> This is a page from the ElevenLabs documentation. For an index of the documentation, fetch https://elevenlabs.io/docs/llms.txt.

# Transcripción

## Descripción general

La [API de Voz a Texto (STT) de ElevenLabs](/docs/es/eleven-api/guides/cookbooks/speech-to-text) convierte audio hablado en texto con una precisión de vanguardia en más de 90 idiomas. Usa [Scribe v3](/docs/es/overview/models#scribe-v3) para audio grabado y [Scribe v3 Live](/docs/es/overview/models#scribe-v3-live) para audio en tiempo real. Para probar una demo en directo, visita nuestra página de presentación de [Voz a Texto](https://elevenlabs.io/speech-to-text).

#### [Productos](/docs/es/eleven-creative/playground/speech-to-text)

Guía paso a paso para usar Voz a Texto en ElevenLabs.

#### [Desarrolladores](/docs/es/eleven-api/guides/cookbooks/speech-to-text)

Descubre cómo integrar la API de voz a texto en tu aplicación.

#### [Voz a texto en tiempo real](/docs/es/eleven-api/guides/how-to/speech-to-text/realtime/client-side-streaming)

Descubre cómo transcribir audio con ElevenLabs en tiempo real mediante WebSockets.

#### [Referencia de la API](/docs/es/api-reference/speech-to-text/convert)

Referencia completa de la API para la ruta de API de Voz a Texto.

> **Info**
>
> Las empresas que requieran cumplimiento de la HIPAA deben contactar con [Ventas de ElevenLabs](https://elevenlabs.io/contact-sales) para firmar un acuerdo de asociado comercial (BAA).
> Asegúrate de completar este paso antes de continuar con cualquier integración o implementación
> relacionada con la HIPAA.

## Modelos

#### [Scribe v3](/docs/es/overview/models#scribe-v3)

Nuestro modelo de reconocimiento de voz más preciso para audio grabado

Un 27 % menos de errores de palabras que Scribe v2 en FLEURS

Diarización de hablantes, hasta 32 hablantes

Números como dígitos o palabras

Idiomas secundarios para audio con varios idiomas

Prompting de términos clave, hasta 1000 términos

Detección de entidades y edición de transcripciones

Marcas de tiempo precisas a nivel de palabra

#### [Scribe v3 Live](/docs/es/overview/models#scribe-v3-live)

Nuestro modelo de reconocimiento de voz en tiempo real más preciso

Un 44 % menos de WER semántica que Scribe v2 Realtime en FLEURS

Predicción de turnos a partir del contexto de la conversación

Modo multilingüe para cambios de idioma a mitad de frase

Biblioteca de términos clave, hasta 10 000 términos

Detección de entidades y edición de transcripciones

Marcas de tiempo precisas a nivel de palabra

Detección de entidades, 65 tipos de entidades

Ocultación de entidades

Edición de transcripciones con instrucciones en lenguaje natural

#### [Scribe v2 Medical](/docs/es/overview/models#scribe-v2-medical)

Reconocimiento de voz ajustado para audio clínico

Un 35 % menos de errores de transcripción en audio clínico que Scribe v2

La misma precisión en el habla cotidiana que Scribe v2

Las mismas funciones, idiomas, precios y API que Scribe v2

[Explora todos](/docs/es/overview/models)

## Ejemplo de respuesta de la API

El siguiente ejemplo muestra la salida de la API de Voz a Texto usando el modelo Scribe v2 para un archivo de audio de muestra.

<elevenlabs-audio-player audio-title="Nicole" audio-src="https://storage.googleapis.com/eleven-public-cdn/audio/marketing/nicole.mp3" />

