AssemblyAI

AssemblyAI es una API de conversión de voz a texto alojada en la nube, creada por AssemblyAI, Inc., fundada en San Francisco en 2017. Está dirigida a desarrolladores de software que necesitan añadir procesamiento de voz a sus aplicaciones sin tener que gestionar infraestructura de GPU, actualizaciones de modelos o escalado de canales (pipelines). La plataforma procesa más de 40 terabytes de audio al día y gestiona 840 millones de llamadas a la API al mes, lo que la convierte en uno de los servicios de transcripción gestionados más utilizados. A diferencia de las herramientas de transcripción para consumidores, AssemblyAI no tiene una interfaz de apuntar y hacer clic: envías el audio y la API devuelve texto estructurado y metadatos.

La línea actual de modelos abarca desde Universal-2 ($0.15/hr) para cargas de trabajo por lotes sensibles a los costos, hasta Universal-3 Pro ($0.21/hr) para la transcripción pregrabada de mayor precisión, y Universal-3 Pro Streaming ($0.45/hr) para aplicaciones de agentes de voz en tiempo real. Además de la transcripción principal, la plataforma ofrece diarización de hablantes, análisis de sentimiento, detección de entidades, redacción de PII, moderación de contenido y Auto-Chapters. El marco de trabajo LeMUR, lanzado en julio de 2023, aplica Claude o GPT-4 a las transcripciones en una sola llamada a la API, procesando hasta 10 horas de audio (~150K tokens) para resúmenes, preguntas y respuestas (Q&A) y entrenamiento con IA sin que los desarrolladores tengan que construir sus propios canales de LLM.

Lo que AssemblyAI realmente hace en abril de 2026

La pila de modelos de AssemblyAI abarca ahora cinco opciones distintas dependiendo de si la carga de trabajo es pregrabada o en tiempo real. Universal-3 Pro es el modelo por lotes insignia, con una tasa de error de palabras (WER) del 5.93% y soporte para 99 idiomas, incluyendo el cambio de código automático (code-switching). Universal-2, el lanzamiento de octubre de 2024 que reemplazó a Universal-1, ofrece una precisión de palabras del 93.32% con mejoras notables en nombres propios (24% mejor que Universal-1), alfanuméricos (21% mejor) y formato de texto (15% mejor). Estos son los números que importan para el uso real en producción: el software de los centros de llamadas falla cuando los números de teléfono y los códigos de seguros son incorrectos, no cuando el WER se desvía un 0.5% en un conjunto de datos de referencia.

Para las cargas de trabajo en tiempo real, Universal-Streaming y Universal-3 Pro Streaming utilizan conexiones WebSocket con una latencia de extremo a extremo inferior a 200ms. Una decisión de ingeniería clave: el streaming de AssemblyAI ofrece transcripciones inmutables, lo que significa que una vez que se devuelve una palabra, no se revisa. Las API de streaming de la competencia a menudo envían "parciales" que se corrigen a medida que se acumula el contexto, creando problemas de gestión de estado para las aplicaciones de agentes de voz. El enfoque inmutable permite a los agentes procesar y actuar sobre el habla transcrita mientras el usuario sigue hablando.

La pila de inteligencia se sitúa por encima de la transcripción. LeMUR envuelve un canal que combina segmentación inteligente, una base de datos vectorial y prompting de cadena de pensamiento (chain-of-thought), permitiendo que una sola llamada a la API ejecute preguntas y respuestas o genere resúmenes a lo largo de horas de audio. La diarización de hablantes separa a múltiples interlocutores en un archivo. El complemento Medical Mode cumple con la normativa HIPAA y está optimizado para vocabulario clínico. La redacción de PII cubre 15 tipos de datos confidenciales en más de 50 idiomas.

"LeMUR funciona increíblemente bien desde el primer momento. Nos permitió centrarnos en el producto en lugar de en la infraestructura." -- Alexander Kvamme, cofundador y CEO de Pathlight, julio de 2023

Dónde se sitúa AssemblyAI frente a Deepgram y Whisper

Los dos competidores más relevantes son Deepgram (una API gestionada similar) y OpenAI Whisper (de código abierto, autoalojado). Difieren en el modelo de costos, la profundidad de las funciones y la complejidad operativa de maneras que son importantes para la decisión de compra.

