Saltearse al contenido

Groq Whisper Speech to Text

Groq Whisper Speech to Text convierte en texto archivos de audio ya grabados con el modelo Whisper, ejecutado en los servidores de Groq, lo que lo hace muy rápido. Reconoce más de 99 idiomas y, si no le indicas el idioma, lo detecta. Devuelve un Data por cada archivo, con la transcripción en el campo text.

Necesitas una credencial Groq API con la clave de tu cuenta de Groq. Consulta Credenciales. El audio se envía a Groq 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 Groq Whisper STT. Este componente espera a tener el archivo completo.

Cuándo usarlo

  • Pasar a texto notas de voz cuando la respuesta tiene que llegar enseguida.
  • Transcribir audios en cualquier idioma sin saber de antemano cuál es.
  • 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.

Configuración

CampoQué hace
API Key (obligatorio)Tu clave de Groq. La clave se rellena sola al elegir tu credencial de Groq.
Audio (obligatorio)El archivo de audio (o de vídeo) que quieres transcribir: FLAC, MP3, MP4, M4A, OGG, WAV o WEBM. Conéctalo al componente que trae el archivo, por ejemplo un webhook, un chat con adjuntos o el almacenamiento. Admite varios archivos.
LanguageOpcional. El idioma del audio, con su código, por ejemplo es o en. Indicarlo mejora la precisión. Vacío por defecto: Whisper detecta el idioma.

Opciones avanzadas

CampoQué hace
ModelEl modelo Whisper. Por defecto, whisper-large-v3-turbo, el más rápido y barato. whisper-large-v3 es el más preciso.

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": "Groq",
"model": "whisper-large-v3-turbo",
"duration": 5.1
}

duration es la duración del audio en segundos.

Cada archivo puede ocupar hasta 25 MB, unos 25 minutos de MP3. Si uno es mayor, la ejecución se detiene con un aviso que indica su tamaño; comprímelo antes en MP3 o FLAC.

Ejemplo

Una inmobiliaria recibe por WhatsApp audios de clientes interesados en un piso. El flujo pasa cada audio a Groq Whisper Speech to Text, un agente lee el texto, extrae la zona y el presupuesto y responde al momento con tres pisos que encajan.

Componentes relacionados

Consejos

  • Whisper 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.