Entre una etiqueta de $4 y otra de $100 por millón de caracteres está la voz que tu proyecto necesita de verdad, y la diferencia entre esas dos cifras es mayor de lo que la mayoría espera. Una API de texto a voz parece una utilidad sencilla hasta que llega la factura. Entonces descubres que el mismo guion de 10.000 palabras cuesta unos centavos con un proveedor y varios dólares con otro, y que la opción barata a veces suena como un GPS de 2012 mientras la opción más cara suena como un locutor de radio.
Este artículo explica las cifras en términos sencillos, muestra dónde las opciones baratas aguantan y dónde se desmoronan, y señala los niveles gratuitos que se renuevan cada mes en lugar de desaparecer tras una prueba.
💡 Revisión de precios: Los precios de TTS cambian con frecuencia, y las cifras de abajo son redondeadas a partir de páginas de precios públicas y comparativas vistas a finales de 2026. Confirma siempre la tarifa actual en la página de precios del proveedor antes de comprometer un presupuesto.
Qué significa realmente "barato"
Precio por millón de caracteres
Casi todos los proveedores cobran por carácter, no por minuto ni por palabra. Eso facilita la comparación una vez que conoces la conversión. Un millón de caracteres son unas 170.000 palabras, lo que equivale a unas 18 horas de audio hablado a un ritmo de lectura normal.
Así que cuando un proveedor anuncia $16 por millón de caracteres, pagas unos 88 centavos por hora de audio terminado. A $4 baja a unos 22 centavos por hora. A $80 supera los $4 por hora. Esas cifras por hora son mucho más fáciles de comparar con un narrador freelance o con la reserva de un estudio.

Costos ocultos en la letra pequeña
La tarifa principal es solo una parte de la factura. Fíjate en estos puntos:
- Multiplicadores según el tipo de voz. El mismo proveedor puede cobrar $4 por una voz básica y $30 por su voz neuronal o HD más nueva.
- Facturación por token. Algunos modelos de voz más recientes cobran por tokens de entrada y de salida, lo que complica la comparación por carácter.
- Planes mínimos. Una suscripción con caracteres incluidos puede parecer barata hasta que notas la tarifa por exceso de uso.
- Límites de velocidad. Los planes gratuitos y de entrada suelen limitar las solicitudes simultáneas, lo que importa en apps que generan audio al momento.
- Derechos comerciales. Un nivel gratuito puede permitir hacer pruebas, pero no publicar el audio.
Tabla de precios: los grandes proveedores
La tabla siguiente pone frente a frente a los proveedores más conocidos. Las cifras son por un millón de caracteres y son aproximadas.
| Proveedor y tipo de voz | Precio aprox. por 1M de caracteres | Cuota gratuita |
|---|
| Amazon Polly, Standard | $4 | Cuota de prueba limitada |
| Google Cloud, voces Standard | $4 | Primeros 4M de caracteres cada mes |
| Amazon Polly, Neural | $16 | Cuota de prueba limitada |
| Microsoft Azure Speech, Neural | $15 a $16 | 500K de caracteres cada mes (nivel F0) |
| OpenAI tts-1 | $15 | Ninguna |
| Microsoft Azure Speech, Neural HD | Alrededor de $22 | Compartida con el nivel F0 |
| Google Cloud, Chirp 3 HD | $30 | Primeros 1M de caracteres cada mes |
| OpenAI tts-1-hd | $30 | Ninguna |
| Deepgram Aura-2 | Alrededor de $30 | Crédito inicial |
| ElevenLabs, Flash y Turbo | $40 a $50 | Pequeña cuota mensual del plan |
| ElevenLabs, Multilingual y v3 | $80 a $100 | Pequeña cuota mensual del plan |
Las fuentes no coinciden en ElevenLabs, así que trata su fila como un rango. La tendencia está clara de todos modos: las voces básicas rondan los $4, las voces neuronales sólidas se agrupan entre $15 y $30, y las voces expresivas premium cuestan entre tres y cinco veces más.
💡 El modelo gpt-4o-mini-tts de OpenAI, más reciente, se factura por token, así que no encaja bien en esta tabla. Prueba un guion de muestra con él y revisa los datos de uso antes de dar por hecho que equivale a las tarifas antiguas por carácter.

