Las herramientas de transcripción parecen similares hasta que subes una entrevista larga, importas un mes de reuniones o necesitas editar un vídeo. Una comparación útil analiza hasta qué punto cada servicio se adapta a ese trabajo, qué restricciones se aplican a los archivos y cuánto cuesta el flujo de trabajo completo.
AccurateScribe, Otter, Sonix, Notta, Descript y Rev ofrecen distintas combinaciones de transcripción de archivos, herramientas para reuniones, edición y servicios humanos. Esta reseña compara sus precios, límites de grabación, exportaciones, velocidad de procesamiento y pruebas de precisión, planteando la misma pregunta para cada uno: ¿qué obtienes para el trabajo que realmente necesitas terminar?
Ver la comparación en vídeo
Consulta nuestra guía de 5 minutos en inglés sobre la adecuación al flujo de trabajo, los límites de grabación, el coste de los planes mensuales y las pruebas de transcripción. Las tablas detalladas, los supuestos con sus fechas y las fuentes originales figuran en el artículo a continuación.
Narración y subtítulos en inglés · 5:11 · Ver en YouTube
Se utilizan imágenes ilustrativas generadas por IA y narración sintética. Las imágenes de productos identificadas y los resultados de pruebas históricas conservan su fuente y alcance originales; no se trata de una nueva prueba controlada de los seis productos.
AccurateScribe
Otter.ai
Sonix
Notta
Descript
Rev
Empieza por tu flujo de trabajo
| Producto | Principal caso de uso | Principal limitación que conviene comprobar |
|---|---|---|
| AccurateScribe | Reuniones, entrevistas, clases, pódcast, vídeos y otras transcripciones de audio y vídeo | Suscripción de precio fijo y compatibilidad con archivos largos; las transcripciones completas y las exportaciones requieren acceso de pago |
| Otter | Grabación de reuniones y notas de reuniones compartidas | Compara las funciones para reuniones con las restricciones independientes de los archivos importados |
| Sonix | Transcripción de archivos grabados y entrega de subtítulos | Tanto las horas incluidas como el uso adicional influyen en la factura mensual |
| Notta | Notas de reuniones y transcripción habitual de archivos | Pro incluye 30 horas/mes, con límites independientes de cantidad y duración de los archivos |
| Descript | Edición de pódcast o vídeos a través de una transcripción | Su valor depende de si necesitas edición además de transcripción |
| Rev | Elección entre transcripción con IA y un servicio humano | Compara el servicio concreto, el idioma admitido y sus precios independientes |
Detalles de funciones y planes: AccurateScribe, Otter, Sonix, Notta, Descript y Rev.
Precios actuales y límites relevantes
Los precios siguientes son las tarifas web publicadas en USD antes de impuestos, consultadas el 2026-10-17. La facturación mensual y la anual implican compromisos distintos. Los planes seleccionados ilustran opciones prácticas; no constituyen una lista de todos los niveles ni un registro de los planes utilizados en las pruebas históricas.
| Producto y plan | Facturación mensual | Compromiso anual | Cuota incluida y principales restricciones |
|---|---|---|---|
| AccurateScribe Unlimited | $19.99 | $119.99/año | Transcripción anunciada como ilimitada; archivos de hasta 10 horas cada uno. Fuente |
| Otter Pro / Business | $16.99 / $30 por usuario | $99.99 / $239.88 por usuario/año | Pro: 1,200 minutos/mes, 10 importaciones/mes, 90 minutos/archivo. Business: 6,000 minutos importados/mes, 4 horas/archivo. Planes, Pro anual, Business anual |
| Sonix Advanced / Pro | $50 / $80 | $550 / $880 al año | Los planes mensuales incluyen 20 / 40 horas; cada hora adicional cuesta $10. Precios, planes anuales |
| Notta Pro / Business | $13.49 / $27.99 por licencia | $97.99 / $199.99 por licencia/año | Pro: 1,800 minutos y 100 archivos/mes. Business: tiempo de transcripción ilimitado y 200 archivos/licencia/mes. Precios, detalles de los planes |
| Descript Hobbyist / Creator | $24 / $35 por editor | Equivalentes publicados de $16 / $24 por editor/mes, con facturación anual | 10 / 30 horas de contenido multimedia por editor/mes; los planes que lo permiten pueden comprar horas adicionales de contenido multimedia. Fuente |
| Rev Essentials AI / Pro AI | $29.99 / $59.99 por licencia | $305.90 / $575.88 por licencia/año | 5,000 / 10,000 minutos de IA por persona/mes. Essentials cubre inglés y español. Precios, detalles de los planes |
Considera conjuntamente la cuota y las restricciones de los archivos. Una gran cantidad de minutos disponibles puede seguir siendo inadecuada si tus grabaciones superan el límite por archivo o se presentan en más archivos de los que permite el plan. Del mismo modo, un plan de transcripción ilimitada debe evaluarse junto con sus reglas para archivos y las condiciones del proveedor, en lugar de interpretarse como una promesa de velocidad de procesamiento ilimitada.
