Brainiall Speech Live
Transcripción por WebSocket lista para agentes de voz

Cómo funciona

1. Conectar to wss://api.brainiall.com/v1/stt/stream con autenticación Bearer.
2. Enviar Frames binarios con fragmentos de audio PCM mono int16 a 16 kHz (cualquier tamaño). El servidor hace buffering internamente.
3. Recibir Frames de texto JSON cada ~1.5 s de audio acumulado: {"type":"partial","text":"...","offset_ms":0,"duration_ms":1500}
4. Enviar frame de texto "__END__" para vaciar el buffer restante. Reciba la transcripción final: {"type":"final","text":"...","chunks_processed":N}

# Python client (websockets lib)
import asyncio, json, websockets, wave

async def stream(wav_path):
 async with websockets.connect(
 "wss://api.brainiall.com/v1/stt/stream",
 additional_headers=[("Authorization", "Bearer $BRAINIALL_API_KEY")],
 ) as ws:
 with wave.open(wav_path, "rb") as wf:
 data = wf.readframes(wf.getnframes)
 # Send in 200ms chunks
 chunk = 16000 * 2 // 5 # int16 @ 16kHz, 200ms
 for i in range(0, len(data), chunk):
 await ws.send(data[i:i+chunk])
 await asyncio.sleep(0.2)
 await ws.send("__END__")
 async for msg in ws:
 event = json.loads(msg)
 print(event["type"], event["text"])
 if event["type"] == "final":
 break

asyncio.run(stream("audio.wav"))

Casos de uso

Calidad y comparación de precios

Calidad en una escala de 0 a 10 derivada de benchmarks WER publicados (benchmarks de habla limpia, benchmarks multilingües, CallHome). El precio es por minuto de audio en USD.

Dónde somos honestos

• Latencia del primer parcial: ~1.5 s hoy (MVP de buffer por tiempo). El streaming de Deepgram Nova-3 está más cerca de ~300 ms para el primer parcial. Estamos trabajando en segmentación basada en detección de actividad de voz más inteligente + flush de 500 ms en la Fase 2.
• Ventana deslizante: Cada parcial se transcribe de forma aislada hoy (sin solapamiento). El motor de transcripción ocasionalmente alucina en segmentos cortos aislados. La Fase 2 añade 500 ms de solapamiento para corregirlo.
• Brainiall Speaker ID Aún no en modo streaming (solo por lotes). Nuestro endpoint actual /transcribe por lotes incluye diarización con el motor Brainiall Speaker ID.
• Idiomas: Detección automática de idioma (compatible con 99 idiomas). Para menor latencia, futuro language= el parámetro omitirá la detección.
• Latencia de transcripción batch (CPU): el mismo motor Brainiall Speech (nivel Pro) también atiende el modo no-streaming /v1/whisper/transcribe endpoint batch. En la flota actual de CPU, un clip en caliente de 4 segundos se transcribe en ~6 a 7 s, y el costo crece aproximadamente de forma lineal con la duración del audio. Audio > 60 s Recomendamos segmentar en el cliente (por ejemplo, en tramos de 30 s) y unir las transcripciones; así la latencia por solicitud queda acotada y paraleliza de forma limpia.

Precios

Descuento derivado de la posición de calidad. 55% de descuento a la par con los líderes de la industria en cobertura y precisión.