La migliore API speech-to-text dipende dal fatto che l'audio arrivi in tempo reale o come file completato, dalle lingue e dagli accenti contenuti e dalla necessità di etichette per i parlanti o timestamp per le parole. Deepgram e AssemblyAI documentano prodotti per lo streaming, mentre il modello deprecato whisper-1 elabora audio registrato. OpenAI ha programmato la chiusura di whisper-1 per il 26 febbraio 2027; le nuove integrazioni dovrebbero valutare i sostituti consigliati piuttosto che iniziare con questo endpoint legacy.
Le migliori API Speech-to-Text per sviluppatori: 11 servizi a confronto
Confronta 11 API speech-to-text in base al supporto per elaborazione batch e streaming, condizioni di prezzo, copertura linguistica, diarizzazione e requisiti di integrazione per sviluppatori.

Use this pattern
Make the first API call.
from openai import OpenAI
import os
client = OpenAI(
base_url="https://gptproto.com/v1",
api_key=os.environ["GPTPROTO_API_KEY"],
)
completion = client.chat.completions.create(
model="gpt-6.2-sol",
messages=[
{
"role": "user",
"content": "Who are you?"
}
]
)
print(completion.choices[0].message.content)Punti chiave
Vengono confrontati undici servizi senza pretendere di fornire una classifica di precisione o latenza misurata in modo indipendente.
whisper-1 è un modello batch deprecato quotato a $0,006/minuto fino alla sua chiusura programmata per il 26 febbraio 2027; non è un modello per lo streaming in tempo reale.
Crediti di prova, franchigie per browser, quote gratuite ricorrenti e utilizzo API a pagamento sono offerte differenti.
Il numero di lingue è specifico per modello e funzionalità e può includere varianti regionali.
Una chiave API condivisa non stabilisce protocolli di streaming o schemi di risposta identici tra tutti i provider.
Come sono state confrontate queste opzioni
Questo confronto utilizza la documentazione ufficiale dei modelli, le schede dei modelli, i prezzi pubblicati e le informazioni sul ciclo di vita verificate il 6 novembre 2026 (UTC). La selezione è organizzata in base al carico di lavoro e ai requisiti di distribuzione, non a una classifica delle prestazioni misurata in modo indipendente. I limiti pubblicati descrivono il modello o il checkpoint citato; le piattaforme di hosting potrebbero imporre limiti diversi. Non vengono rivendicate misurazioni private di precisione, latenza o successo delle attività.
Confronto tra API Speech-to-Text
| Provider | Modalità / ambito | Credito gratuito o ambito di prova | Carico di lavoro da valutare |
|---|---|---|---|
| Deepgram | Batch e streaming; specifico per modello | 200 $ di crediti all'iscrizione | Trascrizione vocale in tempo reale e conversazionale |
| AssemblyAI | Pre-registrato e streaming; funzionalità separate | Le ore massime pubblicizzate variano in base alla modalità | Note di riunioni e pipeline di comprensione del parlato |
| OpenAI whisper-1 | Trascrizione legacy di file registrati; chiusura prevista per il 26 febbraio 2027 | Nessuna quota audio gratuita ricorrente pubblicata | Trascrizione batch multilingue |
| Google Cloud Speech-to-Text | Sincrono, asincrono, streaming; specifico per versione | V1 Standard: 60 minuti/mese; crediti di prova idonei separati | Pipeline vocali Google Cloud |
| Amazon Transcribe | Batch e streaming; funzionalità specifiche per località | 60 minuti/mese per 12 mesi in base all'idoneità applicabile | Applicazioni AWS e contact center |
| Microsoft Azure Speech | Opzioni in tempo reale, veloci e batch; specifiche per piano | F0: 5 ore audio/mese per il riconoscimento in tempo reale | Speech aziendale su stack Microsoft |
| ElevenLabs Scribe | Batch e Realtime sono modelli/interfacce separati | Credito specifico per API; verificare i crediti attuali e i termini di fatturazione | Prodotti combinati di generazione e riconoscimento vocale |
| Gladia | Asincrono e in tempo reale | 50 € di crediti di prova | Trascrizione multilingue e in lingua mista |
| Speechmatics | Audio registrato e in tempo reale; specifico per motore | 100 $ di crediti all'iscrizione | Valutazione sensibile ad accento, multilinguismo e distribuzione |
| Rev AI | Audio registrato e offerte di streaming separate | Crediti equivalenti a 5 ore di Reverb ASR | Audio registrato con flussi di lavoro opzionali di trascrizione umana |
| IBM Watson Speech to Text | Streaming e audio registrato; specifico per modello | Lite: 500 minuti/mese | Distribuzioni IBM esistenti e personalizzazione del dominio |
I crediti di iscrizione e le ore gratuite massime pubblicizzate non sono quote mensili ricorrenti, a meno che non sia esplicitamente indicato. Le offerte gratuite e le condizioni di supporto sono state verificate il 6 novembre 2026 (UTC). Lingue, timestamp, diarizzazione e funzionalità di analisi extra richiedono una convalida a livello di modello.