Cómo encaja cada herramienta en la comparación
AccurateScribe: transcripción de audio y vídeo para los casos de uso habituales
AccurateScribe convierte grabaciones de reuniones, entrevistas, clases, pódcast, vídeos y otros contenidos de audio o vídeo en texto o subtítulos. Su suscripción de precio fijo resulta pertinente para quienes procesan grabaciones guardadas de forma habitual y quieren una factura previsible. Comprueba los límites de duración de los archivos y los formatos que necesitas entregar. Su menú de exportación incluye documentos, subtítulos, hojas de cálculo, datos estructurados y archivos de intercambio para edición; la tabla de formatos de más abajo enumera las opciones. Descripción general del producto
El acceso gratuito proporciona una vista previa parcial de la transcripción. Las transcripciones completas y todas las opciones de exportación requieren una suscripción, lo que condiciona qué parte de un flujo de trabajo completo de entrevistas o subtítulos puedes evaluar antes de pagar. Detalles de acceso
Otter: compara el uso para reuniones con la importación de archivos
Otter merece figurar entre los candidatos centrados en reuniones, pero conviene prestar atención a sus reglas de importación cuando el trabajo empieza con archivos. Pro combina una cuota mensual de minutos con un límite de cantidad de archivos y otro de duración por archivo. Por ejemplo, 10 importaciones de 90 minutos cada una permiten un máximo de 900 minutos importados, aunque la cuota mensual total sea de 1,200 minutos. Estos límites se aplican conjuntamente. Business amplía la capacidad de importación de archivos, pero su cuota ilimitada para reuniones y grabaciones en la aplicación no elimina el límite mensual de 6,000 minutos para archivos importados. Comparación de planes de Otter
Para la entrega, Basic permite exportar texto como TXT; los planes de pago añaden opciones como DOCX, PDF y SRT. Si un cliente necesita un documento con formato, incluye ese requisito de exportación al comparar los niveles gratuitos y de pago. Documentación de exportación de Otter
Sonix: calcula conjuntamente las horas incluidas y el uso adicional
Sonix ofrece transcripción de pago por uso a $10 por hora y suscripciones con horas incluidas. El pago por uso puede adaptarse a un uso irregular; una suscripción puede resultar más económica con un volumen constante. La distinción importa porque el plan más adecuado puede cambiar a medida que aumenta tu carga de trabajo. La transcripción y la traducción comparten la cuota de tiempo, por lo que traducir el resultado puede modificar el presupuesto. Precios y detalles de funciones de Sonix
Sus indicaciones de carga permiten normalmente archivos de hasta 8 horas y 16 GB, sujetos a los permisos de la cuenta. Los límites de almacenamiento son independientes. Sonix también documenta exportaciones DOCX, TXT, PDF, SRT y VTT, por lo que el formato necesario para la entrega es un aspecto concreto que debes comprobar. Límites de carga, opciones de exportación
Notta: una amplia cuota en Pro, con reglas independientes para archivos
La cuota de Pro de Notta equivale a 30 horas de audio al mes, por lo que merece la pena compararlo para un uso habitual dentro de ese límite. Business cambia el modelo a tiempo de transcripción ilimitado por licencia, manteniendo una cuota mensual de archivos. Son restricciones diferentes: procesar entrevistas largas e importar numerosos clips cortos puede llevar a elegir planes distintos. Precios de Notta, explicación de los planes
La documentación de importación permite archivos de audio de hasta 1 GB y vídeos de hasta 10 GB. Los archivos pueden durar hasta 5 horas sin reconocimiento de hablantes, o 3 horas si está activado. Pro y los planes superiores permiten descargar transcripciones en formatos como TXT, DOCX, PDF y SRT. Comprueba la configuración de hablantes antes de dar por hecho que una grabación larga cumple los requisitos. Reglas de importación, formatos de descarga
