GPT Transcribe vs GetAnyTranscript: ¿cuál necesitas?

OpenAI lanzó GPT Transcribe el 28 de julio de 2026. Es una mejora real sobre Whisper, y también es fácil malinterpretar para qué sirve.

Reemplaza el motor. No reemplaza el flujo de trabajo.

GPT Transcribe es un modelo de API. Le mandas un archivo de audio y algo de código, y te devuelve texto. No acepta un enlace de YouTube, no genera archivos de subtítulos y no tiene plan gratuito. Si ya tienes montado un pipeline de transcripción, es una mejora barata y precisa. Si tienes un enlace en el portapapeles y quieres el texto en diez segundos, no es lo que buscas.

Veredicto rápido: GPT Transcribe es el nuevo modelo de voz a texto de OpenAI y cuesta 0,0045 dólares por minuto de audio. Acepta archivos de audio de hasta 25 MB por la API y devuelve JSON con texto plano. GetAnyTranscript es una herramienta web: pegas un enlace de YouTube, TikTok o Instagram y obtienes una transcripción con marcas de tiempo, sin código y sin cuenta para probarlo.

Qué es GPT Transcribe en realidad

OpenAI lanzó dos modelos el 28 de julio de 2026, los dos pensados para sustituir a Whisper:

• gpt-transcribe procesa archivos de audio ya terminados, a 0,0045 dólares por minuto. Es la ruta directa de migración desde whisper-1.
• gpt-live-transcribe procesa audio en streaming continuo para subtítulos en vivo, a 0,017 dólares por minuto. Sustituye a gpt-realtime-whisper.

Los endpoints no cambiaron. La transcripción de archivos sigue en /v1/audio/transcriptions y la transcripción en vivo sigue pasando por una sesión de Realtime. Lo que cambió es la forma de la petición. El cookbook de migración de OpenAI enumera las diferencias: el viejo campo language pasa a ser un array languages, un nuevo array keywords lleva términos literales como códigos de producto o nombres de medicamentos, y prompt queda reservado para describir el contexto de la grabación. También puedes recibir la transcripción de un archivo en streaming, así que el texto va llegando mientras se procesa en vez de todo de golpe al final.

Conviene aclarar una cosa de entrada, porque casi todos los artículos sobre ChatGPT y transcripción la cuentan mal: GPT Transcribe no es un botón dentro de ChatGPT. Es un modelo de API. Usarlo implica una cuenta de OpenAI con facturación activa, una clave de API y código que abra un archivo y lo suba. No hay ninguna página a la que entrar y soltar un video.

GPT Transcribe vs GetAnyTranscript, lado a lado

Casi todas las filas se reducen al mismo hecho. GPT Transcribe es una pieza con la que construyes. GetAnyTranscript es una herramienta terminada. No están en el mismo estante.

El problema del enlace

Esta es la brecha que importa a la mayoría de quienes buscan GPT Transcribe.

GPT Transcribe lee archivos de audio. Una URL de YouTube no es un archivo de audio, es una dirección. En la guía de voz a texto de OpenAI no se menciona la entrada por URL, porque el endpoint no tiene ese campo. Si pegas un enlace en ChatGPT y le pides la transcripción, te dirá que no puede acceder al audio.

Para ir de un enlace a texto con GPT Transcribe, los pasos que faltan los pones tú:

1. Descargar el video de la plataforma
2. Extraer la pista de audio y convertirla a un formato admitido
3. Comprobar el tamaño del archivo y partirlo si pasa de 25 MB
4. Subir cada trozo a la API y volver a unir los resultados
5. Lidiar con que la plataforma bloquee tu descargador, cosa que pasa

Eso es un proyecto de fin de semana la primera vez y mantenimiento a partir de entonces. Y es justo la parte que GetAnyTranscript hace por ti: pegas el enlace en el generador de transcripciones, pulsas el botón y lees el texto. El transcriptor de YouTube y el transcriptor de TikTok son el mismo flujo con el tratamiento propio de cada plataforma. Si llegaste aquí buscando una alternativa a GPT Transcribe que acepte una URL, esa página lleva la herramienta dentro.