Le 11 API Speech-to-Text, in base ai requisiti dello sviluppatore
1. Deepgram — Trascrizione vocale in tempo reale e conversazionale
Deepgram separa i modelli di trascrizione Nova dal riconoscimento vocale conversazionale Flux. Flux aggiunge un comportamento orientato al turno rilevante per gli agenti vocali, mentre Nova è una scelta di modello separata. La pagina dei prezzi mostra le tariffe al minuto specifiche per modello, modalità e piano, incluse le cifre promozionali e regolari. Il credito iniziale di 200 $ è un saldo di prova, non una quota mensile. Non viene fatta alcuna pretesa indipendente di latenza più rapida o WER più basso. (Fonte: Prezzi della trascrizione Deepgram).
2. AssemblyAI — Note di riunione e pipeline di comprensione del parlato
AssemblyAI combina la trascrizione con funzionalità opzionali di comprensione del parlato. La scelta del modello determina la copertura linguistica; la copertura di 99 lingue di Universal-2 non deve essere estesa a ogni modello di streaming. Il suo piano gratuito pubblicizza fino a 185 ore pre-registrate e fino a 333 ore in streaming, che rappresentano offerte massime piuttosto che un rinnovo mensile ricorrente dichiarato. La diarizzazione, i riepiloghi, la redazione e altre funzionalità richiedono verifiche specifiche di compatibilità e fatturazione. (Fonte: Prezzi della trascrizione AssemblyAI).
3. OpenAI whisper-1 — Trascrizione batch legacy e migrazione
Il modello ospitato whisper-1 è quotato a $0,006 al minuto ma è deprecato, con chiusura programmata per il 26 febbraio 2027. OpenAI consiglia gpt-live-transcribe o gpt-transcribe come sostituti. Lo stesso avviso di chiusura copre i modelli GPT-4o Transcribe; i checkpoint di Whisper ospitati autonomamente sono una scelta di distribuzione separata. Consulta l'avviso di deprecazione della trascrizione di OpenAI. La guida alle API elenca 98 lingue supportate, con una precisione che varia a seconda della lingua. Un benchmark per Whisper Large v3 non stabilisce il WER dell'endpoint whisper-1 ospitato. Le API di trascrizione o in tempo reale più recenti non devono essere descritte come funzionalità di whisper-1 stesso. (Fonte: Specifiche di trascrizione OpenAI whisper-1).
4. Google Cloud Speech-to-Text — Pipeline vocali di Google Cloud
Google offre diverse versioni di riconoscimento, modelli, regioni e modalità di elaborazione. La franchigia V1 pubblicata non si applica automaticamente alla V2. Il livello di volume iniziale Standard V2 elenca $0,016 al minuto, mentre le modalità batch dinamiche e di consumo scontato hanno tariffe diverse. Le 125 lingue e varianti a livello di servizio non garantiscono che ogni modello supporti ogni impostazione locale o funzionalità. (Fonte: Prezzi di Google Cloud Speech-to-Text).
5. Amazon Transcribe — Applicazioni AWS e contact center
Amazon Transcribe si integra con i servizi di archiviazione, identità e contact center di AWS. La trascrizione generale, quella medica e le funzionalità specializzate hanno ambiti e prezzi diversi. L'offerta gratuita inizia con la prima richiesta e dipende dall'idoneità e dai termini AWS. L'idoneità HIPAA non stabilisce che un'applicazione cliente sia conforme: la configurazione del servizio, gli accordi, i controlli di accesso e il flusso di dati previsto rimangono fondamentali. (Fonte: Prezzi di Amazon Transcribe).
6. Microsoft Azure Speech — Riconoscimento vocale aziendale su stack Microsoft
La franchigia F0 gratuita di Azure copre il riconoscimento Standard e Personalizzato in tempo reale, non la trascrizione batch. L'impostazione locale, la regione, il supporto per modelli personalizzati e la configurazione di rete influenzano l'implementazione. La matrice linguistica include varianti regionali e limitazioni specifiche per funzionalità. Documentazione di Azure sulle opzioni di personalizzazione vocale; qualsiasi guadagno di precisione su vocabolari specialistici deve essere misurato utilizzando audio rappresentativo e trascrizioni di riferimento. (Fonte: Prezzi di Azure Speech).
