Cartesia Speech to Text
Cartesia Speech to Text convierte en texto archivos de audio ya grabados con el modelo Ink Whisper de Cartesia. A diferencia de otros servicios, Cartesia no detecta el idioma: transcribe en el que le indiques, español por defecto. Devuelve un Data por cada archivo, con la transcripción en el campo text.
Necesitas una credencial Cartesia API con la clave de tu cuenta de Cartesia. Consulta Credenciales. El audio se envía a Cartesia para transcribirlo.
No es el nodo de voz para llamadas: para escuchar a quien llama en una llamada en directo, el Agente de Voz usa el nodo Cartesia STT. Este componente espera a tener el archivo completo.
Cuándo usarlo
- Pasar a texto notas de voz o grabaciones cuando ya usas Cartesia para las voces y sabes en qué idioma hablan.
- Dar a un agente la capacidad de transcribir un audio cuando lo necesite, usando el componente como herramienta.
- Transcribir de una vez una lista de audios con Batch Mode.
Si no sabes en qué idioma estará el audio, o se mezclan varios, usa uno que lo detecte, como Deepgram Speech to Text o Groq Whisper Speech to Text.
Configuración
| Campo | Qué hace |
|---|---|
| API Key (obligatorio) | Tu clave de Cartesia. La clave se rellena sola al elegir tu credencial de Cartesia. |
| Audio (obligatorio) | El archivo de audio (o de vídeo) que quieres transcribir: WAV, MP3, OGG, M4A, WEBM… Conéctalo al componente que trae el archivo, por ejemplo un webhook, un chat con adjuntos o el almacenamiento. Admite varios archivos. |
| Language | El idioma del audio, con su código, por ejemplo es o en. Por defecto, es. Cartesia no lo detecta: si lo dejas vacío, transcribe como si fuera inglés. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Model | El modelo de transcripción de Cartesia. Por defecto, ink-whisper, el único disponible para archivos. |
Resultado
La salida Data entrega un registro por archivo:
{ "text": "Hola, buenos días. Su cita está confirmada para el martes a las 10 y media.", "language": "es", "file_name": "nota_de_voz.ogg", "provider": "Cartesia", "model": "ink-whisper", "duration": 5.1}duration es la duración del audio en segundos.
Ejemplo
Una academia de inglés pide a sus alumnos que envíen un audio leyendo un texto. El flujo pasa cada audio a Cartesia Speech to Text con Language en en y un agente compara la transcripción con el texto original para señalar las palabras que el alumno se saltó.
Componentes relacionados
- Voz a texto y texto a voz: todos los componentes para transcribir audio y para generarlo.
- Cartesia Text to Speech: lo contrario, convierte un texto en audio con la misma credencial.
- Deepgram Speech to Text y Groq Whisper Speech to Text: detectan el idioma solos.
Consejos
- Revisa Language cuando el audio no esté en español: con el valor equivocado, la transcripción sale mal.
- Cartesia escribe los números y las horas en cifras: «a las diez y media» sale como «a las 10 y media» o «a las 10:30».
- Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se transcribió en 0,2 s, palabra por palabra.