GUÍA DE LA API DE AUDIO · ACTUALIZADA EL 29 DE SEPTIEMBRE DE 2026
¿Necesitas convertir una grabación en texto, añadir una voz en off a un vídeo o permitir que los clientes hablen con un asistente de IA? El API de audio OpenAI Ofrece a los desarrolladores varias formas de gestionar el reconocimiento de voz, pero cada trabajo utiliza un modelo, una solicitud y una unidad de facturación diferentes.
Empieza por la tarea que quieras completar. A continuación encontrarás los principales puntos finales, las opciones de modelos disponibles actualmente, ejemplos en Python y cálculos de precios. Si tu aplicación también necesita voces, modelos de chat, imágenes o vídeos de otros proveedores, el API GlobalGPT ofrece otra vía: un único punto de acceso a la API con tareas de audio junto a esos servicios.
Respuesta rápida: Utiliza los OpenAI /v1/audio/transcripciones para el habla grabada, /v1/audio/speech para el habla generada, y /v1/audio/traducciones para traducir grabaciones a texto en inglés. Para una conversación oral en tiempo real, elige una sesión de voz en directo. GlobalGPT también ofrece una API para tareas de audio, con su propio catálogo de modelos y formato de solicitud.
En esta página
¿Qué es la API de audio OpenAI?
La API de audio OpenAI es un conjunto de interfaces para desarrolladores destinadas al procesamiento y la generación de voz. Tu aplicación envía texto o audio a OpenAI, selecciona un modelo y recibe a cambio audio hablado o texto. Puede utilizarse en una aplicación de transcripción, un artículo narrado, una herramienta de subtítulos o en las funciones de voz de un asistente más amplio.
OpenAI Referencia de la API de audio distingue entre la generación de voz, la transcripción y la traducción. Se trata de componentes básicos muy útiles: la transcripción obtiene palabras a partir de una grabación; un modelo de texto independiente puede convertir esas palabras en un resumen, y un modelo de voz puede leer el resumen en voz alta.
Tres solicitudes, tres resultados distintos
Grabación → transcripción
Entrevista, reunión, conferencia o nota de voz
/audio/transcripciones
Guión → audio hablado
Narración, audio de accesibilidad o respuesta de una aplicación
/audio/voz
Grabación en lengua extranjera → Texto en inglés
Una traducción al inglés de un discurso grabado
/audio/traducciones
ChatGPT es una aplicación que puedes utilizar directamente; la API te permite añadir modelos a tu propia aplicación. Si solo quieres interactuar con ChatGPT, empieza por ChatGPT Acceso por voz y límites. Un proyecto de API requiere su propio presupuesto para la puesta en marcha y el uso.
¿Qué terminal de audio y qué modelo deberías utilizar?
Elige el tipo de resultado que necesite tu aplicación. Un archivo de subtítulos, una transcripción con indicaciones de quién habla y una conversación en directo son productos finales distintos, aunque los tres empiecen con alguien hablando.
La corriente Guía de transcripción de archivos recomienda gpt-transcribe para grabaciones normales. Para la transcripción de un podcast, empieza por ahí. Si necesitas marcas de tiempo por palabra o formatos de subtítulos, consulta las opciones específicas de cada modelo antes de elegir uno; la compatibilidad varía.
Fecha de migración que hay que tener en cuenta: Listas de OpenAI susurro-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, y gpt-4o-transcribe-diarize para la retirada de la API el 26 de febrero de 2027. Las integraciones existentes de traducción, subtitulado y diarización deben seguir las orientaciones oficiales sobre la obsolescencia en lugar de dar por sentado que un nuevo modelo acepta todos los parámetros antiguos.
El discurso en streaming es diferente de una conversación en directo
La reproducción en streaming de «texto a voz» comienza a reproducir una respuesta antes de que termine de generarse todo el archivo de audio. Por sí sola, no permite que tu aplicación detecte una interrupción del usuario ni gestione una llamada en curso. Del mismo modo, la reproducción en streaming de una transcripción a partir de un archivo completo no establece una sesión de micrófono en directo.
Para una nueva aplicación de voz conversacional, OpenAI’s audio y audioguía apunta a GPT-Live. Su modelo de voz se encarga de la conversación, mientras que un agente del backend realiza búsquedas o utiliza herramientas. La API en tiempo real sigue siendo una opción independiente cuando se necesita su modelo de sesión y de herramientas.