7. ElevenLabs Scribe — Prodotti combinati di generazione e riconoscimento vocale
L'attuale pagina dei prezzi dell'API pubblicizza oltre 90 lingue per Scribe v2 e Scribe v2 Realtime; verifica l'elenco delle lingue e il supporto delle funzionalità del modello selezionato. Indica $0,22 all'ora per la trascrizione batch di Scribe v2 e $0,39 all'ora per Scribe v2 Realtime. Il suggerimento di termini chiave (keyterm prompting) e la modifica delle trascrizioni comportano costi separati. La tabella dei prezzi dell'API include una colonna Free / Pay as you go, quindi valuta i crediti specifici dell'API e i termini di fatturazione invece di sostituirli con un'indennità valida solo per il browser o di presumere una trascrizione gratuita illimitata. (Fonte: Prezzi dell'API ElevenLabs Scribe).
8. Gladia — Trascrizione multilingue e in lingue miste
La tariffa self-service asincrona Solaria-3 di Gladia parte da €0,16 all'ora, mentre l'offerta in tempo reale parte da €0,68 all'ora. I componenti aggiuntivi e il volume mensile modificano la fattura. L'offerta di credito di €50 è un saldo di prova, non ore gratuite ricorrenti. La copertura linguistica, la diarizzazione, la traduzione e le impostazioni di conservazione dipendono dal motore e dal piano. Un singolo formato di risposta non rende gratuite tutte le funzionalità di audio-intelligence. (Fonte: Prezzi della trascrizione Gladia).
9. Speechmatics — Valutazione basata su accento, multilinguismo e distribuzione
L'attuale pagina dei prezzi elenca la trascrizione pre-registrata Melia 1 a $0,12 all'ora e la trascrizione in tempo reale a $0,20 all'ora, con 56 lingue. I modelli avanzati e medici hanno tariffe e comportamenti separati. I requisiti di distribuzione e residenza richiedono una conferma per l'offerta commerciale scelta; la posizione del fornitore non stabilisce dove viene elaborata ogni richiesta. Utilizza audio con accento, rumoroso e specifico del dominio per confrontare l'accuratezza invece di presumere che il conteggio delle lingue pubblicato preveda il WER. (Fonte: Prezzi della trascrizione Speechmatics).
10. Rev AI — Audio registrato con flussi di lavoro di trascrizione umana opzionali
Rev AI pubblicizza oltre 57 lingue nelle sue offerte API, quindi descriverla come una piattaforma solo in inglese è impreciso. Reverb ASR, trascrizione in lingua straniera, streaming e trascrizione umana sono prodotti distinti con tariffe e output diversi. La revisione umana non deve essere considerata un'escalation automatica all'interno di ogni richiesta di trascrizione automatica. I crediti di prova e il supporto linguistico dovrebbero essere legati al prodotto selezionato. (Fonte: Prezzi della trascrizione Rev AI).
11. IBM Watson Speech to Text — Distribuzioni IBM esistenti e personalizzazione del dominio
L'indennità Lite di IBM fornisce un percorso di valutazione ricorrente definito. Il servizio supporta diverse generazioni di modelli e varianti locali, quindi un conteggio da una tabella di telefonia non dovrebbe essere trattato come il limite linguistico dell'intero servizio. Le scelte di personalizzazione e distribuzione aziendale lo rendono rilevante per gli ambienti IBM esistenti, ma la disponibilità on-premise, i termini commerciali e le funzionalità supportate richiedono una conferma specifica del prodotto. (Fonte: Panoramica di IBM Watson Speech to Text).
Come misurare l'accuratezza della trascrizione
Il tasso di errore delle parole (Word Error Rate) è dato dalla somma di (sostituzioni + eliminazioni + inserimenti) divisa per il numero di parole in una trascrizione di riferimento. Un confronto richiede lo stesso audio, la stessa policy di riferimento, la normalizzazione di punteggiatura/numeri e la gestione dei parlanti sovrapposti. Non dovrebbe combinare risultati provenienti da dataset diversi per decretare un vincitore universale.
Includi accenti, rumore di fondo, parlato a basso volume, termini specialistici, nomi, code-switching e parlanti sovrapposti. Valuta l'attribuzione del parlante e l'accuratezza dei timestamp separatamente dal tasso di errore delle parole. I risultati pubblicati dai vendor sono prove utili per una configurazione specifica, non un benchmark indipendente per ogni carico di lavoro in produzione.