#### Ver respuesta JSON completa

```javascript
{
  "language_code": "en",
  "language_probability": 1,
  "text": "With a soft and whispery American accent, I'm the ideal choice for creating ASMR content, meditative guides, or adding an intimate feel to your narrative projects.",
  "words": [
    {
      "text": "With",
      "start": 0.119,
      "end": 0.259,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.239,
      "end": 0.299,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "a",
      "start": 0.279,
      "end": 0.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.339,
      "end": 0.499,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "soft",
      "start": 0.479,
      "end": 1.039,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.019,
      "end": 1.2,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "and",
      "start": 1.18,
      "end": 1.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.339,
      "end": 1.44,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "whispery",
      "start": 1.419,
      "end": 1.979,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.959,
      "end": 2.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "American",
      "start": 2.159,
      "end": 2.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 2.699,
      "end": 2.779,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "accent,",
      "start": 2.759,
      "end": 3.389,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.119,
      "end": 4.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "I'm",
      "start": 4.159,
      "end": 4.459,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.44,
      "end": 4.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "the",
      "start": 4.5,
      "end": 4.599,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.579,
      "end": 4.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ideal",
      "start": 4.679,
      "end": 5.099,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.079,
      "end": 5.219,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "choice",
      "start": 5.199,
      "end": 5.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.699,
      "end": 6.099,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "for",
      "start": 6.099,
      "end": 6.199,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.179,
      "end": 6.279,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "creating",
      "start": 6.259,
      "end": 6.799,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.779,
      "end": 6.979,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ASMR",
      "start": 6.959,
      "end": 7.739,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 7.719,
      "end": 7.859,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "content,",
      "start": 7.839,
      "end": 8.45,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9,
      "end": 9.06,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "meditative",
      "start": 9.04,
      "end": 9.64,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9.619,
      "end": 9.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "guides,",
      "start": 9.679,
      "end": 10.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 10.359,
      "end": 10.409,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "or",
      "start": 11.319,
      "end": 11.439,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.42,
      "end": 11.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "adding",
      "start": 11.5,
      "end": 11.879,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.859,
      "end": 12,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "an",
      "start": 11.979,
      "end": 12.079,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.059,
      "end": 12.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "intimate",
      "start": 12.179,
      "end": 12.579,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.559,
      "end": 12.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "feel",
      "start": 12.679,
      "end": 13.159,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.139,
      "end": 13.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "to",
      "start": 13.159,
      "end": 13.26,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.239,
      "end": 13.3,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "your",
      "start": 13.299,
      "end": 13.399,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.379,
      "end": 13.479,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "narrative",
      "start": 13.479,
      "end": 13.889,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.919,
      "end": 13.939,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "projects.",
      "start": 13.919,
      "end": 14.779,
      "type": "word",
      "speaker_id": "speaker_0"
    }
  ]
}
```

La salida se clasifica en tres tipos de categorías:

* `word`: una palabra en el idioma del audio
* `spacing`: el espacio entre palabras; no se aplica a idiomas que no usan espacios, como japonés, mandarín, tailandés, lao, birmano y cantonés
* `audio_event`: sonidos no verbales, como risas o aplausos

## Concurrencia y prioridad

La concurrencia es el número de solicitudes que se pueden procesar al mismo tiempo.

En Voz a Texto, los archivos de más de 8 minutos se transcriben internamente en paralelo para acelerar el procesamiento. El audio se divide en cuatro segmentos que se transcriben de forma simultánea.

Puedes calcular el límite de concurrencia con el siguiente cálculo:

$$
Concurrency = \min(4, \text{round\_up}(\frac{\text{audio\_duration\_secs}}{480}))
$$

Por ejemplo, un archivo de audio de 15 minutos se transcribirá con una concurrencia de 2, mientras que uno de 120 minutos se transcribirá con una concurrencia de 4.

> **Info**
>
> El cálculo anterior solo se aplica a modelos por lotes, como Scribe v3, Scribe v2 y Scribe
> v2 Medical. Para Scribe v3 Live y Scribe v2 Realtime, consulta el [gráfico de límites de concurrencia y prioridad](/docs/es/overview/models#concurrency-and-priority).

## Funciones avanzadas

> **Warning**
>
> El prompting de términos clave y la edición de transcripciones tienen un coste adicional. Consulta la [página de precios de la API](https://elevenlabs.io/pricing/api?price.section=speech_to_text\&price.sections=speech_to_text,speech_to_text#pricing-table)
> para obtener información detallada sobre los precios.

### Prompting de términos clave

> **Info**
>
> El prompting de términos clave está disponible con Scribe v3, Scribe v3 Live, Scribe v2, Scribe v2 Medical
> (por lotes) y Scribe v2 Realtime.

Destaca palabras o frases para orientar al modelo hacia su transcripción. Esto resulta útil para transcribir palabras o frases específicas que no son habituales en el audio, como nombres de productos, nombres propios u otros términos concretos. Los términos clave son más eficaces que las palabras clave sesgadas o los vocabularios personalizados que ofrecen otros modelos, porque se basan en el contexto para decidir si transcribir ese término o no. El procesamiento por lotes admite hasta 1000 términos clave (50 caracteres cada uno), mientras que el tiempo real admite hasta 50 términos clave (20 caracteres cada uno).