Cómo utilizar la API de audio OpenAI
Para los ejemplos que se muestran a continuación, crea un proyecto de API OpenAI, configura la facturación de la API y guarda tu clave en el OPENAI_API_KEY variable de entorno en tu servidor o en tu equipo de desarrollo local. Instala el SDK de Python con pip install openai. No incluyas una clave API permanente en una página web pública ni en el paquete de una aplicación móvil.
Empieza con un archivo o un script breve para que puedas comprobar la respuesta antes de añadir la solicitud a tu aplicación.
1. Transcribir una grabación
Guardar una grabación como reunión.mp3, y a continuación ejecuta este script desde la misma carpeta. El resultado devuelto texto Es la transcripción, no un resumen de la reunión ni una lista de medidas a tomar.
from openai import OpenAI
client = OpenAI()
with open("meeting.mp3", "rb") as audio_file:
transcript = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(transcript.text)En el caso de los nombres de productos o el vocabulario específico del sector, proporciona un contexto relevante en lugar de esperar que el modelo adivine la ortografía. La guía de transcripción actual admite consulte, además de sugerencias de palabras clave y de idioma específicas para cada modelo. Prueba esas opciones con una pequeña muestra de las grabaciones que gestiona realmente tu aplicación.
Si tu material de origen es una demo grabada o un vídeo de entrevista, nuestra guía sobre transcribir el audio de un vídeo explica cómo preparar los materiales y los pasos que hay que seguir desde que se obtiene una transcripción hasta que se elabora un resumen útil.
2. Convertir un guion en audio hablado
Elige un formato de voz compatible y describe cómo se reproduce. En este ejemplo se guarda un archivo MP3 en tu ordenador; no se reproduce automáticamente.
from pathlib import Path
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="El resumen de tu reunión está listo. Estos son los siguientes pasos.",
instructions="Utiliza un tono tranquilo y claro, y un ritmo mesurado.",
) as response:
response.stream_to_file(Path("narration.mp3"))En Guía de conversión de texto a voz Controles de tono, velocidad, entonación y otras opciones de reproducción. El formato MP3 es el predeterminado; otros formatos compatibles son WAV, PCM, Opus, AAC y FLAC. Las opciones de voz dependen del modelo. El OpenAI también exige que se indique claramente que la voz ha sido generada por IA.
Si solo vas a hacer narraciones de vez en cuando, quizá prefieras utilizar una herramienta del navegador en lugar de escribir código. Nuestra guía sobre herramientas y flujos de trabajo de conversión de texto a voz aborda ese tema, incluyendo lo que hay que comprobar antes de exportar una locución.
3. Traducir el discurso grabado a texto en inglés
El punto final de traducción utiliza susurro-1 y genera texto en inglés. En el caso de una integración ya existente, la solicitud tiene este aspecto. Ten en cuenta la retirada prevista para febrero de 2027 antes de crear una nueva dependencia a largo plazo de la misma.
from openai import OpenAI
client = OpenAI()
with open("interview.mp3", "rb") as audio_file:
translation = client.audio.translations.create(
model="whisper-1",
file=audio_file,
)
print(translation.text)Esta solicitud no genera audio doblado al inglés. El doblaje requiere pasos adicionales, como la generación de voz y, dependiendo del proyecto, la sincronización y la alineación del vídeo. Para traducir a otro idioma de destino, utiliza un método de traducción que admita explícitamente ese idioma.
¿Cuánto cuesta la API de audio OpenAI?
No hay un precio único para la API de audio. La transcripción de archivos, la generación de voz y las sesiones en directo utilizan diferentes unidades de facturación. Las cifras que se muestran a continuación proceden de Precios de la API de OpenAI, consultado el 29 de septiembre de 2026. Se trata de tarifas OpenAI, distintas de los precios GlobalGPT.
Las filas de transcripción utilizan los datos publicados por OpenAI coste estimado Cifras. El ejemplo del token TTS es una ilustración aritmética basada en dos totales de uso especificados; no es una predicción de que un script vaya a generar el mismo número de tokens de entrada y de salida. Los caracteres, los tokens de texto y los tokens de audio son unidades diferentes.
Un presupuesto de transcripción de 1.000 minutos
Unas 16 horas y 40 minutos de audio, según las estimaciones por minuto publicadas por OpenAI.