Descript: evalúa el flujo de edición además de la transcripción
Descript supone una compra diferente cuando la transcripción forma parte de la edición de un pódcast o vídeo. Su cuota de minutos de contenido multimedia cubre los medios importados o grabados, no solo la generación de texto. Por tanto, subir varios recursos puede consumir más cuota que la duración de un episodio terminado. Los créditos de IA son un recurso independiente, de modo que una comparación de costes exclusivamente de transcripción no abarca todas las funciones de edición o generación. Reglas de uso de Descript
Creator y Business permiten comprar horas adicionales de contenido multimedia. Descript también admite exportaciones de transcripciones orientadas a documentos y subtítulos SRT/VTT. Si ya tienes una suscripción para editar, compara la cuota adicional de contenido multimedia que necesitas antes de considerar que otra suscripción de transcripción supondrá un ahorro automático. Recargas, exportaciones de transcripciones, exportaciones de subtítulos
Rev: distingue entre los servicios de IA y los humanos
Conviene examinar Rev si buscas elegir entre un resultado automatizado y un servicio humano con precio independiente. Essentials AI incluye 5,000 minutos por persona al mes para inglés y español; Pro aumenta la cuota y admite más idiomas. Para un idioma no cubierto por Essentials, compara el plan compatible correspondiente en lugar de su precio anunciado más bajo. Planes de suscripción de Rev
El precio publicado de la transcripción humana es de $1.99 por minuto, una estructura de costes distinta de las suscripciones de IA. Una grabación de 60 minutos partiría de $119.40 antes de aplicar extras o reglas de redondeo. Ese cálculo es útil para presupuestar, pero las afirmaciones sobre el servicio humano nunca deben utilizarse como puntuación de precisión del producto automatizado de Rev. Precios de Rev
Velocidad y precisión de la transcripción
La velocidad de procesamiento y la precisión del reconocimiento responden a preguntas diferentes. Las grabaciones, las reglas de puntuación y los límites de medición del tiempo varían entre los estudios siguientes, por lo que sus resultados no forman una clasificación única.
Comparación del tiempo de transcripción con duración del audio y fuentes
Los tiempos siguientes incluyen la carga y la transcripción cuando así se indica. Las tres entradas de RJI utilizan la misma entrevista; las demás observaciones corresponden a sus propias grabaciones.
| Producto / observación | Duración del audio o vídeo | Tiempo de procesamiento comunicado | Límites de medición del tiempo | Fuente y fecha |
|---|---|---|---|---|
| AccurateScribe | 25 minutos | 10 segundos | Carga y transcripción | Registro de prueba; fecha de ejecución 2024-01-15 |
| Sonix | 25 minutos | 2 minutos 56 segundos | Carga y transcripción | Emily Lytle, RJI, 2023-02-15. Artículo |
| Rev | 25 minutos | 4 minutos 31 segundos | Carga y transcripción | Emily Lytle, RJI, 2023-02-15. Artículo |
| Otter | 25 minutos | 6 minutos 19 segundos | Carga y transcripción | Emily Lytle, RJI, 2023-02-15. Artículo |
| Rev AI, ejemplo independiente | 6 minutos | Aproximadamente 40 segundos | Inicio y final exactos no especificados | Miguel Rebelo, Zapier, 2026-04-02. Reseña |
| Notta | No se utiliza una medición de tiempo respaldada por una fuente | — | — | No se incluye ningún resultado de tiempo |
| Descript | No se utiliza una medición de tiempo respaldada por una fuente | — | — | No se incluye ningún resultado de tiempo |
Los valores de RJI se han transcrito de su gráfico original de tiempos; excluyen la corrección humana. Los planes, las condiciones de red y las ejecuciones repetidas no están completamente especificados. Zapier informa de que algunos enlaces de la reseña pueden generar una comisión; no se publican la grabación del ejemplo, el resultado completo ni el plan exacto probado. Un guion significa que no se incluye ningún resultado, no que el tiempo sea cero.
