El mejor LLM para resúmenes de expedientes depende de la duración de la llamada

AssemblyAI afirma que no existe un único modelo de lenguaje grande para resumir transcripciones, argumentando que la elección correcta varía según la duración, el coste y la latencia de la llamada. En una publicación publicada el 28 de octubre de 2026, la empresa afirmó que su Voice Standard Bench clasifica los modelos según la salida real de voz a texto en mensajes de voz de 30 segundos, llamadas de 2 minutos, llamadas de soporte de 15 minutos y reuniones de 60 minutos.

Por qué la longitud del expediente cambia la clasificación

AssemblyAI afirmó que el resumen de transcripciones no es lo mismo que el resumen de documentos porque la entrada hablada es disfluida, repetitiva y a menudo con varios habladores, y porque la longitud de la transcripción puede variar en dos órdenes de magnitud dentro del mismo producto. La empresa afirmó que las entradas cortas pueden manejarse bien por muchos modelos, mientras que la cobertura y la fidelidad se vuelven más importantes a medida que las llamadas se alargan.

En los mensajes de voz de 30 segundos, AssemblyAI indicó que 41 de los modelos de 52 en su pestaña de Resumen puntuan 90 o más, con diferencias impulsadas principalmente por la velocidad, el precio y si el modelo amplía la respuesta. A los 15 minutos, indicó que solo 10 modelos obtienen puntuaciones 90 o más, y a 60 minutos la diferencia entre los primeros y abajo es más amplia.

Cómo se puntua el banquillo

El Voice Standard Bench es de código abierto y prueba modelos Gateway en resumen, extracción de información, corrección de texto y limpieza de dictado, según AssemblyAI. Para resumir, cada modelo recibe el mismo prompt: escribir un resumen en prosa sencilla que una persona ocupada pueda leer en lugar de la llamada, cubriendo los temas discutidos, luego decisiones, después acciones y manteniendo la longitud a la llamada.

AssemblyAI afirmó que cada resultado es puntuado por dos jueces de LLM, Claude Opus 5.5 y GPT-5.6 SOL, en cuanto a fidelidad, cobertura y concisión. La empresa dijo que el benchmark utiliza diez transcripciones reales por bucket de longitud, cada una dentro de 15% de la longitud objetivo, y que las solicitudes de salida de error se registran pero se excluyen de la puntuación en lugar de contar como cero.

La empresa dijo que utiliza jueces en lugar de ROUGE o BERTScore porque las métricas de solapamiento de tokens pueden recompensar la coincidencia de frases mientras se pierden errores fácticos, lo cual es un problema particular en transcripciones habladas.

Selecciones publicadas por longitud

AssemblyAI listó diferentes modelos de alto rendimiento según la longitud de la transcripción. Para los mensajes de voz de 30 segundos, nombró gpt-5.6-terra como el modelo de mayor rendimiento, con una puntuación de 100, nemotron-3-nano-30b-a3b como la opción de menor coste, con $0.0016 por hora de audio y una puntuación de 76, y qwen3.5-4b-32k- rápido como el más rápido con mediana de 0.28 segundos y una puntuación de 76.

Para llamadas de 2 minutos, AssemblyAI dijo que claude-opus-5-5 lideró con una puntuación de 99, mientras que nemotron-3-nano-30b-a3b fue la opción de menor coste con $0.0016 por hora de audio y qwen3.5-4b-32k- rápida fue la más rápida con la mediana de 0.60 segundos. Para llamadas de soporte de 15 minutos, dijo que claude-opus-5-5 volvió a ocupar el puesto más alto con 97, con nemotron-3-nano-30b-a3b coste más bajo con $0.0013 por hora de audio.

En reuniones de 60 minutos, AssemblyAI dijo que deepseek-v4.1-flash lideró con una puntuación de 96, pero también registró 25 solicitudes de error a lo largo de sus ejecuciones de 60 minutos. La compañía afirmó que su tiempo medio de respuesta a esa duración fue de 73.3 segundos y que las siguientes puntuaciones más altas fueron claude-opus-5-5 y gpt-6-astra, ambas a 95.

Costes y compensaciones operativas

AssemblyAI dijo que la economía de resumen debería medirse en coste por hora de audio en lugar de por token, porque los productos de voz se venden en horas y los modelos dependen de tokens de entrada, tokens de salida y, en algunos casos, tokens de razonamiento ocultos. Señaló que la conversión puede generar grandes brechas en el coste, incluso cuando las diferencias de calidad son menores que el diferencial de precio.

uno Por ejemplo, AssemblyAI dijo que el mejor puntuador en llamadas de 2 minutos, Claude opus-5-5, cuesta alrededor de $0.30 por hora de audio, mientras que el nemotron-3 de menor coste -nano-30b-a3b cuesta alrededor de $0.0016 por hora de audio. Dijo que hay una diferencia de calidad de 17 puntos por menos de 1% del precio.

Lo que dice la empresa para vigilar

AssemblyAI afirmó que los modelos más baratos y rápidos pueden ser competitivos en entradas cortas, pero que la elección del modelo importa más en reuniones largas donde la cobertura y la fiabilidad son más importantes. También indicó que los usuarios deberían comprobar la puntuación junto a las tarjetas más baratas y rápidas, porque esas selecciones son opciones sin calidad mínima.

La empresa recomendaba pasar los turnos de altavoz en lugar de un muro de texto, pedir presupuestos con fundamento cuando fuera necesario y agrupar y fusionar resúmenes para llamadas de 60 minutos. También indicó que los usuarios pueden probar modelos a través de su API Gateway, que es compatible con OpenAI y tiene un precio de lista del proveedor con 0% margen de margen.

Por otro lado, los recientes lanzamientos de productos de otros proveedores subrayan que la resumen de transcripciones sigue siendo un área activa de desarrollo. OpenAI dijo el 6 de octubre de 2026 que ChatGPT ahora soporta subidas de audio para transcripciones, resúmenes de grabación y preguntas sobre contenido de audio, mientras que Anthropic afirmó el 28 de septiembre de 2026 que Claude Sonnet 5.5 fue diseñado para ser más rápido y de menor coste que Sonnet 5. Esas versiones no son lo mismo que las clasificaciones de benchmark de AssemblyAI, pero muestran lo rápido que está cambiando el panorama de productos circundante.

AssemblyAI afirmó que la página de resultados en tiempo real es la fuente de la verdad y que podría cambiar a medida que cambien los modelos. No proporcionó una recomendación universal fija, señalando que el mejor modelo depende de la longitud de la transcripción y del equilibrio entre calidad, velocidad y coste.