transcripción - DeepSeek ASR - audio a texto - creadores - API de IA
4 min lectura

Audio a texto: ¿navegador privado o API DeepSeek? Límites, prueba y costo

Compara transcripción local con DeepSeek ASR para notas de voz. Límites de 120 segundos y 8 MiB, prueba con FFmpeg, privacidad y costo por audio.

Audio a texto: ¿navegador privado o API DeepSeek? Límites, prueba y costo

Un creador graba una nota de voz de 90 segundos para su próximo video. Quiere el texto hoy, pero también imagina procesar cientos de audios cada semana. Son dos problemas distintos: para una nota privada puede bastar una herramienta en el navegador; para un producto que recibe archivos de usuarios quizá necesite una API. Con la API de reconocimiento de voz que DeepSeek documentó el 13 de noviembre de 2026, ya se puede comparar ambos caminos sin confundir “gratis” con “escalable”.

La elección en 30 segundos

Elige el navegador si transcribes manualmente tus propios audios y te importa que el archivo no se envíe por defecto. La herramienta Audio a texto de SoyJB indica que su modo local funciona sin cuenta, acepta MP3, WAV, OGG, M4A, FLAC y WebM, y permite archivos de hasta una hora y 100 MB. Ofrece TXT y SRT; si activas el modo servidor opcional, cambian las condiciones de privacidad y cuota.

Elige una API cuando tu aplicación debe recibir archivos y devolver texto automáticamente. DeepSeek expone POST /v1/tools/asr; cobra por duración de audio y devuelve texto completo al terminar. Su límite actual por petición es 120 segundos y 8 MiB. Acepta WAV PCM de 16 bits u Ogg Opus; no admite reconocimiento en streaming. Si el archivo es estéreo, solo reconoce el canal izquierdo. Detecta el idioma sin parámetro; incluye español e inglés entre los idiomas soportados. Son límites importantes para una app de entrevistas, podcasts o reuniones largas.

Diagrama de decisión para transcribir localmente o enviar un audio corto a DeepSeek ASR
El criterio principal es quién procesa el audio y si la transcripción debe ocurrir automáticamente.

Prueba reproducible con un audio autorizado

Usa un archivo propio de 30 a 90 segundos sin datos sensibles. Si tienes un M4A de teléfono, conviértelo localmente a WAV PCM de 16 bits, 16 kHz y mono con FFmpeg. Ejecuta esto en la terminal y cambia el nombre del archivo:

ffmpeg -i nota.m4a -ac 1 -ar 16000 -c:a pcm_s16le nota-16k.wav
ffprobe -v error -show_entries format=duration,size -of default=noprint_wrappers=1 nota-16k.wav

Comprueba que duration sea 120 segundos o menos y size no supere 8.388.608 bytes. La conversión funciona localmente; este paso no llama a DeepSeek. El siguiente comando sí enviaría el audio al servicio y requiere una clave y saldo de API. Pon la clave en una variable de entorno de tu terminal, sin escribirla en el código ni compartirla en una captura:

export DEEPSEEK_API_KEY='TU_CLAVE_PRIVADA'
curl -fS https://api.deepseek.com/v1/tools/asr \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -F 'file=@nota-16k.wav' \
  -o transcripcion.json
cat transcripcion.json

La documentación oficial muestra una respuesta JSON con request_id, text y duration_ms. Comprueba que el texto represente las palabras del audio, en especial nombres propios, cifras y negaciones. La guía no anuncia SRT ni marcas temporales por palabra en esa respuesta; si necesitas subtítulos sincronizados, no des por hecho que esta API los entrega. Puedes usar la exportación SRT de la herramienta del navegador para ese caso.

Qué hacer si falla

Un 400 suele indicar formato inválido o falta del campo file; 413, archivo mayor de 8 MiB; 429, demasiadas solicitudes simultáneas; 503 o 504, servicio ocupado o sin respuesta a tiempo. DeepSeek fija un máximo de 50 solicitudes en curso por cuenta. Registra el request_id y el tamaño del archivo; evita guardar el audio o la clave en logs accesibles. Para audios largos, partir el archivo en segmentos es una solución de aplicación, pero introduce cortes de frases, orden y reintentos: pruébalo antes de prometer una transcripción de una hora.

Cuánto cuesta una nota

La tarifa de DeepSeek consultada el 15 de noviembre marca US$0,058 por hora de ASR durante una promoción, frente a US$0,116 de lista; cobra por segundos redondeados hacia arriba. Una nota de dos minutos costaría, a tarifa promocional y sin otros servicios, aproximadamente US$0,00193. Cien notas de dos minutos serían cerca de US$0,193. Son cálculos, no gasto observado; verifica la tarifa antes de presupuestar. El modo local de SoyJB no requiere pago de API, pero consume tiempo y recursos de tu dispositivo.

Para tu primera prueba, transcribe el mismo audio en ambos caminos y compara texto correcto, tiempo, facilidad para corregir y si obtienes el formato que necesitas. Si el audio es sensible y no tienes permiso para enviarlo a un tercero, quédate en el procesamiento local. Si construyes un servicio con archivos de usuarios, documenta consentimiento, retención y costo antes de automatizar.

Fuentes: lanzamiento de DeepSeek del 13 de noviembre; guía oficial de ASR; precios oficiales; especificación pública de Audio a texto de SoyJB. Se comprobó localmente la sintaxis de conversión FFmpeg con un archivo de prueba; no se hizo una llamada de pago a DeepSeek ni se midió su precisión.

Recibe lo nuevo en tu correo

Workshops gratis, herramientas y novedades de IA aplicadas a negocio, sin humo.

🎓 Workshops en vivo🛠️ Herramientas nuevas⚡ Novedades de IA

Sin spam. Te das de baja cuando quieras.

Comentarios

Aún no hay comentarios. Sé el primero.

Deja un comentario