Qué muestran los resultados de precisión
El estudio de entrevistas de Willem Maas para Growth Velocity, publicado el 2023-08-08, presenta resultados comparados con 1,199 palabras de referencia de una entrevista B2B de una hora; los límites exactos del fragmento evaluado no están especificados. La investigación citada y las pruebas de productos completos miden alcances diferentes. Estudio de entrevistas
| Producto / entrada | Precisión comunicada y tipo de evidencia | Alcance original de la prueba | Autor, fecha y fuente |
|---|---|---|---|
| AccurateScribe — prueba del producto | Mediana de WER por archivo: 5.26% por lotes / 6.84% en tiempo real | 2,703 archivos / 81.69 horas | Resultados de pruebas del producto proporcionados por el evaluador. Fuente de la prueba |
| Sonix Standard, pago por uso | WER de la prueba histórica de entrevista 3.1% | 37 errores de palabras / 1,199 palabras de referencia | Willem Maas, Growth Velocity, 2023-08-08. Prueba original |
| Rev Max AI | WER de la prueba histórica de entrevista 4.8% | 58 errores de palabras / 1,199 palabras de referencia | Willem Maas, Growth Velocity, 2023-08-08. Prueba original |
| Otter Pro | WER de la prueba histórica de entrevista 6.3% | 75 errores de palabras / 1,199 palabras de referencia | Willem Maas, Growth Velocity, 2023-08-08. Prueba original |
Fuente de la prueba del producto AccurateScribe: El alcance de la muestra y las cifras de WER de esta fila fueron proporcionados y confirmados por el evaluador para esta reseña.
En esa prueba de entrevista, Sonix obtuvo una WER inferior a la de Rev y Otter. En tus propias grabaciones, comprueba los nombres, los números, las voces superpuestas y el ruido de fondo, así como cuánta corrección se necesita antes de que la transcripción resulte utilizable.
Cuánto podrían costar al mes 10, 50 y 100 horas de audio
Las siguientes estimaciones aplican las tarifas mensuales publicadas a la transcripción de archivos grabados en inglés para un usuario o editor facturado. Excluyen impuestos, traducción, extras de generación con IA y edición humana. Cada grabación debe cumplir las reglas de archivos y almacenamiento del plan. La tabla muestra estimaciones para combinaciones concretas de planes; los cargos reales dependen de las licencias y opciones contratadas.
| Producto | 10 horas/mes | 50 horas/mes | 100 horas/mes | Base del cálculo |
|---|---|---|---|---|
| AccurateScribe | $19.99 | $19.99 | $19.99 | Plan mensual Unlimited publicado |
| Otter | $16.99 | $30.00 | $30.00 | Pro para 10 horas dentro de sus límites de importación; Business para volúmenes mayores |
| Sonix | $50.00 | $180.00 | $680.00 | Advanced para 10 horas; después, Pro más uso adicional a $10/hora |
| Notta, por licencia facturada | $13.49 | $27.99 | $27.99 | Pro para 10 horas; Business para 50/100 horas, hasta 200 archivos por licencia/mes |
| Descript | $24.00 | $115.00 | $265.00 | Hobbyist para 10 horas; Creator más recargas de contenido multimedia para volúmenes mayores |
| Rev AI | $29.99 | $29.99 | $59.99 | Essentials para 10/50 horas; Pro para 100 horas |
Fuentes: AccurateScribe, Otter, Sonix, Notta, Descript y sus recargas de contenido multimedia, y Rev. Las cifras de Notta son por licencia facturada. Multiplica la tarifa de Business por el número de licencias adquiridas; las cuotas de archivos también se aplican por licencia.
