# Mapa de modelos: voz a texto Actualizado: 2026-09-30. Whisper ya es una referencia heredada. Se mantienen los tres primeros por lotes (la versión preliminar Fun-Realtime-ASR, StepAudio 3 ASR, MAI-Transcribe-2). La corona de streaming cambió: Grok Voice Transcribe 2.0 de xAI (18 sep) superó a Muse Voice Transcribe de Meta. ## Modelos cerrados ### Nivel S (lo mejor) - **Fun-Realtime-ASR (preview)** (alibaba): El ASR en streaming de Alibaba conserva la corona de precisión por tercera revisión, pero StepAudio 3 ASR ya está a 0.02 puntos, y este sigue etiquetado como preliminar. - **StepAudio 3 ASR** (stepfun): El nuevo reconocedor de StepFun quedó a 0.02 puntos del líder de precisión por lotes desde el primer día y, a diferencia de ese líder, no está etiquetado como preliminar. - **MAI-Transcribe-2 (preview)** (microsoft ai): El segundo modelo de transcripción de Microsoft llegó directamente al #3 en precisión por lotes a $0.10 por hora de audio, pero sigue siendo una versión preliminar sin SLA. - **Grok Voice Transcribe 2.0** (xai): El segundo reconocedor de xAI le arrebató a Meta la corona de precisión en streaming al mismo precio que la versión 1. - **Muse Voice Transcribe** (meta): El primer modelo de percepción de audio de Meta conquistó la corona de streaming al llegar: ASR en vivo con diarización de más de 20 hablantes, detección del final de intervención, alternancia de idiomas y priorización de palabras clave en una sola llamada. - **ElevenLabs Scribe v2** (elevenlabs): El modelo de transcripción de ElevenLabs con disponibilidad general, una variante en tiempo real de unos 150ms y 99 idiomas; dos lanzamientos de septiembre lo relegaron al cuarto puesto en precisión por lotes. - **MAI-Transcribe-1.5** (microsoft ai): 2.4% WER a 230x el tiempo real en 43 idiomas; la propuesta de transcripción de Microsoft para producción. ### Nivel A (frontera) - **Gemini 3.5 Transcribe** (google deepmind): Lanzado el 26 ago (IDs gemini-3.5-transcribe / -live); la publicación de lanzamiento decía versión preliminar pública, pero el catálogo de Google lo clasifica como estable. WER de 4.0%/2.6% declarado por el proveedor frente a AA y FLEURS; aún sin entrada en un índice independiente, así que las cifras son afirmaciones, no pruebas. Ago 2026. El dúo de transcripción especializada de Google (en vivo + por lotes): streaming con atribución de hablantes y marcas de tiempo por palabra en más de 85 idiomas. - **AssemblyAI Universal-3.5 Pro** (assemblyai): Lanzado el 7 jul a $0.21/hora en 18 idiomas; redirige automáticamente las solicitudes fijadas a 3 Pro desde el 7 ago. Fuera de los cinco primeros de AA-WER a 3 ago, así que mantiene el nivel A por funciones, no por precisión. Ago 2026. La API de modelo de voz y lenguaje configurable con prompts, ahora más barata y destino obligatorio para quienes siguen fijados a Universal-3 Pro. - **GPT Transcribe (+ Live)** (openai): Registro oficial de cambios de la API del 28 jul (gpt-transcribe + gpt-live-transcribe). OpenAI afirma una reducción de WER superior al 50% frente a Whisper; datos del proveedor, aún sin entrada en una clasificación independiente, lo que limita su nivel a A. Ago 2026. El dúo sucesor de Whisper de OpenAI (28 jul): transcripción asíncrona a $0.0045/min y una variante Live en streaming que sigue transcribiendo con música de fondo. - **Voxtral Transcribe 2** (mistral): La mejor precisión por dólar; variantes de pesos abiertos más abajo. Jun 2026. Precisión cercana al nivel S a $0.003/min (la API seria más barata), con tiempo real de 200ms y diarización. - **Gemini 3.1 Pro** (google deepmind): AA Index de 57, ARC-AGI-2 de 77.1%, Video-MME-v2 de 49.4 (el mejor), $2/$12 por millón. #12 en Arena Text (1485) y fuera de los 15 primeros de AA Intelligence; ya no sigue el ritmo de frontera en las arenas actuales. ID de API gemini-3.1-pro-preview. Ago 2026. El modelo de frontera con mejor relación precio-rendimiento y aún líder en comprensión de video, aunque ha caído mucho en Vision Arena. Oficialmente sigue en versión preliminar. - **Deepgram Nova-3 + Flux** (deepgram): En mitad de la tabla por WER sin procesar, el mejor en gestión de turnos de agentes. No existe Nova-4. Jun 2026. El rey del streaming para agentes en vivo: menos de 300ms con detección de final de turno integrada en el modelo (Flux). ## Modelos abiertos ### Nivel S (lo mejor) - **Hojo-ASR-V1** (hojoai · apache 2.0): El líder de ASR abierto y segundo de la clasificación general, detrás de una única entrada propietaria. - **Higgs Audio v3 STT** (boson ai): El líder actual con licencia abierta de Open ASR Leaderboard. ### Nivel A (frontera) - **IBM Granite Speech 4.1 2B** (ibm · apache 2.0): Sexto entre los modelos abiertos por WER medio depurado (4.9014) a 26 jul, detrás de Hojo-ASR-V1, Higgs Audio v3 STT y otros. Jul 2026. Un habitual del ASR abierto con atribución de hablantes y una variante por lotes casi instantánea, ahora bastante más abajo en la clasificación. - **VibeVoice ASR Streaming** (microsoft · mit): Pesos disponibles en HF el 2 sep (microsoft/VibeVoice-ASR-Streaming-1.5B y -7B, MIT). Aún sin entrada independiente de WER; incluido por su trayectoria y licencia. Sep 2026. Microsoft convirtió su línea de TTS largo en un dúo de ASR en streaming con atribución de hablantes (1.5B y 7B), con priorización de palabras clave en diez idiomas y licencia MIT íntegra. - **NVIDIA Canary-Qwen 2.5B** (nvidia): Fue #1 en Open ASR en 2025; fuera de los cinco primeros filtrados por licencia a jul 2026. El campeón abierto de precisión en inglés de 2025 (5.63% WER a 418x el tiempo real); fuera de los cinco primeros actuales. - **Qwen3-ASR** (alibaba · apache 2.0): Afirma alcanzar el estado del arte abierto con paridad frente a API comerciales. Jun 2026. 52 idiomas y dialectos, incluidas 22 variantes del chino, más reconocimiento de música/canciones y un alineador forzado. - **NVIDIA Parakeet-TDT v3** (nvidia): Factor de tiempo real superior a 2,000x, 25 idiomas europeos. Jun 2026. El monstruo del rendimiento: más de 3,000 minutos de audio transcritos por minuto; la opción predeterminada para transcripción masiva. - **Voxtral Small 24B** (mistral · apache 2.0): WER de 2.8% en AA; la mejor precisión por dólar entre los abiertos alojados por cuenta propia. Jun 2026. El único modelo abierto entre los diez primeros de API cerradas de AA (2.8% WER), con comprensión de audio integrada. ### Nivel B (situacional) - **Whisper large-v3-turbo** (openai · mit): WER de ~7.75% en Open ASR; más de 99 idiomas. Jun 2026. Ya no es competitivo en WER, pero sigue siendo la opción multilingüe predeterminada del ecosistema, con herramientas sin rival.