Archivos grabados · gpt-transcribe · ≈ $4.50
Transcripción en directo · gpt-live-transcribe · ≈ $17.00
Para hacer un presupuesto realista de un proyecto, hay que tener en cuenta también el trabajo posterior a la transcripción. Un asistente de reuniones puede necesitar una transcripción, un resumen, las acciones a realizar y la reproducción de la grabación. Cada llamada del modelo puede influir en el coste final. Además, un agente de atención telefónica puede utilizar herramientas de búsqueda u otras herramientas mientras la conversación sigue su curso.
En el caso concreto de GPT-Live, el página de precios de los modelos Separa la duración de la sesión de los costes del modelo de backend y de las herramientas. Una llamada de una hora que cuesta $3 en concepto de sesión de voz no supone necesariamente un coste total de la aplicación de $3.
GlobalGPT también cuenta con una API para audio, chat, imágenes y vídeo
Si el audio forma parte de un producto más amplio, el GlobalGPT ofrece una opción muy útil. Su Descripción general de la API documenta un punto de entrada común para varias categorías de modelos: las solicitudes de chat utilizan /v1/chat/completions o /v1/respuestas, mientras que la generación de imágenes, vídeos y audio utiliza /v1/tareas.
Por ejemplo, una aplicación de contenidos podría redactar un guion con un modelo de chat, crear una pista de narración, generar una ilustración y producir un vídeo corto. Cuando creación de un flujo de trabajo multimodelo, asignar a cada modelo una tarea bien definida y transmitir los resultados revisados entre los distintos pasos.
El público de GlobalGPT catálogo de modelos de audio Incluye Eleven v3, Eleven Multilingual v2, Qwen Audio 3.0 y Seed Audio 1.0 para la creación de contenidos relacionados con el habla, además de Scribe y AI Note Taker para tareas de transcripción. Consulta el catálogo de API de la cuenta para ver los modelos específicos disponibles para tu integración.
En el caso de guiones más largos, el Reseña de Eleven Multilingual v2 aborda la narración, el apoyo lingüístico y en qué se diferencia de otros modelos ElevenLabs.
Para audios creativos que incluyan voz y sonido ambiental, Guía de voces y efectos de sonido de Seed Audio va más allá de la simple lectura en voz alta de un texto. Elige en función del tipo de audio que necesites ofrecer.
Cómo empezar a utilizar la API GlobalGPT
- Abre el área de la API GlobalGPT y crea una clave en API → Claves de API → Crear clave. Guárdalo de forma segura cuando aparezca en pantalla.
- Consulta el catálogo de modelos para encontrar el número de referencia y el precio del modelo que necesitas para la tarea en cuestión.
- Utiliza los parámetros documentados del modelo seleccionado. Sigue el formato de solicitud de tareas de audio para
/v1/tareas, en lugar de pegar un OpenAI/audio/vozcarga útil sin cambios. - Empieza con una muestra breve. Comprueba el audio obtenido, el estado de finalización y el consumo facturado antes de procesar un lote más grande.
La URL base de la API que figura en la documentación es https://api2.glbgpt.com/ai-api/open/v1. Esta solicitud de catálogo de solo lectura es el punto de partida una vez que hayas guardado tu clave en GLOBALGPT_API_KEY:
curl "https://api2.glbgpt.com/ai-api/open/v1/models" \
-H "Authorization: Bearer $GLOBALGPT_API_KEY"Utiliza el precio asociado al modelo que selecciones realmente. El precio de la suscripción al sitio web GlobalGPT, un saldo acreedor y la tarifa por minuto OpenAI no son estimaciones intercambiables para la misma solicitud.
Límite de integración: GlobalGPT ofrece su propia API de audio. Su documentación pública no indica que sea compatible con los puntos finales de audio nativos de OpenAI, las sesiones de GPT-Live ni todos los modelos de voz de OpenAI. Si tu aplicación actual depende de alguna de estas funciones, comprueba ese requisito específico antes de cambiar de proveedor.
Errores habituales en la API de audio y cómo evitarlos
Antes de decidirte por la calidad de la voz, prueba una breve muestra que incluya tu vocabulario real: nombres de productos, números, abreviaturas y los idiomas que hablan tus usuarios. En el caso de la transcripción, revisa las palabras y la asignación de los hablantes. En el caso de la narración, presta atención a la pronunciación, las pausas, el ritmo y si el tono deseado se mantiene a lo largo de un párrafo más extenso.
Utiliza grabaciones para las que tengas permiso para procesarlas, guarda las claves en un servidor de confianza y revisa las condiciones relativas a los datos del servicio que reciba tu audio. En el caso de un producto destinado a los clientes, incluye en la interfaz la información relativa a las grabaciones y a las voces generadas por IA.