Dos ejemplos muestran cómo funcionan las estimaciones. Sonix Pro con 100 horas cuesta $80 + (100 − 40) × $10 = $680. Descript Creator con 50 horas cuesta $35 + un paquete adicional de 20 horas a $80 = $115. Con 100 horas, añadir paquetes de 50 horas y 20 horas da como resultado $35 + $150 + $80 = $265. La documentación de recargas de Descript indica esos precios de paquetes; se trata de un supuesto basado en Creator, no de una afirmación de que ninguna otra combinación de planes pueda resultar preferible.
Adapta el cálculo a tu patrón de archivos. El límite de 10 importaciones de Otter Pro importa incluso por debajo de su cuota de minutos, y 100 horas consumen toda la cuota de minutos importados de Business. Las suscripciones existentes también cambian la decisión: un paquete adicional de contenido multimedia puede costar menos que adquirir una segunda herramienta. Por último, el precio del software no incluye el tiempo que dedicas a comprobar citas, nombres o la sincronización de los subtítulos.
Los documentos y los subtítulos requieren comprobaciones distintas
Para una entrevista escrita, comprueba si las etiquetas de hablantes, los saltos de párrafo y el texto corregido se conservan al exportar. Para los subtítulos, comprueba el tipo de archivo requerido y reproduce la pista exportada junto con el vídeo. Una transcripción puede leerse bien y aun así necesitar cambios en la sincronización o segmentación de los subtítulos. La presencia de un formato de exportación confirma que la opción existe; no mide la calidad de un resultado concreto.
| Producto | Opciones de exportación de documentos, subtítulos y datos pertinentes aquí |
|---|---|
| AccurateScribe | DOCX, PDF, TXT, SRT, VTT, STL, EDL, XML, CSV, XLSX, HTML, JSON, FCPXML. Opciones del menú de exportación; ayuda sobre formatos habituales. |
| Otter | TXT; los planes de pago añaden DOCX, PDF y SRT. Ayuda |
| Sonix | TXT, DOCX, PDF, SRT, VTT. Ayuda |
| Notta | Las descargas de transcripciones de pago incluyen TXT, DOCX, PDF, SRT y XLSX. Ayuda |
| Descript | TXT, DOCX y otros formatos de texto; subtítulos SRT/VTT. Texto, subtítulos |
| Rev AI | DOCX, PDF, TXT, SRT, VTT. Ayuda |
Rev distingue expresamente entre los archivos de subtítulos exportados desde una transcripción con IA y un pedido independiente de AI Captions. Si los subtítulos son tu entrega final, compara el flujo de subtitulado real en lugar de asumir que todas las vías producen el mismo resultado editable. Guía de formatos de archivo de Rev
¿Qué herramienta deberías probar primero?
Para la transcripción de audio y vídeo, compara la suscripción de precio fijo de AccurateScribe, el modelo de horas incluidas y uso adicional de Sonix, y Notta Pro si tu carga de trabajo se ajusta a su cuota mensual de 30 horas y a sus reglas para archivos. Para reuniones, los candidatos pueden incluir AccurateScribe, Otter y Notta; compara también las funciones de grabación y notas compartidas si forman parte de tu flujo de trabajo. Descript resulta pertinente cuando necesitas editar pódcast o vídeos. Rev añade una opción de servicio humano con precio independiente junto a sus planes de IA.
Después, procesa una grabación representativa con tus dos candidatos más sólidos. Incluye un pasaje con nombres o números, un cambio de hablante y el tipo de sonido de fondo que encuentras habitualmente. Corrige el resultado hasta alcanzar el nivel que necesitas y abre el archivo exportado en la aplicación de destino. Esa tarea completa te dirá más sobre su adecuación que un porcentaje de precisión destacado de forma aislada.