Niveles gratuitos comparados
Cuotas mensuales que se renuevan
Un nivel gratuito que se reinicia cada mes vale mucho más que un crédito único. Según lo que se publica hoy, las cuotas renovables más generosas son:
- Google Cloud, voces Standard: 4 millones de caracteres al mes. Son unas 72 horas de audio, suficientes para mantener un pequeño proyecto paralelo sin costo de forma indefinida.
- Google Cloud, Chirp 3 HD: 1 millón de caracteres al mes, unas 18 horas de una voz mucho más natural.
- Microsoft Azure Speech F0: 500.000 caracteres al mes, sin fecha de caducidad en el nivel.
- Plan gratuito de Speechify: 500.000 caracteres incluidos cada mes, según los resúmenes de precios que encontré.
Si tu volumen es un resumen semanal de podcast, unas pocas narraciones para blog o una función de accesibilidad en un sitio pequeño, estas cuotas pueden dejar tu factura en cero.
Créditos únicos y pruebas
La mayoría de los proveedores nuevos ofrecen en cambio un crédito inicial. Eso sirve para probar, pero no es un plan de precios. Presupuesta la tarifa de pago desde el primer día, porque el crédito se acaba antes de lo que crees: un solo capítulo de audiolibro puede consumir 50.000 caracteres.

¿Lo barato sigue sonando bien?
Voces estándar frente a voces neuronales
El nivel de $4 existe por una razón: se basa en métodos más antiguos, de concatenación o estadísticos tempranos. Las frases cortas como "Tu pedido ha sido enviado" suenan aceptables. Los párrafos largos dejan al descubierto un ritmo plano, acentos extraños en los nombres y un tono mecánico en los números.
Las voces neuronales de $15 a $16 son el punto en el que la mayoría de los oyentes deja de notarlo. El ritmo mejora, las frases suben y bajan de forma natural, y las respiraciones y pausas caen en lugares creíbles. Para e-learning, notificaciones, menús IVR y artículos narrados, este nivel es el punto óptimo entre precio y calidad.
Voces premium y cuándo se amortizan
Los modelos expresivos, los que susurran, ríen y cambian de tono a mitad de una frase, cuestan más porque usan redes más grandes. Justifican el precio en tres situaciones:
- Voces de personajes para juegos o historias interactivas.
- Videos de marketing donde una lectura plana perjudica las conversiones.
- Audiolibros con secciones largas de diálogo.
Todo lo demás rara vez las necesita. Un narrador tranquilo y claro a $15 gana a una voz dramática a $80 cuando el contenido es un tutorial de software.

💡 Prueba rápida de escucha: Pega un párrafo con una fecha, un precio, un nombre de marca y una pregunta. Las voces baratas suelen fallar primero en la fecha y en la entonación de la pregunta.
Voces económicas que vale la pena probar en PicassoIA
Los gigantes de la nube no son la única vía para una factura baja. PicassoIA reúne muchos modelos de voz en un solo lugar, así que puedes comparar voces con tu propio guion sin crear una cuenta aparte para cada proveedor. Algunos que encajan con proyectos atentos al costo:
Modelos rápidos y ligeros
- Gemini 3.1 Flash TTS ofrece 30 voces en más de 70 idiomas, una buena opción cuando necesitas amplitud en un solo modelo.
- TTS 1.5 Mini entrega resultados rápidos en 15 idiomas y está pensado para trabajos de alto volumen.
- Realtime TTS 1.5 Mini apunta a una latencia muy baja, útil para asistentes de voz y chat en vivo.
- Chatterbox Turbo es una opción rápida cuando quieres una entrega expresiva sin un modelo pesado.

