/v1/audio/transcriptions

Resumen

Convierte audio en texto. Devuelve el texto completo, segmentos y palabras con marca de tiempo y, si lo pides, quién habla en cada momento (diarización) en entrevistas, llamadas y reuniones. Formatos de respuesta json, verbose_json, diarized_json, text, srt y vtt.

Modelos disponibles

Cuatro literales en el mismo endpoint. Canary y Parakeet son los recomendados: transcriben mejor el audio real, aceptan archivos de horas sin trocear y separan hablantes. Whisper se mantiene por compatibilidad con las integraciones que ya lo usan.

Rendimiento en español e inglés frente a Whisper

Medido por Tessera en octubre de 2026, en la misma GPU y con la misma normalización (minúsculas, sin puntuación ni muletillas). FLEURS son frases cortas leídas: la cifra es el WER (palabras erróneas; menos es mejor). El audio real son conversaciones largas: llamadas en español de 8 y 41 minutos y entrevistas en inglés de 5 a 79 minutos con 2 o 3 interlocutores. Ahí la cifra es la diferencia frente a una transcripción de referencia.

Endpoint y parámetros

POST https://api.tesseraai.cloud/v1/audio/transcriptions con multipart/form-data.

Request

curl https://api.tesseraai.cloud/v1/audio/transcriptions \
  -H "Authorization: Bearer $TESSERA_API_KEY" \
  -F "[email protected]" \
  -F "model=nvidia/canary-1b-v2" \
  -F "language=es" \
  -F "response_format=verbose_json"

# Python (SDK oficial de OpenAI)
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.tesseraai.cloud/v1",
    api_key=os.environ["TESSERA_API_KEY"],
)
with open("llamada.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="nvidia/canary-1b-v2",
        file=f,
        language="es",
    )
print(r.text)

Response

Con json devuelve {"text": "..."}. Con verbose_json añade duration, language (el que pasaste en la petición), segments[] y words[] con inicio y fin en segundos, y usage con los segundos de audio.

{
  "task": "transcribe",
  "language": "es",
  "duration": 85.07,
  "text": "Hola, gracias por venir. ¿Has tenido problemas para encontrar la oficina? ...",
  "segments": [
    {
      "id": 0,
      "start": 0.48,
      "end": 4.56,
      "text": "Hola, gracias por venir. ¿Has tenido problemas para encontrar la oficina?"
    }
  ],
  "words": [
    {"word": "Hola,", "start": 0.48, "end": 0.8},
    {"word": "gracias", "start": 0.88, "end": 1.2}
  ],
  "usage": {"type": "duration", "seconds": 85.07}
}

Varios interlocutores (diarización)

Canary y Parakeet pueden indicar quién habla en cada momento: entrevistas, llamadas, reuniones o podcasts. No está activa por defecto, pero no hay nada que configurar en tu cuenta ni coste adicional: se activa en cada petición. Hay dos formas: añadir diarize=true (sirve con json, verbose_json, srt y vtt) o pedir response_format=diarized_json, que la activa sola y responde con el formato de OpenAI.

Activar la diarización

# cURL: transcripción con hablantes
curl https://api.tesseraai.cloud/v1/audio/transcriptions \
  -H "Authorization: Bearer $TESSERA_API_KEY" \
  -F "[email protected]" \
  -F "model=nvidia/canary-1b-v2" \
  -F "language=es" \
  -F "response_format=verbose_json" \
  -F "diarize=true" \
  -F "num_speakers=2"

# Python: los campos propios de Tessera van en extra_body
with open("reunion.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="nvidia/canary-1b-v2",
        file=f,
        language="es",
        response_format="verbose_json",
        extra_body={"diarize": True, "num_speakers": 2},
    )
for s in r.segments:
    print(s.speaker, s.start, s.text)

# Python: formato diarized_json de OpenAI (activa la diarización solo)
with open("reunion.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="nvidia/parakeet-tdt-0.6b-v3",
        file=f,
        response_format="diarized_json",
    )
for s in r.segments:
    print(s.speaker, s.start, s.text)

Dónde aparecen los hablantes

Los hablantes se etiquetan A, B, C… por orden de aparición. Las etiquetas son coherentes dentro de un archivo, pero no identifican a la persona: la A de una llamada no es la A de otra.

{
  "task": "transcribe",
  "duration": 85.07,
  "text": "Hola, gracias por venir. Has tenido problemas para encontrar la oficina. Ninguno, ...",
  "segments": [
    {
      "type": "transcript.text.segment",
      "id": 0,
      "speaker": "A",
      "start": 0.32,
      "end": 4.96,
      "text": "Hola, gracias por venir. Has tenido problemas para encontrar la oficina."
    },
    {
      "type": "transcript.text.segment",
      "id": 1,
      "speaker": "B",
      "start": 5.36,
      "end": 10.16,
      "text": "Ninguno, el metro me deja justo enfrente, llegué con 10 minutos de margen."
    },
    {
      "type": "transcript.text.segment",
      "id": 2,
      "speaker": "A",
      "start": 10.4,
      "end": 14.8,
      "text": "Perfecto, cuéntame un poco sobre tu experiencia en atención al cliente."
    }
  ],
  "usage": {"type": "duration", "seconds": 85.07}
}

Whisper (compatibilidad)

whisper-large-v3 y whisper-large-v3-turbo siguen disponibles con el mismo contrato de siempre, para no romper integraciones existentes. Úsalos para catalán y otros idiomas fuera de los 25 de Canary y Parakeet, y para /v1/audio/translations (traducción al inglés). Para todo lo demás recomendamos Canary o Parakeet.

• Hasta 25 MB por archivo. Para audio de más de 10 minutos, divide en tramos de 5–10 minutos y une el texto en el cliente.
• whisper-large-v3-turbo recorta el decodificador de 32 a 4 capas: más rápido, con una pérdida de precisión pequeña.
• Sin diarización.

Buenas prácticas

• Pasa language si conoces el idioma. Con Canary es obligatorio.
• Envía el archivo entero: Canary y Parakeet trocean y recomponen el audio en el servidor, hasta 4 horas.
• En conversaciones, activa diarize=true y pasa num_speakers si sabes cuántas personas hablan.
• Los formatos text, srt y vtt llegan dentro de un JSON {"text": "..."}. Con el SDK de OpenAI recibes esa cadena: léela con json.loads(r)["text"].
• Un audio limpio da mejor resultado que un mp3 muy comprimido o con mucho ruido de fondo.