Preguntas frecuentes
¿Qué herramienta de transcripción es la más precisa?
Las pruebas públicas disponibles utilizan grabaciones y métodos de puntuación diferentes, por lo que no establecen un líder en precisión entre estas seis herramientas. Para comparar AccurateScribe con los demás candidatos, prueba la misma grabación representativa y evalúa cada transcripción frente al mismo texto de referencia.
¿Transcripción ilimitada significa que no hay restricciones?
No. Comprueba cómo define el proveedor la cuota, además de la duración y cantidad de archivos, el almacenamiento y el acceso a las exportaciones. Una cuota de reuniones puede diferir de una cuota de importación de archivos, y una vista previa gratuita puede diferir del acceso a una transcripción completa. Estas distinciones pueden cambiar qué plan cubre realmente tu tarea.
¿Se puede utilizar una transcripción directamente como subtítulos?
Solo después de comprobar el formato requerido, la sincronización y la segmentación. Selecciona un plan con la opción de exportación necesaria y revisa los subtítulos resultantes junto con el vídeo. Un documento legible y una pista de subtítulos lista para publicar son entregas diferentes.
Cómo tomar la decisión
Elige los dos servicios que mejor se adapten a tu flujo de trabajo y compáralos con la misma grabación. Comprueba la transcripción, el tiempo de corrección, el archivo exportado y el coste total para tu volumen previsto. La mejor opción es la que produce una entrega aceptable con el menor esfuerzo total y una factura que puedas prever.
Notas de las pruebas y fuentes
La información de los productos y las condiciones de suscripción se comprobaron el 2026-10-17. Los supuestos de costes utilizan las combinaciones de planes y las premisas indicadas anteriormente. Los estudios de rendimiento conservan sus autores, fechas y enlaces originales. Las medianas por archivo, la WER del corpus, los errores semánticos y las medidas de éxito en tareas utilizan métodos de puntuación diferentes y deben interpretarse dentro del alcance de cada estudio.
Lecturas adicionales sobre precisión del reconocimiento y latencia
Precisión según el tipo de grabación
| Métrica de referencia de AccurateScribe | Valor de referencia comunicado en la investigación citada | Alcance de las grabaciones y la puntuación | Autor original, fecha y fuente |
|---|---|---|---|
| Referencia de WER para inglés general | AA-WER 5.2% | Aproximadamente 8 horas / 3 conjuntos de datos; AA-WER v2.0 | Artificial Analysis, instantánea consultada el 2026-10-17. Resultados |
| Referencias de WER para habla clara y conferencias de resultados financieros | 2.50% LibriSpeech; 16.13% Earnings-22; 2.94% SPGISpeech | WER del corpus; muestra de SPGISpeech: 1,200 clips / 3.05 horas | Verli, evaluado el 2026-07-16 / 2026-07-17. Prueba comparativa |
| Referencia de WER para conjuntos de datos mixtos | Promedio macro 10.1% | 8 conjuntos de datos con la misma ponderación; duración total evaluada no especificada | Superwhisper, actualizado el 2026-09-03. Resultados |
| Referencia de WER semántica | Media 1.32%; valor agregado 1.37% | 1,000 muestras; puntuación semántica asistida por LLM, no WER ordinaria basada en ediciones de palabras | Responsables de mantenimiento de Pipecat, instantánea consultada el 2026-10-17. Resultados |
| Referencia de WER del texto confirmado en tiempo real | Aproximadamente 2% | TIMIT; cantidad y duración reales evaluadas no especificadas | Atila Orhon et al., v1, 2025-07-14. Artículo |
Capacidad de procesamiento y latencia en tiempo real
| Métrica / evidencia de AccurateScribe | Duración del audio o alcance de la muestra | Valor comunicado | Definición de la medición del tiempo y fuente |
|---|---|---|---|
