Tres APIs lideran el mercado de texto a voz para desarrolladores. Este artículo compara ElevenLabs, OpenAI y Gemini en latencia, expresividad, cobertura de idiomas y costo real por hora de audio, y después muestra cómo probar voces, añadir música y verificar el resultado con transcripción.
Elegir una API de texto a voz parece fácil hasta que llega la factura, o hasta que el primer usuario dice que la voz suena a un GPS de hace diez años. Tres nombres dominan la lista corta de los desarrolladores: ElevenLabs, OpenAI y Google Gemini. Cada uno gana en una batalla distinta. Uno suena lo más humano, otro es el más barato para funcionar todo el día y otro habla más idiomas de los que la mayoría de los equipos llegará a necesitar.
Este artículo los compara en lo que decide los proyectos reales: latencia, calidad de voz, precio por hora de audio, cobertura de idiomas y cuánto trabajo exige la integración. También verás dónde probar voces en el navegador antes de escribir una sola línea de código, y cómo añadir música y transcripción para que el audio final esté listo para publicar.
Todos los proveedores muestran un clip de demostración muy pulido, y la demo te dice casi nada. Lo que importa es cómo se comporta la API con tus guiones, a tu volumen y dentro de tu presupuesto de latencia. Tres comprobaciones separan una buena elección de un error caro.
Para un agente de voz o un asistente integrado en el coche, la cifra que cuenta es el tiempo hasta el primer audio, no el tiempo total de generación. Una respuesta que empieza en unos pocos cientos de milisegundos parece una conversación. Una que empieza a los dos segundos parece una mala línea telefónica. A los trabajos por lotes, como los audiolibros o la narración de cursos, no les importa, porque nadie está esperando el capítulo nueve.
Decide en qué grupo estás antes de comparar nada más. Los proyectos en tiempo real deben incluir en la lista corta los modelos rápidos y ligeros. Los proyectos por lotes deben pagar por calidad y dejar que el trabajo corra durante la noche.
Las frases cortas de demostración son fáciles. Las pruebas de estrés no. Ejecuta cada candidato con el mismo guion e incluye algunas trampas:
Guarda los archivos de audio y compáralos a ciegas. Tus oídos elegirán a menudo un ganador distinto al que destaca la página de marketing.
Una voz que suena perfecta en las pruebas no sirve de nada si la API te limita durante un lanzamiento. Revisa los límites de concurrencia de tu plan, cómo gestiona el proveedor las ráfagas de peticiones y qué códigos de error recibes cuando una petición falla. Implementa reintentos con una espera corta que aumenta de forma gradual, y guarda en caché cada línea que generes más de una vez, como un saludo o un mensaje de confirmación. Almacena los archivos de audio en lugar de regenerarlos en cada petición. Solo el caché puede reducir la factura de forma sorprendente en las apps que repiten las mismas frases todo el día.
Los proveedores cobran en tres unidades distintas: por carácter, por token y por minuto de audio. Eso hace que las páginas de precios sean difíciles de comparar de un vistazo. La solución es convertirlo todo a costo por hora de audio final, que es lo que realmente compras. La sección de comparación de más abajo hace exactamente eso.
💡 Consejo: Las tarifas cambian con frecuencia. Las cifras de este artículo proceden de las listas de precios publicadas en el momento de escribirlo, así que confirma cada número en la página de precios del proveedor antes de comprometer un presupuesto.
ElevenLabs construyó su reputación con voces que suenan interpretadas en lugar de leídas. Para la narración, el trabajo de personajes y cualquier caso en el que la emoción transmite el mensaje, sigue siendo el nombre con el que se miden las demás APIs.
ElevenLabs V3 es el modelo insignia expresivo. Las tarifas publicadas rondan $0.10 por cada 1,000 caracteres, con soporte para más de 70 idiomas y hasta 5,000 caracteres por petición. Los controles son lo que lo hace bueno para proyectos largos:
Los campos de texto anterior y siguiente están infravalorados. Cuando generas un guion largo por fragmentos, pasar las frases vecinas evita que la voz reinicie su tono en cada límite de fragmento, que es la pista más común de una narración sintética.
La clonación de voz también merece una mención. ElevenLabs permite crear una voz a partir de una grabación, lo cual resulta útil para un narrador de marca que debe sonar igual en cientos de videos. Clona solo voces para las que tengas permiso por escrito y guarda ese permiso en tus archivos. Clientes y plataformas suelen pedirlo, y te protege si alguna vez se impugna una voz.
