas de ficheiros, e o titorial de ficheiros leva o primeiro pola API en poucos minutos.