| Referencia publicada de capacidad de procesamiento | Audio de 10 minutos | Factor de velocidad 610.0× | Capacidad de procesamiento en una ventana móvil de 7 días en el estudio citado, no tiempo de espera del producto completo. Artificial Analysis, consultado el 2026-10-17. Resultados |
| Tiempo de respuesta de archivos grabados, referencia de investigación | 40 clips cortos; duración total no especificada | Mediana 0.51 segundos; P90 0.96 segundos | Desde la solicitud hasta la transcripción completa; Verli, 2026-07-17. Prueba comparativa |
| Tiempo de respuesta de dictado, referencia de investigación | Clips de 8–15 segundos | Mediana 0.66 segundos | Desde el final del habla hasta el texto terminado; Superwhisper, actualizado el 2026-09-03. Resultados, método |
| Retraso del segmento final en tiempo real, referencia de investigación | 1,000 muestras; duración total no especificada | Mediana 247 ms; P95 298 ms; P99 326 ms | Desde el final del habla hasta el segmento definitivo; responsables de mantenimiento de Pipecat, consultado el 2026-10-17. Resultados |
| Retraso por palabra en tiempo real, referencia de investigación | TIMIT; duración evaluada no especificada | Media provisional 0.83 segundos; texto confirmado aproximadamente 1.7 segundos | Retraso por palabra; Atila Orhon et al., v1, 2025-07-14. Artículo |
Idiomas y habla difícil
| Caso de referencia de investigación de AccurateScribe | Alcance de las grabaciones | Resultado comunicado por el estudio | Autor original, fecha y fuente |
|---|---|---|---|
| Notas de voz en inglés y ruso | 8 muestras conservadas por idioma / 3 ejecuciones; excluidas las muestras de dificultad con dígitos/nombres; smart_format=true; duración total no especificada | WER con idioma explícito: inglés 20.9%, ruso 24.0%; WER en modo multilingüe: inglés 17.9%, ruso 21.5% | Smolevich, ejecuciones de prueba 2026-08. Informe |
| Habla de llamadas bancarias multilingües | 4,270 enunciados / 5.1 horas, 250 llamadas con escenarios guionizados, 5 configuraciones regionales | WER en inglés 5.4%; WER en vietnamita 24.7%; UER macro por configuración regional 32.6% | Andrea Li y Soham Ray, instantánea de 2026-04. Estudio de Sierra |
| Recuperación de valores estructurados | 300 escenarios leídos por personas / 5.59 horas / 85 hablantes | Por lotes: WER 8.2%, CTEM 90.9%, TSR 68.7%; en tiempo real: WER 9.3%, CTEM 88.9%, TSR 61.7% | Tyler Baumgartner et al., investigación financiada por Besimple AI, v2, 2026-09-12. Artículo |
| Habla disártrica | TORGO; 8 hablantes / 732 enunciados; duración evaluada no especificada | WER leve 2.77%; moderada 21.83%; grave 64.00% | Ali Alsayegh y Tariq Masood, v2 revisada el 2026-08-20. Artículo |
Los resultados de las investigaciones citadas no son puntuaciones intercambiables. Pipecat excluye las transcripciones ausentes del denominador de su WER y comunica una tasa de devolución de transcripciones del 99.8%; sus audios y referencias son públicos. Las cifras de la pequeña muestra de Smolevich son las comunicadas por el autor; las notas de voz privadas no son públicas. MU-Bench utiliza transcripciones normalizadas con LLM y la misma ponderación para todas las configuraciones regionales; UER cuenta los enunciados con errores que alteran el significado. Los audios y etiquetas de Sierra son públicos.
Los escenarios de VoiceCodeBench son sintéticos y están leídos por personas, y su WER es independiente del formato. CTEM mide las entidades recuperables; TSR exige que todos los elementos objetivo de un segmento sean recuperables. Los audios y anotaciones y el código de puntuación son públicos. TORGO utiliza la WER media por enunciado limitada al 100%, no la WER agregada. Las ejecuciones de prueba tuvieron lugar el 2025-09-17–18, antes de la revisión de 2026. Verli y Superwhisper publican productos de transcripción, y los autores de WhisperKit desarrollan un sistema competidor.