API de Whisper large-v3
Fuente del modelo: Hugging FaceConvierte audio en texto: reuniones, llamadas, entrevistas y vídeos.
Convierte grabaciones, llamadas, reuniones y vídeos en texto. Whisper large-v3 es el modelo de transcripción open source de OpenAI, en su versión más precisa. En GPU Flow cuesta 0,0015 € por minuto de audio, cobrado por segundo, y usa el mismo endpoint que la API de audio de OpenAI.
Qué hace
Voz a texto
stt
Cómo se cobra
Cada minuto de audio
0,0015 €
Dónde funciona
España (UE)
MIG B200
Tamaño del cerebro
Pequeño y rápido
Transcripción
En qué destaca
- Reuniones, llamadas y entrevistas. Varios hablantes, ruido de fondo, acentos. Large-v3 es la versión más robusta de Whisper.
- Marcas de tiempo para subtítulos. Con verbose_json recibes segmentos con su inicio y su fin, y tiempos por palabra si los pides: la base para montar tus propios subtítulos.
- Castellano y lenguas cooficiales. Castellano, catalán, gallego y euskera entre los 99 idiomas, con detección automática o idioma forzado.
Transcribe; no traduce, no resume ni identifica quién habla. Para eso, envía la transcripción a un modelo de lenguaje en la misma API.
Precio
€ por minuto de audio, IVA incluido
Para tu equipo técnico
Sube el archivo de audio. Con response_format=verbose_json te devuelve también la duración.
curl https://api.gpuflow.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $GPUFLOW_API_KEY" \ -F model=whisper-large-v3 \ -F [email protected] \ -F response_format=verbose_json
Límites y formatos
- Peticiones por minuto
- 1.000 por clave, con ráfagas de hasta el doble; ampliable a 5.000 desde el panel.
- Audio de entrada
- Lo que decodifique FFmpeg: mp3, m4a, wav, ogg/opus, webm, flac y más.
- Respuesta
- json, text o verbose_json, con segmentos y, si los pides, tiempos por palabra.
- No disponible
- Subtítulos srt o vtt, traducción y streaming.
Preguntas frecuentes
¿Cuánto cuesta Whisper large-v3?
0,0015 € por minuto de audio, IVA incluido. Sin cuota mensual.
¿Dónde funciona?
En nuestras GPU NVIDIA B200, en un centro de datos en España.
¿La API de Whisper es compatible con la de OpenAI?
Sí: mismo endpoint /v1/audio/transcriptions y mismos parámetros; cambias la URL base y la clave. Responde en json, text o verbose_json; no hay salida srt ni vtt, ni endpoint de traducción, ni streaming.
¿Qué idiomas y formatos de audio admite?
99 idiomas, con detección automática o el que fijes con language. Acepta cualquier audio que decodifique FFmpeg, como mp3, m4a, wav, ogg/opus, webm o flac.
¿Identifica a los hablantes?
No. Transcribe lo que se dice; la identificación de hablantes no está incluida.
¿Se guarda el audio?
No. El audio se procesa en memoria y la transcripción vuelve en la misma llamada; no lo conservamos después y no se usa para entrenar.