Transcripción de llamadas con IA: precios con cuatro decimales, precisión no publicada

Fecha de investigación: 23 de septiembre de 2026. Última actualización: 23 de septiembre de 2026.

Puede comprar voz a texto por $0.0043 por minuto y conocer esa cifra con cuatro decimales. Lo que no puede averiguar en la misma página es con qué frecuencia acierta las palabras.

Ese es todo el problema con esta categoría. La transcripción es la base sobre la que se apoya todo lo demás en un centro de llamadas de IA: si las palabras son incorrectas, la decisión del agente es incorrecta, la nota del CRM es incorrecta y la tarjeta de puntuación de control de calidad evalúa una conversación que nunca existió. También es la capa para la cual nadie publica una cifra.

Y, de todos modos, la precisión no es un solo número. La mejor medición revisada por pares sobre el reconocimiento de voz comercial encontró tasas de error casi dos veces más altas para un grupo de hablantes que para otro, con las mismas frases, atribuidas a los propios modelos acústicos.

Brilo AI publica esta página y vende un agente de voz de IA, que incluye reconocimiento de voz en su interior. Brilo tampoco publica una tasa de error de palabras ni nombra a su proveedor de voz a texto. Esto se vuelve a indicar al final, donde corresponde.

Cómo recopilamos esto

Investigación documentada. Los precios se tomaron de las propias páginas de precios de los proveedores el 23 de septiembre de 2026. La investigación sobre precisión es un estudio revisado por pares, citado con sus límites. Nosotros no evaluamos ningún servicio de transcripción, por lo que esta página no contiene ninguna afirmación de precisión propia, lo cual es precisamente el punto.

Lo que realmente cuesta la transcripción

Fuentes: deepgram.com/pricing, assemblyai.com/pricing, consultado el 23 de septiembre de 2026. Deepgram ofrece $200 de crédito gratuito, AssemblyAI $50.

De esta tabla se desprenden dos conclusiones, y la segunda es la que más importa.

La transcripción es barata. A aproximadamente medio centavo por minuto, la capa de voz a texto es un error de redondeo en comparación con el resto de un despliegue de voz. La tarifa de agente de voz con todo incluido de AssemblyAI es de $0.075 por minuto, por lo que la transcripción representa aproximadamente el 5% del costo de la conversación. Si está optimizando el gasto de su centro de llamadas de IA, este no es el rubro que debe recortar.

Nadie publica la precisión. Ambos proveedores mencionados anteriormente cotizan sus modelos con cuatro decimales y nombran varios de ellos. Ninguno publica una tasa de error de palabras, un porcentaje de precisión o cualquier otra cifra de rendimiento en su página de precios. Puede comparar el costo con precisión, pero la calidad en absoluto.

La precisión no es un solo número

La tasa de error de palabras (WER, por sus siglas en inglés) es la medida estándar: la proporción de palabras que el sistema confunde. Una sola cifra de WER implica que la transcripción tiene una única precisión, de la misma manera que un automóvil tiene una sola velocidad máxima. No es así.

La medición publicada más rigurosa sobre esto es la de Koenecke et al., en las Actas de la Academia Nacional de Ciencias. Evaluaron cinco sistemas comerciales de ASR (de Amazon, Apple, Google, IBM y Microsoft) en 19.8 horas de entrevistas con 42 hablantes blancos y 73 negros, emparejados por edad y género en cinco ciudades de EE. UU. Los cinco mostraron disparidades sustanciales: un WER promedio de 0.35 para los hablantes negros frente a 0.19 para los hablantes blancos. Los autores atribuyeron esto a los modelos acústicos y no al vocabulario o al tema, porque la brecha era igual de grande en frases idénticas pronunciadas por ambos grupos. Fuente: Koenecke et al., "Racial disparities in automated speech recognition", PNAS, 2020. Consultado el 23 de septiembre de 2026.

Los límites de ese estudio, al mismo tiempo que la cifra. Es de 2020, y los cinco sistemas evaluados no son los modelos que ninguno de estos proveedores vende hoy en día; el reconocimiento ha mejorado sustancialmente desde entonces. También se trata específicamente de inglés estadounidense. Lo que no ha cambiado es la estructura del problema: la precisión varía según quién hable, la variación es una propiedad del modelo y ningún proveedor en este mercado publica un desglose que le permita comprobarlo con sus usuarios. Un WER único, si se publicara, seguiría siendo un promedio que oculta exactamente esto.

La traducción operativa es incómoda y sencilla. Si entre sus usuarios hay muchas personas cuyo habla está subrepresentada en los datos de entrenamiento (acentos regionales, inglés como segundo idioma, hablantes de edad avanzada, cualquier persona con alguna diferencia en el habla), su precisión real no será la precisión de referencia, y el sistema fallará con esos usuarios más a menudo que con los demás.

