El modelo por defecto para convertir una conversación en un objeto de datos. No devuelve un bloque de texto: devuelve intervenciones con hablante atribuido, cada palabra con su marca de tiempo, el idioma detectado con su nivel de confianza, puntuación y números ya formateados. Detrás hay un motor de siete etapas desarrollado por nosotros —detección de actividad de voz, identificación de idioma en espacio restringido, reconocimiento, alineación forzada, diarización acústica, atribución semántica de rol y detección de datos personales— y cada etapa tiene un camino de degradación que produce un resultado peor pero válido. Una llamada nunca se pierde entera porque falle una pieza accesoria.

La variante económica para cuando no hace falta saber quién dijo qué: transcripción, segmentos con inicio y fin, detección de idioma, y de ahí salen los subtítulos SRT y VTT. Se salta la alineación forzada y la diarización, que son las dos etapas caras del motor. Pensada para archivos de audio de un solo hablante, notas de voz y volúmenes grandes de indexación donde el coste manda sobre la estructura.

Ventana de 250.000 tokens: entra un día completo de llamadas de un agente sin trocear nada. Es el modelo que usamos internamente en las etapas donde la calidad en catalán, gallego y euskera decide el resultado —atribución de hablante y detección de datos personales— y está disponible por API con la misma forma que ya conoces: chat, JSON estructurado y llamada a herramientas.

El caballo de batalla. Es el modelo con el que corren la mayoría de los módulos de comprensión, lo que significa que su calidad la medimos nosotros todos los días contra nuestro propio conjunto de referencia. Mismo contrato que el grande, un tercio del precio, y 256.000 tokens de contexto que en la práctica lo dejan a la par para casi todo lo que se le pide a una conversación.

Para buscar por significado dentro de las transcripciones: encontrar todas las llamadas donde alguien amenazó con darse de baja aunque nadie dijera la palabra «baja». La dimensión del vector se pide en la petición, así que se ajusta al índice que ya tengas en lugar de obligarte a redimensionarlo.

Transcripción mientras la llamada ocurre, para asistencia al agente en vivo y para detección de escalado en el momento. Está en el roadmap y todavía no tiene fecha pública: preferimos anunciarlo cuando se pueda probar. Si es lo que bloquea tu integración, dínoslo y entra en la lista de prioridades con nombre y apellidos.