Los subtítulos y las marcas de tiempo siguen siendo cosa de Whisper

Esta es la parte del lanzamiento que pilla a mucha gente. La propia guía de migración de OpenAI te dice que no cambies si necesitas subtítulos:

gpt-transcribe devuelve texto en JSON. El parámetro timestamp_granularities, que da el tiempo palabra por palabra, está documentado como compatible solo con whisper-1. O sea que el modelo más nuevo es peor que el de 2022 en el trabajo de transcripción más común de internet, que es hacer subtítulos.

Las etiquetas de hablante son otro modelo distinto. Si necesitas saber quién dice qué, la documentación te manda a gpt-4o-transcribe-diarize con response_format: "diarized_json", que además no está disponible en la Realtime API. Y traducir audio al inglés sigue pasando por el endpoint más antiguo /v1/audio/translations.

Tres trabajos, tres modelos. Es un intercambio razonable para un equipo que construye un producto. Es mucho que recordar si solo querías una transcripción.

GetAnyTranscript devuelve segmentos con marcas de tiempo en cada ejecución, así que puedes saltar a un momento concreto y copiar la línea exacta. Tampoco exporta archivos SRT ni VTT, y toca decirlo con claridad. Si lo que necesitas son archivos de subtítulos, ninguna de las dos es tu respuesta y whisper-1 sigue siéndolo.

El techo de los 25 MB

Las subidas al endpoint de transcripción están limitadas a 25 MB, y los formatos admitidos son mp3, mp4, mpeg, mpga, m4a, wav y webm.

En la práctica ese techo llega antes de lo que la gente espera. Un MP3 a 128 kbps ocupa unos 0,96 MB por minuto, así que 25 MB son más o menos 26 minutos de audio. Si bajas a 64 kbps en mono te acercas a los 50 minutos. Un podcast de una hora con calidad normal no entra, y un WAV apenas aguanta unos pocos minutos.

La recomendación de OpenAI es comprimir o partir, y evitar cortar a mitad de frase porque el modelo pierde el contexto de alrededor y la precisión baja. Escribir un divisor que respete el final de las frases no es difícil, pero es una cosa más que mantienes tú.

GetAnyTranscript tiene su propio techo aquí, y es más estrecho: 15 minutos por video. Los videos más largos se rechazan en vez de recortarse. Si transcribes entrevistas de una hora a menudo, la ruta de la API con tu propio troceado es la mejor herramienta.

Cuánto cuesta, sin adornos

0,0045 dólares por minuto es barato. Un video de 10 minutos cuesta 4,5 céntimos de API. Una hora cuesta 27 céntimos.

GetAnyTranscript cobra un crédito por video sin importar la duración, y el paquete de entrada son 5,99 dólares por 60 créditos, o sea unos 10 céntimos por video. En precio bruto por video de 10 minutos gana la API: 4,5 céntimos contra 10.

Esa comparación solo es justa si ignoras lo que incluye cada precio. La cifra de la API cubre la conversión de voz a texto y nada más. No cubre sacar el audio de YouTube, ni el almacenamiento, ni el troceado, ni los reintentos, ni el resumen, ni tu tiempo. Los 10 céntimos cubren el camino completo del enlace al texto terminado más las seis salidas extra. Cuál sale más barato depende de cuánto valga tu tiempo.

Dos detalles de coste más que conviene saber. La API de OpenAI no tiene plan gratuito, así que probar GPT Transcribe pasa por poner dinero en la cuenta primero. GetAnyTranscript te da una cuota gratuita cada mes sin registro, suficiente para decidir si el resultado te sirve antes de pagar nada.

Dónde GPT Transcribe es la mejor opción

Hay trabajos en los que la API es claramente la opción correcta.

Trabajos por lotes sobre archivos que ya tienes. Cientos de llamadas grabadas en un bucket, procesadas de noche. Un precio por minuto a este nivel es muy difícil de batir.

Subtítulos en vivo. gpt-live-transcribe va soltando transcripciones parciales con un ajuste delay que intercambia latencia por precisión final. GetAnyTranscript no procesa audio en vivo, punto.

Vocabulario específico. El nuevo campo keywords acepta cadenas literales como números de cuenta, nombres de fármacos o nombres internos de producto, y el modelo los trata como pistas, no como texto obligatorio. Para audio médico, jurídico o de soporte esto es una ganancia real de precisión que una herramienta generalista no puede igualar.