Flash v2.5 cambia algo de riqueza por velocidad. Las fichas lo sitúan en unos 75 ms de latencia del modelo, 32 idiomas y cerca de $0.05 por cada 1,000 caracteres, la mitad del precio de V3. También acepta hasta 40,000 caracteres por petición, así que los documentos largos necesitan menos llamadas.
Usa Flash para bots de atención, respuestas en directo y asistentes para el coche. Usa V3 cuando una persona vaya a escuchar con atención. Un patrón habitual es usar ambos: Flash para la respuesta en directo y V3 para la versión pulida de la misma línea que aparece en un video de marketing. Si necesitas un modelo multilingüe y estable entre los dos, vale la pena probar v2 Multilingual.
La oferta de voz de OpenAI, construida en torno a gpt-4o-mini-tts, es la opción económica que rara vez te sorprende. El precio figura en $0.60 por millón de tokens de entrada de texto y $12 por millón de tokens de salida de audio, que la propia OpenAI estima en unos 1.5 centavos por minuto de audio.
El modelo incluye 13 voces integradas y acepta una instrucción en lenguaje natural sobre cómo hablar, por ejemplo "cálido, sin prisas, como un locutor de radio de madrugada". Eso lo hace muy adecuado cuando necesitas rápidamente unos cuantos personajes coherentes, sin ninguna configuración de voz. La integración también es la más sencilla de las tres si tu conjunto de herramientas ya llama a OpenAI para texto o transcripción, porque reutilizas la misma cuenta, el mismo SDK y la misma facturación.
El modelo de texto a voz de OpenAI no forma parte hoy del catálogo de PicassoIA, pero sus modelos de reconocimiento de voz sí. Más sobre eso en la sección de transcripción.
Gemini 3.1 Flash TTS es el modelo de voz expresivo de Google. El nivel de pago figura en $1.00 por millón de tokens de entrada de texto y $20.00 por millón de tokens de salida de audio. El audio se factura a 25 tokens por segundo, así que un clip de 60 segundos son 1,500 tokens de salida, unos tres centavos. El modo por lotes reduce a la mitad ambas tarifas.
El modelo ofrece 30 voces y más de 70 códigos de idioma. Dos controles dan forma a la entrega. Un prompt de estilo en lenguaje natural fija el ritmo, el acento y el ánimo, como "habla despacio y con seguridad". Las etiquetas en línea cambian frases concretas:
[sigh] Another Monday. [whispering] But the launch is today.
Etiquetas como [whispering], [laughing], [shouting] y [extremely fast] permiten que un mismo guion tenga varios estados de ánimo sin dividirlo en peticiones separadas. Para diálogos de videojuegos, anuncios y explicativos, eso ahorra mucho tiempo de edición.
La localización es donde este modelo brilla. Un guion publicitario en inglés puede adaptarse al español, al francés y al japonés, y luego locutarse cambiando el código de idioma en cada petición, mientras el mismo prompt de estilo mantiene la energía coherente en cada mercado. La revisión de hablantes nativos sigue siendo importante para los modismos y los nombres de marca, pero el primer borrador audible llega en minutos y no en días.
En el momento de escribir esto, Google ofrece este modelo como vista previa en la API de Gemini. Las vistas previas pueden cambiar de comportamiento o de precio con poco aviso. Fija el nombre del modelo en tu configuración, deja conectado un proveedor de respaldo y vuelve a ejecutar tu guion de prueba después de cada actualización.
Los números ganan a los adjetivos cuando eliges proveedor. Esta tabla reúne los límites y tarifas publicados que se usan en este artículo.
| Característica | ElevenLabs V3 | ElevenLabs Flash v2.5 | OpenAI gpt-4o-mini-tts | Gemini 3.1 Flash TTS |
|---|---|---|---|---|
| Ideal para | Narración expresiva | Respuestas en tiempo real | Audio masivo de bajo costo | Multilingüe y con etiquetas de entrega |
| Idiomas | 70+ | 32 | Más sólido en inglés | 70+ códigos de idioma |
| Voces | Biblioteca amplia, clonación | Biblioteca amplia, clonación | 13 integradas | 30 predefinidas |
| Máximo de entrada por petición | 5,000 caracteres | 40,000 caracteres | 2,000 tokens | 4,000 bytes |
| Precio publicado | ~$0.10 por cada 1,000 caracteres | ~$0.05 por cada 1,000 caracteres | ~$0.015 por minuto | ~$0.03 por minuto |
| Control de la entrega | Stability, style, speed | Stability, speed | Instrucciones en lenguaje natural | Prompt de estilo y etiquetas en línea |
Para que los precios sean comparables, asumimos que 1,000 caracteres equivalen a aproximadamente un minuto de habla. Es una regla práctica habitual para un ritmo de lectura normal.