Para saber más sobre cómo usar el prompting de términos clave, consulta la [documentación sobre prompting de términos clave](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/keyterm-prompting).

### Biblioteca de términos clave

> **Info**
>
> La biblioteca de términos clave está disponible con Scribe v3 Live.

Una biblioteca de términos clave es un vocabulario amplio para todo un ámbito, como un diccionario médico, términos jurídicos o un catálogo de productos. El modelo consulta la biblioteca solo cuando detecta una coincidencia probable. Una biblioteca puede contener hasta 10 000 términos. Úsala junto con el prompting de términos clave, que es más adecuado para los pocos términos que sabes que aparecerán. Las sesiones que usan una biblioteca de términos clave se facturan con el mismo coste adicional que el prompting de términos clave.

Para saber más, consulta la [documentación sobre la biblioteca de términos clave](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/keyterm-prompting#keyterm-library).

### Predicción de turnos

> **Info**
>
> La predicción de turnos está disponible con Scribe v3 Live.

La detección de actividad de voz (VAD) basada en el silencio confirma un segmento de transcripción después de un periodo de silencio. Un umbral de silencio corto interrumpe a los hablantes cuando hacen una pausa, y uno largo añade latencia. La predicción de turnos usa el contexto de la conversación para estimar si el hablante ha terminado su turno, de modo que no se interrumpa a quien hace una pausa a mitad de un número de teléfono. Es la misma detección de turnos que usa ElevenAgents.

Para saber más, consulta la [predicción de turnos](/docs/es/eleven-api/guides/how-to/speech-to-text/realtime/transcripts-and-commit-strategies#turn-prediction).

### Diarización en tiempo real

> **Info**
>
> La diarización en tiempo real está disponible con Scribe v3 Live.

Establece `diarize=true` para identificar quién habla en las transcripciones en tiempo real. Las etiquetas provisionales de hablantes aparecen en las transcripciones parciales y cada transcripción confirmada va seguida de una transcripción diarizada independiente, sin retrasar el texto confirmado.

Para saber más, consulta la [guía de diarización de hablantes en tiempo real](/docs/es/eleven-api/guides/how-to/speech-to-text/realtime/diarization).

### Formato de números

> **Info**
>
> El formato de números está disponible con Scribe v3.

Elige si los números de la transcripción se escriben como cifras (42) o como palabras (cuarenta y dos). Si no estableces un formato, el modelo elegirá uno.

Para saber más, consulta las [opciones de números e idiomas](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/number-and-language-options).

### Audio en varios idiomas

> **Info**
>
> Los códigos de idioma secundarios están disponibles con Scribe v3. El modo multilingüe está disponible con Scribe
> v3 Live.

Cuando los hablantes usen más de un idioma, indica los idiomas que esperas para que el modelo pueda transcribir cada uno con precisión. Para el audio en tiempo real, el modo multilingüe transcribe cada idioma en su propio sistema de escritura y sigue los cambios a mitad de una frase.

Scribe no traduce. El habla se transcribe en el idioma en que se pronuncia.

Para saber más, consulta las [opciones de números e idiomas](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/number-and-language-options) para la transcripción por lotes y las [opciones de idioma en tiempo real](/docs/es/eleven-api/guides/how-to/speech-to-text/realtime/language-options) para la transcripción en tiempo real.

### Modo no literal

> **Info**
>
> El modo no literal está disponible con Scribe v3, Scribe v2, Scribe v2 Medical (por lotes) y Scribe v2
> Realtime.

Cuando `no_verbatim` está activado, el modelo elimina muletillas, comienzos en falso y disfluencias de la transcripción. Esto genera una salida más limpia, adecuada para subtítulos, resúmenes o cualquier caso de uso en el que la legibilidad sea más importante que captar cada palabra pronunciada.

### Detección de entidades

> **Info**
>
> La detección de entidades está disponible con todos los modelos por lotes, Scribe v3 Live y Scribe v2 Realtime.

Los modelos por lotes y en tiempo real pueden detectar varias categorías de entidades en la transcripción y proporcionar sus marcas de tiempo exactas. Esto resulta útil para destacar números de tarjeta de crédito, nombres, afecciones médicas o números de la Seguridad Social estadounidense.

Para consultar la lista completa de entidades compatibles, consulta la [documentación sobre detección de entidades](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/entity-detection).