AssemblyAI vs. Deepgram Nova-3: Ambas son API gestionadas dirigidas a desarrolladores. Las cifras de precisión son cercanas pero controvertidas. Los propios puntos de referencia de AssemblyAI sitúan a Universal-3 Pro en un 5.93% de WER frente al 7.9% de Deepgram Nova-3; los puntos de referencia de Deepgram afirman lo contrario. Lo que está más claro es la latencia: en los puntos de referencia del lanzamiento de Universal-Streaming en junio de 2025, AssemblyAI reportó una latencia media de 307ms frente a los 516ms de Deepgram Nova-3, y un 73% menos de salidas de ruido falso. El modelo de precios es un verdadero diferenciador: Deepgram suele requerir compromisos de contrato y mínimos de gasto para cuentas de producción, mientras que AssemblyAI es totalmente de pago por uso (pay-as-you-go) sin mínimos. En cuanto a la inteligencia de audio, la brecha es mayor: LeMUR de AssemblyAI proporciona un canal de LLM integrado sobre las transcripciones; Deepgram requiere que los desarrolladores conecten el suyo propio. La transcripción mediante prompts (instrucciones de contexto en lenguaje natural que mejoran la precisión para audio de dominios específicos) está disponible en AssemblyAI; Deepgram no ofrece esta función a partir de 2026.

AssemblyAI vs. OpenAI Whisper: Whisper es un transformador codificador-decodificador de código abierto lanzado por OpenAI bajo licencia MIT. La propuesta de valor principal es el costo: autoalojar Whisper en tu propia GPU tiene un costo de cero por hora de audio después de la infraestructura. La API de Whisper alojada por OpenAI cobra $0.36/hr. AssemblyAI cobra $0.15/hr por Universal-2 o $0.21/hr por Universal-3 Pro, más barato que Whisper alojado pero no más barato que el autoalojado. La brecha arquitectónica es importante para las funciones: Whisper por sí solo no tiene diarización de hablantes, ni streaming, ni redacción de PII, ni funciones de inteligencia de audio, y tiene tasas de alucinación aproximadamente un 30% más altas que los modelos Universal en audio de producción (según los puntos de referencia de AssemblyAI). Los casos de uso en tiempo real están mal atendidos por Whisper, que procesa el audio en fragmentos en lugar de un verdadero streaming. La cuestión práctica es el costo de ingeniería: autoalojar Whisper requiere gestión de GPU, sistemas de colas y actualizaciones continuas de modelos. Los equipos que desean lanzar una función de voz en un sprint en lugar de en un trimestre suelen pagar la tarifa por hora de AssemblyAI. Los equipos que procesan millones de horas al mes a menudo encuentran que Whisper autoalojado es más barato una vez que se amortiza la infraestructura.

"Su transcripción y diarización están a otro nivel. Casi nunca necesito editar las transcripciones, lo cual es raro con este tipo de herramientas." -- Reseña en G2, 2025

Cómo es la realidad del flujo de trabajo de la API

Para la transcripción asíncrona (pregrabada), el flujo de trabajo consta de tres pasos: subir el audio a AssemblyAI o pasar una URL, consultar el ID de la transcripción y recuperar la respuesta JSON estructurada que contiene la transcripción, las marcas de tiempo a nivel de palabra, las etiquetas de los hablantes y cualquier resultado de inteligencia. Existen SDK para Python, Node.js, Go, Java y Ruby. La documentación es exhaustiva y cuenta con entornos de prueba interactivos (playgrounds), razón por la cual AssemblyAI obtuvo la insignia de "Líder" en G2 en el informe Voice Recognition Grid de otoño de 2025.

Para el streaming en tiempo real, los desarrolladores abren una conexión WebSocket y transmiten fragmentos de audio. La API devuelve tokens de transcripción finalizados a medida que llegan. La actualización del producto de octubre de 2025 añadió el "Intelligent Model Fallback" (Respaldo de Modelo Inteligente), permitiendo a los desarrolladores especificar múltiples modelos en orden de prioridad: la API utiliza el modelo de mayor precisión que soporte el idioma detectado, recurriendo a los demás automáticamente. Esto es importante para productos multilingües donde un archivo de audio puede cambiar de idioma a mitad de la conversación.