| Proveedor y modelo | Una hora de audio | 100 horas de audio |
|---|---|---|
| OpenAI gpt-4o-mini-tts | unos $0.90 | unos $90 |
| Gemini 3.1 Flash TTS | unos $1.80 | unos $180 |
| ElevenLabs Flash v2.5 | unos $3.00 | unos $300 |
| ElevenLabs V3 | unos $6.00 | unos $600 |
La diferencia es grande. V3 cuesta aproximadamente siete veces más que OpenAI por el mismo tiempo de reproducción. Que ese sobreprecio merezca la pena depende de quién escuche. Para un video de formación interna, probablemente no. Para una película de marca o un audiolibro con un público fiel, sin duda sí.
Si no estás seguro, empieza con el modelo más barato que pase tu prueba a ciegas y mejora solo las líneas en las que los oyentes noten la diferencia. La mayoría de los productos acaban usando dos modelos: uno para las respuestas en directo y otro para el contenido pulido y pregrabado.
Más allá de estos tres, MiniMax Speech 2.8 HD e Inworld Realtime TTS 2 son alternativas sólidas, y Chatterbox Turbo es una opción rápida de Resemble AI.
Antes de conectar cualquier API a tu producto, escucha primero las voces. PicassoIA te permite ejecutar Gemini 3.1 Flash TTS en el navegador, así que puedes probar el tono, el idioma y las etiquetas en cuestión de minutos. Ten en cuenta que la API para desarrolladores de PicassoIA sirve actualmente modelos de imagen y video, así que usa el navegador para elegir una voz y la API de cada proveedor para las llamadas de producción.
[whispering], [laughing] o [sigh] dentro del texto donde deba cambiar la entrega.💡 Consejo: Cambia un solo ajuste por ejecución. Si modificas la voz, el prompt de estilo y las etiquetas a la vez, no sabrás qué cambio marcó la diferencia.
Dos notas prácticas antes de escalar. Primero, mantén cada fragmento bien por debajo del límite de 4,000 bytes, porque el texto que no está en inglés usa más bytes por carácter, así que un párrafo en español o japonés alcanza el tope antes de lo que esperas. Segundo, reutiliza el mismo prompt de estilo en cada fragmento de un guion, o el ritmo variará entre clips.
Para comparar con la otra gran opción, ejecuta el mismo fragmento con ElevenLabs V3 con su stability en 0.5 y su style en un valor bajo. Una escucha a ciegas de ambos clips te dirá más que cualquier benchmark.
Una locución por sí sola rara vez se publica. La mayoría de las piezas terminadas necesitan una base musical, y todas necesitan una comprobación final de que la voz dice lo que dice el guion. Ambos pasos caben en el mismo flujo de trabajo.
Un instrumental suave bajo la narración aporta acabado y oculta pequeños huecos entre clips. PicassoIA ofrece varios modelos de música para generar uno a partir de un prompt de texto:
Pide un instrumental sin voces, con un tempo lento y poca energía. Mézclalo entre 15 y 20 decibelios por debajo de la voz para que las palabras se entiendan con claridad.
Aquí tienes un bucle de calidad sencillo. Genera la voz, transcríbela de nuevo a texto y compara el resultado con tu guion original. Los nombres mal pronunciados, los números omitidos y las palabras perdidas aparecen como diferencias. GPT-4o Transcribe y Gemini 3 Pro hacen ambos este trabajo en PicassoIA, y GPT-4o Mini Transcribe es la opción más ligera para comprobaciones rápidas.
El mismo bucle funciona en producción. Toma una muestra pequeña del audio generado, transcríbela y marca los clips que se alejen del texto original. Cuesta poco y detecta problemas antes que los clientes.
La mejor forma de elegir una API de texto a voz es escucharla. Toma un párrafo real de tu proyecto y pásalo por Gemini 3.1 Flash TTS, ElevenLabs V3 y Flash v2.5 en Picasso IA. Añade una base musical con Lyria 3 Pro y luego transcribe el resultado con GPT-4o Transcribe para confirmar que se conservó cada palabra.
Picasso IA también genera imágenes y video, así que la misma cuenta puede producir la miniatura, la locución y la banda sonora de tu próximo lanzamiento. Abre la plataforma, pega un guion y pulsa generar. Diez minutos de pruebas responderán a la pregunta que no resuelven una docena de artículos comparativos.
Elige tu idioma
