Comparación de modelos
Compare Chirp 3 y Scribe v2 utilizando la misma rúbrica reconocimiento y transcripción de voz del proveedor. Sin puntuación misteriosa ni clasificación de referencia inventada.
Hechos comprobados 4 de septiembre de 2026
Indica tu uso. La estimación se actualiza al escribir.
Usa la duración en horas: 30 minutos = 0,5 horas. Funciones extra y cargos mínimos pueden cambiar el total.
Las estimaciones excluyen impuestos, herramientas, almacenamiento/escritura de caché, cuotas gratuitas y descuentos personalizados. En imágenes solo incluyen la salida, no el prompt ni las referencias. Los modos de calidad varían. Los ajustes no listados no se consideran gratuitos.
Toma rápida
El modelo general de voz a texto de Google Cloud para transmisión, archivos y transcripción por lotes dinámicos de bajo costo en muchos idiomas y regiones.
Consulte la tabla Chirp 3 para conocer su idioma y región precisos. Las etiquetas de los hablantes, las marcas de tiempo, la adaptación y el comportamiento de los lotes tienen restricciones específicas de ruta que un único número de cobertura puede ocultar.
Modelo multilingüe de voz a texto ElevenLabs para transcripciones detalladas con muchos hablantes, sincronización de palabras, eventos de audio y grandes listas de términos clave personalizados.
No asuma que el lote y el tiempo real son la misma ruta o precio. La retención de datos cero es condicional en lugar de automática, por lo que debe verificar el plan, el punto final, la región y el comportamiento enable_logging antes de procesar audio confidencial.
Compara los hechos publicados
Los valores utilizan las unidades y límites publicados de cada proveedor. Un espacio en blanco significa que el proveedor no publicó un valor directamente comparable en las fuentes revisadas.
| Reconocimiento y transcripción de voz | Chirp 3 | Scribe v2 |
|---|---|---|
| Precio de transcripciónPrecio actual del proveedor por hora o minuto de audio para la ruta de procesamiento indicada. | $0,016/min estándar · $0,003/min lote dinámico | $0,22/hora de audio; tiempo real listado por separado |
| En vivo o por lotesSi el modelo maneja transmisiones en tiempo real, grabaciones cargadas o ambas. | Streaming, sincrónico y por lotes | Audio por lotes y largo; ruta separada en tiempo real |
| IdiomasCobertura de idiomas publicada por el proveedor, separando la cobertura capacitada o anunciada de los idiomas específicamente verificados cuando sea necesario. | Más de 85 idiomas y configuraciones regionales | Más de 90 idiomas |
| Etiquetas de altavozSi el modelo identifica quién habló y el límite de oradores publicado. | Compatible con un subconjunto documentado de idiomas | Hasta 32 ponentes |
| Marcas de tiempoInformación de sincronización disponible a nivel de palabra, segmento o enunciado. | Marcas de tiempo a nivel de palabra con restricciones de ruta | Marcas de tiempo a nivel de palabra |
| control de vocabularioMejora de palabras clave, ortografía personalizada, contexto, indicaciones u otras formas de mejorar los términos del dominio. | Adaptación del habla, vocabulario personalizado, detección de idioma, eliminación de ruido. | Hasta 1000 términos clave; etiquetas de audio y detección de idioma |
| donde usarloAPI directa, catálogo en la nube, aplicación o punto final regional documentado por el proveedor. | Google Cloud Voz a texto V2 | ElevenLabs API de voz a texto |
como elegir
Comience con el trabajo que necesita completar y luego valide los detalles del costo, el acceso y la política en la ruta exacta de su proveedor.
Google dice que el contenido de voz a texto no se utiliza más allá de proporcionar el servicio a menos que el cliente opte por el registro de datos. El contenido en streaming y sincrónico se maneja en la memoria; Los resultados asincrónicos pueden conservarse temporalmente según lo documentado.
Enlaces de proveedores y API
ElevenLabs permite a los clientes de API elegibles administrar las preferencias de uso de datos. La retención de datos cero a través de enable_logging=false se limita a las configuraciones empresariales calificadas y los modelos compatibles, incluido Scribe v2; Verifique el plan en vivo y el punto final regional.
Enlaces de proveedores y API
Preguntas frecuentes
Chirp 3: El modelo general de voz a texto de Google Cloud para transmisión, archivos y transcripción por lotes dinámicos de bajo costo en muchos idiomas y regiones. Scribe v2: Modelo multilingüe de voz a texto ElevenLabs para transcripciones detalladas con muchos hablantes, sincronización de palabras, eventos de audio y grandes listas de términos clave personalizados.
Considere Chirp 3 cuando su prioridad sea Transcripción en la nube multilingüe. Considere Scribe v2 cuando su prioridad sea Transcripción de medios multilingües. Pruebe ambos con sus propios datos y la ruta del proveedor antes de comprometerse.
No. Esta comparación alinea los datos publicados por el proveedor para la categoría Reconocimiento y transcripción de voz. No reclama un ganador universal ni combina puntuaciones de referencia de terceros incompatibles.