Modelos de estudio y multilingües
Diseño de voz y clonación
Qwen3 TTS te permite clonar una voz o diseñar una nueva a partir de una descripción. Eso importa para el costo de una forma que mucha gente pasa por alto: una voz de marca personalizada puede reemplazar la tarifa recurrente de un actor de voz, y una voz coherente en todo el proyecto ahorra tiempo de edición.
💡 La conversión de voz a texto funciona al revés. Si necesitas transcripciones del audio que creas, la categoría de voz a texto en PicassoIA cubre esa parte del flujo de trabajo.
Costos mensuales reales por caso de uso
Las cifras de una página de precios son abstractas hasta que las asocias a un proyecto. Estos ejemplos suponen un guion de unos 6 caracteres por palabra, incluidos los espacios.
Un resumen semanal de podcast
Un episodio de 40 minutos son unos 36.000 caracteres. Cuatro episodios al mes suman 144.000 caracteres.
| Tarifa por 1M de caracteres | Costo mensual |
|---|
| $4 | Alrededor de $0,58 |
| $16 | Alrededor de $2,30 |
| $30 | Alrededor de $4,32 |
| $80 | Alrededor de $11,52 |
A este volumen, incluso la voz más cara casi no cuesta nada, y las cuotas gratuitas de Google y Azure lo convierten en gratis. Elige la voz más natural que puedas escuchar, no la más barata.

Un curso en línea de 10 horas
Diez horas de narración son unos 540.000 caracteres, producidos una sola vez.
| Tarifa por 1M de caracteres | Costo único |
|---|
| $4 | Alrededor de $2,16 |
| $16 | Alrededor de $8,64 |
| $30 | Alrededor de $16,20 |
| $80 | Alrededor de $43,20 |
Compáralo con contratar a un narrador, que suele costar cientos de dólares por la misma duración. Aquí es donde el TTS gana con claridad, y donde pagar $30 por una voz premium se justifica con facilidad, porque los estudiantes escucharán durante horas.

Una app con 10.000 usuarios activos
Si cada usuario activa 3.000 caracteres de voz al mes, son 30 millones de caracteres. Aquí la tarifa importa mucho:
| Tarifa por 1M de caracteres | Costo mensual |
|---|
| $4 | $120 |
| $16 | $480 |
| $30 | $900 |
| $80 | $2.400 |
En este caso, una voz neuronal de precio medio suele ser la decisión correcta, y el caché se convierte en tu mejor aliado. Si muchos usuarios escuchan el mismo mensaje, genéralo una vez y guarda el archivo. Solo el caché puede reducir la factura a la mitad o más.
Cómo elegir sin arrepentirte
Prueba con tu propio guion
Las páginas de demostración muestran cada proveedor en su mejor versión. Usa un párrafo real de tu proyecto: uno con nombres, cifras, siglas y una pregunta. Genéralo con tres o cuatro voces y reprodúcelas una tras otra con los mismos altavoces. Pregunta a un colega cuál escucharía durante diez minutos.

Ojo con estas trampas
- Citar un precio sin el tipo de voz. Confirma siempre a qué voz se aplica la tarifa.
- Ignorar la latencia. Una API barata que tarda tres segundos en responder arruina una app conversacional.
- Saltarse las pruebas de idioma. Una voz excelente en inglés puede ser mediocre en portugués o hindi.
- Olvidar SSML o los controles de pronunciación. Sin ellos, los nombres de marca se deforman y pagas para volver a generar el audio.
- Quedarte atado a un solo proveedor. Mantén tu texto y tus ajustes separados del proveedor para poder cambiar cuando cambien los precios.
Un camino de decisión sencillo
- Menos de 500.000 caracteres al mes con contenido sencillo: usa un nivel gratuito renovable y mantén un respaldo de pago.
- Narraciones o cursos, con volumen único: elige la voz que mejor suene, ya que el costo es pequeño.
- Apps de alto volumen: escoge una voz neuronal en el rango de $15 a $30, añade caché y prueba un modelo más barato para los mensajes no críticos.
- Voces de marca o de personajes: considera la clonación o diseño de voz y luego compara el costo mensual con el de un actor de voz recurrente.

Haz tus propias pruebas de voz
La forma más rápida de resolver la cuestión de barato frente a bueno es escuchar las voces tú mismo. Abre los modelos de texto a voz de PicassoIA, pega el mismo párrafo en Gemini 3.1 Flash TTS, Speech 2.8 Turbo, TTS 1.5 Mini y ElevenLabs Flash v2.5, y compara los resultados lado a lado.
Después, relaciona lo que escuchas con las tablas de costos de arriba. Puede que descubras que una voz económica basta para tus notificaciones, mientras que tu narración de curso merece la opción de calidad de estudio. En cualquier caso, decides con tus oídos y tus propias cifras, no con una página de marketing. Prueba algunos guiones hoy y mira qué voz se gana un lugar en tu proyecto.