Batch vs Streaming: diversi contratti di integrazione
La trascrizione batch solitamente carica un file o fornisce un URL accessibile, per poi restituire un risultato direttamente o tramite polling/webhook. Lo streaming invia l'audio su una connessione in tempo reale supportata e riceve eventi di trascrizione intermedi e finali. Il protocollo può essere WebSocket o gRPC; non è identico per tutti i provider.
I risultati intermedi possono essere revisionati. Le applicazioni di voice-agent necessitano anche di endpointing o rilevamento dei turni, convalida della codifica audio, gestione delle interruzioni e comportamento di riconnessione. Lo streaming di una registrazione completata non è necessariamente lo stesso prodotto di una trascrizione da microfono live. Per i voice agent che richiedono anche risposte vocali, confronta le API text-to-speech separatamente dalla trascrizione.
L'API ospitata whisper-1 è orientata al batch e la sua chiusura è prevista per il 26 febbraio 2027. OpenAI consiglia gpt-live-transcribe o gpt-transcribe per la migrazione; le loro funzionalità e i contratti di richiesta devono essere verificati separatamente. I protocolli di riconoscimento e gli SDK cloud di Google non dovrebbero essere descritti come intercambiabili con un client WebSocket di Deepgram.
Prezzi: confronta l'intero carico di lavoro audio
Normalizza le tariffe prima di confrontarle: $0,006/minuto equivale a $0,36/ora. Mantieni la valuta indicata; le tariffe in euro di Gladia non sono tariffe in dollari USA. La durata minima fatturabile, i canali, la scelta del modello, gli impegni di volume, la diarizzazione, la redazione, la traduzione e l'archiviazione possono influire sul conto. I posti utente in abbonamento non corrispondono ai prezzi di inferenza API. Una prova che dura fino all'esaurimento dei crediti non è un piano gratuito continuativo. L'hosting autonomo di un checkpoint di Whisper elimina una tariffa esterna basata sui minuti, ma introduce costi di calcolo, utilizzo, manutenzione e disponibilità.
Accesso al modello Speech-to-Text su GPT Proto
GPT Proto elenca GPT-4o Transcribe per la conversione da audio a testo. OpenAI ha programmato la chiusura del modello a monte per il 26 febbraio 2027; la disponibilità del gateway, le scadenze del supporto e le opzioni di migrazione devono essere confermate separatamente con GPT Proto. Non dare per scontato che GPT Proto esponga Deepgram, AssemblyAI o ogni servizio presente in questo confronto.
GPT Proto fornisce l'accesso ai modelli supportati tramite un unico account, una sola chiave API e un saldo prepagato condiviso. Non è richiesto alcun abbonamento mensile e i crediti inutilizzati non scadono secondo le attuali condizioni di prezzo. La pagina dei prezzi attualmente prevede ricariche di credito a partire da 15 $; questo aggiunge un saldo di utilizzo piuttosto che acquistare un'inferenza illimitata. Le tariffe specifiche per modello, i costi di cache, le unità multimediali e le promozioni rimangono separati. Vedi i prezzi attuali di GPT Proto.
GPT Proto documenta la disponibilità e la compatibilità specifiche per endpoint: le funzionalità API native di un editore di modelli non sono automaticamente disponibili tramite ogni percorso GPT Proto. Le applicazioni rimangono responsabili del recupero, dell'esecuzione degli strumenti, delle autorizzazioni, della convalida dell'output e della gestione degli errori.
Utilizza il formato di caricamento, l'ID modello, lo schema di output e l'unità di fatturazione documentati per il percorso selezionato. Non dare per scontato che un percorso batch fornisca streaming, diarizzazione o l'intera matrice di impostazioni locali del provider a monte.
Una chiave per agenti, programmazione e app
Potenzia i tuoi agenti AI, strumenti di programmazione e app con un accesso conveniente ai modelli leader tramite un'unica chiave API.
Sfoglia i modelli API


Domande frequenti
Qual è l'API speech-to-text più precisa?
Quale opzione è la più economica per la trascrizione ad alto volume?
Quali API supportano la trascrizione in tempo reale?
Posso usare crediti gratuiti per la produzione?
Un gateway standardizza ogni fornitore di sintesi vocale?