Un incidente específico que vale la pena destacar: cuando AssemblyAI lanzó Universal-2 a finales de octubre de 2024, redujo simultáneamente el precio base de transcripción en un 43%, de $0.37/hr a $0.15/hr para el nuevo modelo. La publicación del blog del 31 de octubre de 2024, "Beyond Word Error Rate: Universal-2 Delivers Accuracy Where It Matters", enmarcó el lanzamiento en torno a categorías de precisión críticas para la producción en lugar del WER agregado, lo que supuso un notable cambio de posicionamiento: el mensaje era que acertar con los nombres propios y los números de teléfono importa más para un centro de llamadas que una mejora de medio punto porcentual en el WER general. Ese enfoque resonó entre los clientes empresariales de Calabrio y Siro, que informaron de resultados comerciales significativos tras implementar Universal-2.

Para quién está diseñado AssemblyAI

El encaje más claro es para los equipos de desarrolladores que integran funciones de voz en productos SaaS: inteligencia conversacional para centros de llamadas, plataformas de podcasts, documentación médica, resumen de reuniones y, cada vez más, aplicaciones de agentes de voz utilizando marcos de trabajo como LiveKit y Pipecat. La capa LeMUR es particularmente valiosa para los equipos que desean evitar la construcción de sus propios canales de transcripción a LLM. El cumplimiento de SOC2 Tipo II y HIPAA cubre los casos de uso de servicios financieros y de salud, donde los requisitos de manejo de datos requerirían de otro modo una infraestructura personalizada significativa.

Las startups obtienen $50 en créditos gratuitos para crear prototipos sin necesidad de tarjeta de crédito. El modelo de pago por uso escala sin compromisos mínimos, lo cual es significativo para los equipos en etapas iniciales que no están seguros del volumen. Los clientes empresariales obtienen precios personalizados, límites de concurrencia más altos y SLA dedicados una vez que el uso justifica la conversación con el equipo de ventas.

La actualización de octubre de 2025 también introdujo un LLM Gateway que consolida la conversión de voz a texto, la comprensión del habla y la inferencia de LLM en una sola plataforma con facturación unificada, dirigida a equipos que desean reducir la cantidad de proveedores de API y simplificar los canales de datos.

Lo que AssemblyAI no es

AssemblyAI no es un producto para el consumidor final. No hay una interfaz web donde un usuario sin conocimientos técnicos pueda subir un archivo de audio y descargar una transcripción. Ese caso de uso pertenece a herramientas como Otter.ai, Rev o Descript. Cualquiera que se describa a sí mismo como "no desarrollador" debería buscar en otra parte.

No es la opción más barata a escala masiva. A más de 100,000 horas de audio al mes, autoalojar Whisper en hardware de GPU dedicado suele ser más barato que pagar por hora. Los equipos con ese volumen deberían hacer los cálculos: el costo de ingeniería del mantenimiento de la infraestructura puede superar fácilmente los ahorros en costos de la API, pero también puede ocurrir lo contrario una vez que se cuenta con un equipo de plataforma.

Aún no es una plataforma de inteligencia multilingüe con todas las funciones. La transcripción en 99 idiomas es real, pero LeMUR, Auto-Chapters, el análisis de sentimiento, la detección de entidades y la mayoría de las funciones de inteligencia dominan en inglés. Construir una IA para centros de llamadas en español o portugués se topa rápidamente con estas carencias.

No es una plataforma de ajuste fino (fine-tuning). Los equipos con vocabulario muy específico de su dominio (términos médicos raros, nombres de productos patentados, jerga de la industria) pueden utilizar Keyterms Prompting para mejorar el reconocimiento, pero no hay entrenamiento de modelos personalizados. Deepgram ofrece motores ajustados al dominio para ciertas verticales; AssemblyAI confía en la capacidad lista para usar de su modelo Universal.