Las llamadas telefónicas son el caso difícil

La mayoría de las pruebas de referencia de reconocimiento de voz publicadas utilizan audio limpio, de banda ancha y de calidad de estudio. Una llamada telefónica es todo lo contrario, de cuatro formas específicas.

Es de banda estrecha. La telefonía tradicional transmite aproximadamente de 300 Hz a 3.4 kHz, muestreados a 8 kHz, una fracción del rango de frecuencia del audio de micrófono con el que se crean las pruebas de referencia. La información que el modelo podría utilizar simplemente no está en la línea.

Está comprimida. Los códecs descartan detalles para ahorrar ancho de banda, y lo que descartan no se elige pensando en la transcripción.

Es ruidosa y no está controlada. Los usuarios llaman desde automóviles, calles, pasillos de hospitales y altavoces. Nadie sostiene el micrófono correctamente.

La gente interrumpe, se superpone y se va apagando. El audio de referencia consiste en su mayoría en una sola persona que habla con oraciones completas. Las llamadas reales no son así.

Por lo tanto, un WER medido en audio limpio le dice muy poco sobre su línea telefónica, y la brecha va en una sola dirección.

Qué medir en su lugar, y cómo

Dado que ningún proveedor le dará una cifra aplicable a sus usuarios, genere una usted mismo. Esto requiere un día de trabajo y es la única manera de saberlo.

Tome cincuenta de sus propias grabaciones, seleccionadas de su mezcla real de llamadas en lugar de las fáciles. Incluya sus acentos más difíciles, sus líneas con más ruido y los nombres de productos más confusos.

Transcríbalas y cuente los errores usted mismo. El WER se puede contar a mano en una muestra de este tamaño: sustituciones más eliminaciones más inserciones, dividido por el número de palabras realmente pronunciadas.

Estratifique el resultado. Preséntelo por acento, por región, por calidad de línea, no como un único promedio. El promedio es el número que oculta el problema.

Luego, mida la precisión de las entidades por separado, porque importa más que el WER. Una transcripción que tiene un 96% de precisión general pero confunde el código postal, el número de pedido o el apellido del usuario ha fallado por completo en la llamada, mientras que una que titubea en varias palabras de relleno no lo ha hecho. Cuente con qué frecuencia el sistema acierta exactamente con los nombres, números, direcciones y códigos de referencia. Casi nadie hace esto, y es la medición que predice si el despliegue funciona.

Repítalo trimestralmente. Los proveedores actualizan los modelos sin avisar, y la precisión puede variar en cualquier dirección de un mes a otro.

Qué preguntar a un proveedor

Cuatro preguntas, por escrito, porque nada de esto figura en una página de precios.

1. ¿Qué proveedor y modelo de voz a texto utiliza, y me avisará cuando lo cambie?

2. ¿Qué tasa de error de palabras miden, en qué audio, y puedo ver el desglose por acento o grupo de hablantes?

3. ¿Está el modelo optimizado para audio de telefonía de 8 kHz o para banda ancha?

4. ¿Puedo procesar mis propias grabaciones a través de él antes de firmar?

La falta de voluntad para responder a la primera pregunta es el resultado más informativo. Muchos productos de voz se ensamblan a partir de componentes de terceros, lo cual no es una crítica, pero significa que la precisión que usted experimenta está determinada por un proveedor con el que no tiene una relación directa, y que cambia cuando ellos deciden cambiarlo.

La postura de Brilo y lo que no publica

Brilo publica un nivel gratuito de 10 minutos al mes, el plan Pro a $149 por 600 minutos con exceso de consumo a $0.16, el plan Growth a $499 por 2,500 minutos a $0.14, y un nivel personalizado para más de 5,000 minutos. Fuente: brilo.ai/pricing, consultado el 23 de septiembre de 2026.

Lo que no publica: Brilo no nombra a su proveedor de voz a texto y no publica una tasa de error de palabras, una cifra de precisión ni ningún desglose por acento o grupo de hablantes. Tampoco publica los términos de retención o exportación de las transcripciones. En una página cuyo argumento es que los compradores deberían exigir exactamente esas cifras, sería deshonesto no decir que Brilo se encuentra actualmente entre los proveedores que no las facilitan.

Las cuatro preguntas anteriores son las correctas para planteárselas también a Brilo. Pregúntelas, y pida procesar sus propias grabaciones a través de su sistema primero.

Lectura relacionada

Para calificar las conversaciones una vez que pueda leerlas, consulte Garantía de calidad en centros de llamadas de IA; la transcripción es lo que hace posible el control de calidad. Para saber en qué parte del costo por minuto se ubica esto, consulte Costos, precios y ROI de centros de llamadas de IA.