Cualquier cosa que estés construyendo tú. Si la transcripción es una función dentro de tu propio producto, lo que quieres es el modelo, no la interfaz de otro.

Dónde se queda corto GetAnyTranscript

La lista honesta, porque de todos modos lo vas a descubrir en los primeros cinco minutos:

• Tope de 15 minutos por video. Los podcasts largos y las clases enteras quedan fuera hoy.
• La subida de archivos todavía no está activa. El botón está y te avisa de que llega pronto. Ahora mismo la herramienta funciona solo con URL, que es la otra cara de su principal virtud.
• Cuatro plataformas. YouTube, TikTok, Instagram y Reels. No Vimeo, no Twitch, no un enlace a un MP3 en tu propio servidor.
• Sin etiquetas de hablante. Las entrevistas y las mesas redondas vuelven como texto continuo, sin señal de quién habla.
• Sin exportación a SRT ni VTT. Segmentos con marcas de tiempo en pantalla, pero no un archivo de subtítulos.

Quién debería elegir cada una

Elige GPT Transcribe si escribes código, ya tienes el audio en archivos, transcribes en volumen o en tiempo real y quieres ser dueño del pipeline. Calcula un día para la fontanería y acuérdate de dejar whisper-1 a mano para cualquier cosa con marcas de tiempo o subtítulos.

Elige GetAnyTranscript si lo que tienes es un enlace, el video dura menos de 15 minutos y quieres la transcripción más un resumen y un set de ganchos sin abrir un editor. Estudiantes sacando citas de clases, creadores exprimiendo el video de un competidor, investigadores leyendo una entrevista traducida a uno de diez idiomas. Ese flujo lo repasamos con detalle cuando miramos qué tan precisos son realmente los subtítulos automáticos de YouTube. Sin código, y con una cuota gratuita cada mes para probar.

Mucha gente acaba usando las dos. La herramienta web para enlaces sueltos, la API para el lote.

Preguntas frecuentes

¿GPT Transcribe es gratis?

No. GPT Transcribe cuesta 0,0045 dólares por minuto de audio a través de la API de OpenAI, y la API no tiene plan gratuito, así que necesitas una cuenta con facturación configurada antes de la primera petición. GPT Live Transcribe cuesta 0,017 dólares por minuto.

¿GPT Transcribe puede transcribir un video de YouTube?

No directamente. GPT Transcribe acepta archivos de audio subidos, no URL. Para usarlo con un video de YouTube tienes que descargar el video, extraer el audio, partirlo por debajo de 25 MB y subir los trozos tú. Las herramientas que aceptan un enlace hacen esos pasos por ti.

¿GPT Transcribe admite subtítulos SRT o VTT?

No. La guía de migración de OpenAI dice que conserves whisper-1 si tu integración depende de la salida nativa en SRT o VTT, o de marcas de tiempo por palabra o por segmento. gpt-transcribe devuelve texto en JSON sin datos de tiempo.

¿GPT Transcribe es más preciso que Whisper?

OpenAI presenta los dos modelos nuevos como una mejora de precisión sobre Whisper, pero no ha publicado una tasa de error por palabra para ninguno. Al momento de escribir esto no existía ningún benchmark independiente de los modelos de julio de 2026. Los benchmarks de otros fabricantes que nombran a GPT Transcribe son anteriores a este lanzamiento y midieron modelos más viejos, así que trata la mejora como no verificada y haz tu propia comparación con tu propio audio.

¿GPT Transcribe identifica a los distintos hablantes?

No. La diarización necesita otro modelo, gpt-4o-transcribe-diarize, llamado con response_format: "diarized_json". Las grabaciones de más de 30 segundos además necesitan chunking_strategy: "auto", y ese modelo no funciona en la Realtime API.

¿Cuál es la diferencia entre GPT Transcribe y GPT Live Transcribe?

GPT Transcribe procesa audio que ya existe como archivo y optimiza la precisión. GPT Live Transcribe procesa audio que llega de forma continua desde un micrófono y optimiza la latencia. Para liar más la cosa, GPT Transcribe también puede transmitir su salida, pero solo de un archivo que ya está completo.

¿Necesito GPT Transcribe para conseguir una transcripción?

Solo si estás construyendo algo. Para un video suelto del que ya tienes el enlace, un generador de transcripciones web te da el mismo texto sin clave de API, sin tarjeta y sin nada de código.