Inferentium.AI
Obtener clave de API
Ficha técnica

Nuestros modelos, medidos.

Qué hace cada modelo, cuánto cuesta en latencia y qué tan preciso es — por idioma, a partir de benchmarks que volvemos a correr en vez de números que repetimos.

inferentium-stt-1

Pregrabado

Nuestro propio pipeline de transcripción para archivos: entra una petición, sale texto con puntuación y mayúsculas. Detecta el idioma hablado, agrupa en lotes en nuestras GPUs y cobra por segundo de audio.

Idiomas
25
Audio de entrada
wav · mp3 · m4a · flac · ogg/opus · webm
Frecuencia de muestreo
any (resampled to 16 kHz)
Subida máxima
500 MB
Devuelve
text · language · duration
Marcas de tiempo por palabra
roadmap
Etiquetas de hablante
up to 4 speakers (add-on)
Retención de audio
none
Endpoints
  • POST /v1/audio/transcriptions
  • POST /v2/transcribe (Sync, ≤ 2 min)
  • POST /api/v1/stt/transcribe/stream (SSE)
  • POST /api/v1/stt/jobs (async + webhook)
  • POST /v2/transcript (AssemblyAI-compatible)

inferentium-stt-1-realtime

Tiempo real

El mismo pipeline llevado en vivo por WebSocket: texto parcial mientras la persona todavía habla y un final por cada intervención, cuando se detiene.

Idiomas
25
Audio de entrada
PCM16 mono, 16 kHz frames
Parciales
every 400 ms
Segmentación
VAD, per utterance
Devuelve
partial · final · end
Facturación
per second of audio received
Retención de audio
none
Endpoints
  • WSS /ws/realtime (short-lived upload token)
Precisión

Tasa de error por palabra, idioma por idioma.

La precisión es propiedad de un idioma, no de un logo — por eso se publica un idioma a la vez.

pt-BR

FLEURS pt-BR (test) · 2026-09-10
Duración del audioWERCERp50p95Velocidad
Clip corto (5-10 s)4,8%0,8%0,77 s0,8 s9×
Tramo de llamada (50-90 s)3,2%0,9%1,43 s1,66 s49×
Reunión (9-11 min)9,4%6,6%4,82 s5,46 s124×

en-US

FLEURS en-US (test) · 2026-09-11
Duración del audioWERCERp50p95Velocidad
Clip corto (5-10 s)2,1%0,5%0,94 s1,28 s6×
Tramo de llamada (50-90 s)——1,92 s1,98 s37×
Reunión (9-11 min)——5,15 s5,44 s120×

Un guion significa que todavía no publicamos ese número. Estamos volviendo a medir el inglés por encima de 60 segundos tras un cambio en cómo se segmenta el audio largo; la latencia y el rendimiento de esa misma fila no cambian. Preferimos mostrar un guion antes que un número en el que no confiamos.

Tiempo real

Cómo se siente en vivo.

Medido en una sesión WebSocket real, con audio enviado al ritmo del habla en tramas de 100 ms desde São Paulo.

MétricaMedianaQué significa
Primera palabra776 msDel inicio del habla al primer texto en pantalla
Retraso del parcial240 msCuánto se queda atrás el texto respecto de quien habla
Retraso del final837 msDel fin de una intervención a su texto final ya corregido
Retraso del final (p95)965 msPeor caso en 19 de cada 20 intervenciones
WER4,9%Sobre el mismo audio que la tabla de pregrabado

FLEURS pt-BR (test), medido el 2026-09-10. Los segundos facturados son el audio enviado más una cola de 1,5 s.

Método

Cómo se produjo cada número de esta página.

  • Audio de benchmark público (FLEURS) con las transcripciones de referencia que trae, concatenado en tres clases de duración: el mismo texto se evalúa a 5 segundos y a 10 minutos.
  • Medido desde São Paulo contra nuestra flota en us-central1, así que la latencia incluye internet: unos 130 ms de ida y vuelta que un cliente en Estados Unidos no paga.
  • La subida es Opus a 48 kbps en modo audio, lo que envía un buen cliente. Bitrates menores y el modo voip cuestan de 2 a 3 puntos de WER en archivos largos.
  • Las tasas de error son la media de todas las ejecuciones y la latencia la mediana, sobre texto normalizado igual para cada proveedor con el que nos comparamos.
  • Publicamos lo que medimos, incluso donde está peor de lo que quisiéramos. Los números cambian cuando cambia el pipeline.
Empezar gratis →Leer la documentaciónPregúntanos por tu audio