### Edición de transcripciones

> **Info**
>
> La edición de transcripciones es una función experimental disponible con todos los modelos por lotes, Scribe v3 Live y
> Scribe v2 Realtime. Actualmente no está disponible en entornos de [residencia de datos](/docs/es/overview/administration/data-residency).

Pasa una instrucción en lenguaje natural con el parámetro `transcript_edit` y se aplicará a la transcripción terminada. El texto editado se devuelve en `edited_transcript` junto con la transcripción original, por lo que las marcas de tiempo y las etiquetas de hablantes se mantienen intactas. Esto resulta útil para normalizar cómo se escriben las fechas, horas o unidades, aplicar un estilo distinto o reescribir la transcripción en una sola solicitud.

Para saber más, consulta la [documentación sobre edición de transcripciones](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/transcript-editing) y la [guía de edición de transcripciones en tiempo real](/docs/es/eleven-api/guides/how-to/speech-to-text/realtime/transcript-editing).

## Idiomas compatibles

Scribe v3 y Scribe v2 admiten más de 90 idiomas, entre ellos:

*Afrikáans (afr), amárico (amh), árabe (ara), armenio (hye), asamés (asm), asturiano (ast), azerbaiyano (aze), bielorruso (bel), bengalí (ben), bosnio (bos), búlgaro (bul), birmano (mya), cantonés (yue), catalán (cat), cebuano (ceb), chichewa (nya), croata (hrv), checo (ces), danés (dan), neerlandés (nld), inglés (eng), estonio (est), filipino (fil), finés (fin), francés (fra), fula (ful), gallego (glg), ganda (lug), georgiano (kat), alemán (deu), griego (ell), guyaratí (guj), hausa (hau), hebreo (heb), hindi (hin), húngaro (hun), islandés (isl), igbo (ibo), indonesio (ind), irlandés (gle), italiano (ita), japonés (jpn), javanés (jav), kriol caboverdiano (kea), canarés (kan), kazajo (kaz), jemer (khm), coreano (kor), kurdo (kur), kirguís (kir), lao (lao), letón (lav), lingala (lin), lituano (lit), luo (luo), luxemburgués (ltz), macedonio (mkd), malayo (msa), malayalam (mal), maltés (mlt), chino mandarín (zho), maorí (mri), maratí (mar), mongol (mon), nepalí (nep), sotho septentrional (nso), noruego (nor), occitano (oci), odia (ori), pastún (pus), persa (fas), polaco (pol), portugués (por), panyabí (pan), rumano (ron), ruso (rus), serbio (srp), shona (sna), sindhi (snd), cingalés (sin), eslovaco (slk), esloveno (slv), somalí (som), español (spa), suajili (swa), sueco (swe), tamil (tam), tayiko (tgk), telugu (tel), tailandés (tha), turco (tur), ucraniano (ukr), umbundu (umb), urdu (urd), uzbeko (uzb), vietnamita (vie), galés (cym), wólof (wol), xhosa (xho) y zulú (zul).*

### Desglose de la compatibilidad lingüística

La tasa de error de palabras (WER) es una métrica clave para evaluar la precisión de los sistemas de transcripción. Mide cuántos errores hay en una transcripción comparada con una transcripción de referencia. A continuación se muestra el desglose de la WER para cada idioma compatible con Scribe v2.

#### Excelente (≤ 5 % de WER)

Bielorruso (bel), bosnio (bos), búlgaro (bul), catalán (cat), croata (hrv), checo (ces),
danés (dan), neerlandés (nld), inglés (eng), estonio (est), finés (fin), francés (fra), gallego
(glg), alemán (deu), griego (ell), húngaro (hun), islandés (isl), indonesio (ind), italiano
(ita), japonés (jpn), canarés (kan), letón (lav), macedonio (mkd), malayo (msa), malabar
(mal), noruego (nor), polaco (pol), portugués (por), rumano (ron), ruso (rus), eslovaco
(slk), español (spa), sueco (swe), turco (tur), ucraniano (ukr) y vietnamita (vie).