Related Articles
Altri articoli del blog
Cos'è Claude Fable 5.2? Coding, giochi ed esempi creativi
Abbiamo provato Claude Fable 5.2 su due progetti visivi: un sito web per un museo d'arte e uno studio interattivo sull'acquerello. Il sito web è risultato fluido e dall'aspetto pulito, con una palette sobria e filtri per le mostre perfettamente funzionanti. La demo sull'acquerello era pratica da usare, i controlli hanno funzionato durante il nostro test e il rendering è apparso naturale. Questi risultati pratici sono la parte più interessante di questa recensione, insieme ai benchmark di programmazione e ai progetti della community riportati di seguito. Claude Fable 5.2 è il modello di Anthropic per il ragionamento complesso, lo sviluppo software e il lavoro esteso tramite agenti, rilasciato il 9 novembre 2026. Il suo fascino creativo deriva dall'applicazione di queste capacità a elementi visibili e interattivi: siti web, giochi, grafica procedurale e animazioni. Il mio consiglio è di provarlo su un progetto con diversi requisiti interconnessi: design, comportamento, contenuti e revisione. Una semplice riscrittura non giustifica il costo di questo livello. Un progetto che si blocca ripetutamente con un modello più economico è un banco di prova migliore. Puoi ottenere l' accesso all'API di Claude Fable 5.2 tramite GPTProto , con tariffe standard sui token inferiori del 10% rispetto al prezzo ufficiale.
Schuyler Stacy | 2026-11-11

Le migliori API AI all-in-one per LLM, generazione di immagini e video: 11 a confronto
Una piattaforma API AI all-in-one consolida l'accesso all'account e la fatturazione per attività legate a linguaggio e media. Non utilizza necessariamente un unico endpoint, un unico corpo di richiesta o un'unica unità di fatturazione per tutto. Questo confronto si concentra su 11 piattaforme con copertura documentata per linguaggio e media, inclusi i percorsi video supportati. Punti chiave Una singola credenziale può coprire molteplici modalità, mentre le richieste, la gestione asincrona dei job e le tariffe rimangono differenti. La disponibilità attuale delle modalità conta più di un vecchio elenco di modelli. L'inferenza testuale gratuita non è prova di una generazione gratuita di immagini o video. L'endpoint Sora di OpenAI (discontinuato) e l'endpoint video ospitato di Stability (discontinuato) non sono conteggiati come opzioni attuali per tutte e tre le modalità. GPTProto consolida l'accesso ai modelli supportati e il saldo prepagato senza garantire ogni modello o endpoint presente in questo confronto di mercato.
Michael Johnson | 2026-11-09

Guida all'integrazione API di SillyTavern: Connetti GPTProto e inizia a giocare di ruolo
Per connettere SillyTavern a GPTProto, seleziona Chat Completion → Custom (OpenAI-compatible) , inserisci https://gptproto.com/v1 , incolla la tua chiave API di GPTProto e inserisci un ID modello supportato. Questa guida utilizza glm-5.3 . Gli screenshot seguono una configurazione su macOS, dall'installazione fino a una conversazione con Noah Bennett, un personaggio personalizzato. Il suo saluto iniziale è stato scritto nella scheda del personaggio; la sua risposta dopo il sì dell'utente è stata generata tramite l'API connessa. Noah continua la scena dopo la prima risposta dell'utente. Hai già effettuato l'installazione? Vai direttamente a Connettere SillyTavern a GPTProto . Trova un modello per la tua chat su SillyTavern
Schuyler Stacy | 2026-11-03

I migliori LLM per il Tool Calling nel 2026: 9 modelli a confronto
Il tool calling consente a un modello linguistico di richiedere una funzione esterna con argomenti strutturati. L'applicazione esegue la funzione e ne restituisce il risultato; il modello non ottiene autonomamente l'autorizzazione a operare sul sistema. Il modello migliore è quello che completa il flusso di lavoro previsto in modo affidabile a un costo totale accettabile. Ottieni una chiave per il tuo team Punti chiave Questo confronto copre nove modelli utilizzando il supporto documentato per i tool, le condizioni API e i prezzi pubblicati; l'ordine è editoriale piuttosto che una classifica di precisione misurata. La selezione corretta del tool, argomenti validi, chiamate parallele, recupero in più passaggi e un'appropriata astensione sono requisiti distinti. GLM-4.7-Flash ha tariffe gratuite documentate; MiniMax M3 è un'opzione a pagamento a basso costo, non l'ingresso più economico in assoluto. Claude Opus 5.5, Sonnet 5.5 e Fable 5.1 non supportano l'uso forzato dei tool. Il tool calling di Chat Completions di GPT-6 Sol richiede reasoning_effort=none; la compatibilità della superficie API deve essere verificata.
Michael Johnson | 2026-10-30