¿Qué ruta de la API deberías elegir?
Selecciona directamente OpenAI cuando tu aplicación necesite un modelo de voz OpenAI específico, una opción de transcripción documentada o una sesión de voz en directo nativa. Empieza por el modelo más adecuado para la tarea y diseña la aplicación teniendo en cuenta sus reglas reales de solicitud y facturación.
Toma como ejemplo GlobalGPT cuando tu producto combine funciones de audio con modelos de varios proveedores, o cuando quieras explorar la generación de voz junto con el chat, las imágenes y el vídeo. Empieza por el catálogo de API, selecciona un modelo disponible y comprueba que funciona con una tarea sencilla antes de ampliar la escala.
La música, la narración y la transcripción requieren la elección de modelos distintos. Nuestra comparación sobre Elección de un modelo de audio en función de la tarea Ayuda a diferenciar entre la generación de canciones, la narración hablada y las escenas de audio más complejas.
Para una sola grabación de voz o una transcripción de una reunión, puede que baste con una herramienta web. Una API resulta útil cuando tu propia aplicación debe ejecutar la tarea de forma repetida, pasar los resultados a otro paso o facilitar el resultado a tus usuarios.
Preguntas frecuentes
¿La API de audio OpenAI es un único modelo?
No. Se trata de un conjunto de interfaces de audio. La generación de voz, la transcripción de archivos y la traducción de archivos utilizan diferentes puntos finales y opciones de modelos. GPT-Live y Realtime añaden opciones independientes basadas en sesiones para aplicaciones de audio en directo.
¿Puede la API de audio OpenAI convertir texto en voz?
Sí. El punto final de voz acepta texto, un modelo y una voz, y devuelve audio. Con gpt-4o-mini-tts, también puedes proporcionar instrucciones sobre la interpretación, como el tono y el ritmo. El formato de salida predeterminado es MP3.
¿Qué modelo debería utilizar para una nueva aplicación de transcripción?
La guía de transcripción de archivos actual de OpenAI recomienda utilizar gpt-transcribe para el habla grabada en general. Consulta por separado los requisitos específicos, como las marcas de tiempo de las palabras, los formatos de subtítulos o las etiquetas de los hablantes, ya que la compatibilidad varía según el modelo.
¿Van a retirar Whisper?
OpenAI anuncia que su modelo de API «Whisper-1» alojado dejará de estar disponible el 26 de febrero de 2027, junto con tres modelos de transcripción GPT-4o más antiguos. Se trata de la retirada de un modelo de API, no de un comunicado en el que se anuncie que todo el software Whisper o todos los servicios de audio de OpenAI vayan a dejar de funcionar.
¿La traducción de audio devuelve audio hablado?
No. El punto final de traducción de archivos devuelve texto en inglés a partir del habla grabada. Para generar voz traducida, necesitas un paso adicional de generación de voz o un servicio específico de traducción de voz.
¿Puedo utilizar la API de audio para un asistente de voz en directo?
Se pueden combinar la transcripción, un modelo de texto y la generación de voz en un asistente de voz, pero la gestión de turnos en tiempo real requiere un diseño adicional. OpenAI recomienda GPT-Live como punto de partida para nuevas aplicaciones de voz conversacionales; además, documenta una API en tiempo real independiente.
¿Cuenta GlobalGPT con una API de audio?
Sí. La descripción general de la API de GlobalGPT detalla la generación de audio a través de su punto final de tareas, además de la generación de imágenes y vídeos. Su punto final de modelos muestra los identificadores y los precios de los modelos. Comprueba la disponibilidad y los parámetros del modelo elegido antes de enviar una solicitud.
¿Es la API de audio de GlobalGPT idéntica a la de OpenAI?
En ellos se describen diferentes rutas de audio: OpenAI ofrece puntos finales de audio específicos, mientras que GlobalGPT canaliza la generación de audio a través de su API de tareas. Utiliza los identificadores de modelo y los campos de solicitud del proveedor seleccionado; la compatibilidad de los puntos finales de OpenAI y la compatibilidad con voz en directo deben verificarse por separado.
Incorporar funciones de audio en una aplicación de IA más amplia
Explora la API de GlobalGPT para tareas relacionadas con el audio, el chat, las imágenes y el vídeo. Consulta el catálogo de modelos y las tarifas, y empieza por la tarea que más necesiten tus usuarios.