#### Alta precisión (>5 % a ≤10 % de WER)

Armenio (hye), azerbaiyano (aze), bengalí (ben), cantonés (yue), filipino (fil), georgiano
(kat), guyaratí (guj), hindi (hin), kazajo (kaz), lituano (lit), maltés (mlt), mandarín
(cmn), maratí (mar), nepalí (nep), odia (ori), persa (fas), serbio (srp), esloveno (slv),
suajili (swa), tamil (tam) y télugu (tel)

#### Buena (>10 % a ≤20 % de WER)

Afrikáans (afr), árabe (ara), asamés (asm), asturiano (ast), birmano (mya), hausa (hau),
hebreo (heb), javanés (jav), coreano (kor), kirguís (kir), luxemburgués (ltz), maorí (mri),
occitano (oci), panyabí (pan), tayiko (tgk), tailandés (tha), uzbeko (uzb) y galés (cym).

#### Moderada (>25 % a ≤50 % de WER)

Amhárico (amh), ganda (lug), igbo (ibo), irlandés (gle), jemer (khm), kurdo (kur), lao (lao),
mongol (mon), sotho septentrional (nso), pastún (pus), shona (sna), sindhi (snd), cingalés (sin),
somalí (som), urdu (urd), wólof (wol), xhosa (xho), yoruba (yor) y zulú (zul).

## Preguntas frecuentes

#### ¿Puedo usar la API de voz a texto con archivos de vídeo?

Sí, la API permite subir archivos de audio y de vídeo para su transcripción.

#### ¿Cuáles son los límites de tamaño y duración de archivo de la API de Voz a Texto?

Se admiten archivos de hasta 5 GB. Los límites de duración dependen del modo de transcripción:

* **Modo estándar** (`use_multi_channel=false`): hasta 15 horas
* **Modo multicanal** (`use_multi_channel=true`): la duración combinada de todos los canales debe ser inferior a 15 horas

#### ¿Qué formatos de audio y vídeo son compatibles con la API?

La API admite los siguientes formatos de audio y vídeo:

* audio/aac
* audio/x-aac
* audio/x-aiff
* audio/ogg
* audio/mpeg
* audio/mp3
* audio/mpeg3
* audio/x-mpeg-3
* audio/opus
* audio/wav
* audio/x-wav
* audio/webm
* audio/flac
* audio/x-flac
* audio/mp4
* audio/aiff
* audio/x-m4a

Los formatos de vídeo compatibles incluyen:

* video/mp4
* video/x-msvideo
* video/x-matroska
* video/quicktime
* video/x-ms-wmv
* video/x-flv
* video/webm
* video/mpeg
* video/3gpp

#### ¿Cuándo admitiréis más idiomas?

ElevenLabs amplía constantemente el número de idiomas compatibles con nuestros modelos. Vuelve a consultar esta página con frecuencia para ver las novedades.

#### ¿La API de voz a texto admite webhooks?

Sí, los resultados de transcripción asíncrona pueden enviarse a webhooks configurados en los ajustes de webhooks de la interfaz. Consulta más información en la [guía de webhooks](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/webhooks).

#### ¿La API admite un modo de transcripción multicanal?

Sí, la función multicanal de [STT](https://elevenlabs.io/speech-to-text) te permite transcribir audio en el que cada canal se procesa de forma independiente y se le asigna un ID de hablante según su número de canal. Esta función admite hasta 5 canales. Consulta más información en la [guía de transcripción multicanal](/docs/es/eleven-api/guides/how-to/speech-to-text/batch/multichannel-transcription).

#### ¿Cómo funciona la facturación de la API de voz a texto?

ElevenLabs cobra por el servicio de voz a texto según la duración del audio enviado para transcribir. La facturación se calcula por hora de audio y las tarifas varían según el plan y el modelo. Consulta la [página de precios de la API](https://elevenlabs.io/pricing/api?price.section=speech_to_text#pricing-table) para obtener información detallada sobre los precios.

El silencio cuenta para la duración facturada. Tanto la transcripción por lotes como la transcripción en tiempo real se miden por cada segundo de audio que envías, incluidas las pausas y los tramos silenciosos, y no hay descuento por el silencio.

## Datos clave

* **Entrada compatible**: se aceptan archivos de audio y vídeo
* **Tamaño máximo de archivo**: 5 GB
* **Duración máxima**: 15 horas (modo estándar), 15 horas en total entre todos los canales (modo multicanal)
* **Modo multicanal**: hasta 5 canales; cada uno se procesa de forma independiente con un ID de hablante asignado por número de canal
* **Webhooks**: los resultados de transcripción asíncrona pueden enviarse a un webhook; configúralo en los ajustes del espacio de trabajo
* **Formatos de audio compatibles**: AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A, WebM
* **Formatos de vídeo compatibles**: MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG, 3GPP