Fish Audio cobra por la conversión de texto a voz $15 por millón de bytes UTF-8, la transcripción a $0.36 por hora de audio y el diseño de voz a un centavo por solicitud. Este desglose convierte esas tarifas en presupuestos reales para tus proyectos, compara los planes web con la API y muestra dónde encaja la clonación de voz.
Fish Audio vende la voz por bytes, y ese detalle explica casi todas las sorpresas en la factura. La API de Fish Audio cobra $15 por millón de bytes UTF-8 de texto para la conversión de texto a voz, $0.36 por hora de audio para la transcripción y $0.01 por solicitud para el diseño de voz. La clonación de voz no tiene una línea propia en esa tabla de tarifas, lo que hace que presupuestarla sea más sencillo de lo que parece al principio.
Este desglose convierte esas tarifas en presupuestos reales de proyecto: una entrada de blog, un audiolibro, un bot de soporte, un mes de intros para un podcast. También verás cómo se comparan los planes web con la API, dónde aprietan los límites de velocidad y cómo se sitúa el precio frente a otros motores de voz. Las cifras provienen de los precios publicados por Fish Audio y de su documentación para desarrolladores, pueden cambiar, así que revísalas antes de comprometer dinero.
💡 Respuesta rápida: una hora de habla en inglés cuesta unos $1.25 a través de la API. Un artículo de 1,000 palabras, narrado de principio a fin, cuesta unos 8 centavos.
Todos los precios del lado de desarrollador caben en una sola tabla.
| Servicio | Modelo o función | Precio |
|---|---|---|
| Texto a voz | s2.1-pro | $15.00 por millón de bytes UTF-8 |
| Texto a voz | s2-pro | $15.00 por millón de bytes UTF-8 |
| Texto a voz | s1 | $15.00 por millón de bytes UTF-8 |
| Texto a voz | s2.1-pro-free | $0.00 por millón de bytes UTF-8 |
| Transcripción | ambos modelos disponibles | $0.36 por hora de audio |
| Diseño de voz | cada solicitud exitosa | $0.01 |
La documentación recomienda s2.1-pro para proyectos nuevos, y los tres modelos de pago comparten precio, así que elegir entre ellos es una decisión de calidad, no de dinero. La versión gratuita de s2.1-pro aparece con costo cero, lo que resulta práctico para prototipar mientras pruebas un guion.
La referencia propia de Fish Audio: un millón de bytes equivale a unas 180,000 palabras en inglés, o unas 12 horas de habla. Divide $15 entre 12 y obtendrás la cifra que vale la pena memorizar: $1.25 por hora de audio terminado.
Un byte es lo que ocupa tu texto una vez codificado en UTF-8. En inglés sencillo, un carácter equivale a un byte, así que $15 por millón de bytes también son $15 por millón de caracteres. Otros alfabetos rompen esa equivalencia:
💡 Mide antes de enviar: en Python,
len(text.encode("utf-8"))devuelve el número exacto de bytes de un guion. Multiplícalo por 0.000015 y tendrás el precio en dólares.
Las cifras de una tabla de tarifas parecen abstractas hasta que las asocias a un trabajo concreto. Estos ejemplos usan la proporción propia de Fish Audio de 180,000 palabras por millón de bytes.
| Trabajo | Duración del audio | Bytes enviados | Costo |
|---|---|---|---|
| Un artículo de 1,000 palabras | unos 4 minutos | unos 5,600 | unos $0.08 |
| 30 resúmenes diarios de cinco minutos | 2.5 horas | unos 208,000 | unos $3.13 |
| Un audiolibro de 80,000 palabras | unas 5.3 horas | unos 444,000 | unos $6.67 |
| 10,000 respuestas de soporte de 300 caracteres | unas 36 horas | 3,000,000 | $45.00 |
| Un millón de caracteres japoneses | varía | unos 3,000,000 | unos $45.00 |
Un audiolibro entero por menos de lo que cuesta un sándwich es el titular aquí. Incluso una producción generosa, con cinco renders completos de un título de 80,000 palabras, se queda cerca de $33. La factura sigue al texto que envías, no a los segundos que devuelve, así que ralentizar la voz con el control de velocidad (la documentación permite de 0.5 a 2.0) no sube el precio.
Los mensajes cortos suman sin que te des cuenta. Un bot de soporte que responde 10,000 preguntas con respuestas de 300 caracteres consume tres millones de bytes, es decir, $45. Guarda en caché cualquier respuesta que se repita. Un saludo que se reproduce 50,000 veces debería generarse una sola vez y almacenarse.
Presupuesta en bytes, no en caracteres, siempre que el texto no esté en inglés. Un millón de caracteres japoneses o chinos cuesta unos $45, tres veces la cifra del inglés, y el cirílico se queda cerca de $30. El audio no es más largo, pero el contador mide el tamaño codificado.
Los pequeños hábitos importan cuando crece el volumen:
La tabla de tarifas no incluye ningún cargo por clonación. Según la página de precios, generar habla con una voz clonada se factura como conversión de texto a voz normal, por byte. Lo que cambia es el flujo de trabajo.
La documentación describe dos vías:
Las voces guardadas son privadas por defecto. Puedes cambiar una a no listada, lo que genera un enlace para compartir, o a pública, lo que la coloca en la Biblioteca de voces de la comunidad.
Una solicitud al endpoint de TTS tiene este aspecto:
POST /v1/tts
Authorization: Bearer <your token>
model: s2.1-pro
{
"text": "Your script goes here.",
"reference_id": "<voice id>",
"format": "mp3",
"latency": "balanced"
}
El campo latency acepta balanced, que Fish Audio describe como unos 300 ms hasta el primer audio, o normal, que favorece la estabilidad. Los formatos de salida son mp3, wav, opus y pcm. El material de Fish Audio también menciona etiquetas de emoción en línea para controlar el tono, así que consulta la referencia de la API para ver la sintaxis exacta antes de depender de ellas.
Una buena clonación empieza con una buena grabación. La documentación pide audio limpio, mono y de un solo hablante, de al menos 10 segundos por fragmento, y señala que un minuto o dos de habla clara mejoran la fidelidad. Acepta archivos wav, mp3, m4a y opus, y la eliminación de ruido de fondo está activada por defecto. Las páginas de marketing citan una muestra de 15 segundos en 30 o más idiomas, así que considera de 10 a 15 segundos como el mínimo, no como el objetivo.
Los derechos importan más que el precio. Los suscriptores de pago pueden usar voces verificadas que son suyas para trabajos comerciales, mientras que la salida del plan gratuito se limita a proyectos personales y no comerciales. Revisa los términos de licencia de tu plan antes de publicar nada comercial, y si clonas la voz de un cliente o de un colaborador, pide primero un permiso por escrito.
💡 Regla general: clona tu propia voz, una voz que hayas contratado para ese fin o una voz con una autorización firmada. Nada más.
Fish Audio también vende planes mensuales para quienes trabajan en el estudio web en lugar de escribir código.
| Plan | Precio mensual | Créditos | Tiempo de generación indicado | Extras |
|---|---|---|---|---|
| Free | $0 | 8,000 | unos 7 minutos | 500 caracteres por generación, 3 espacios de voz pública |
| Plus | $11 | 250,000 | hasta 200 minutos | 15,000 caracteres por generación, 10 voces privadas, 1 voz profesional |
| Pro | $75 | 2,000,000 | hasta 1,620 minutos | 30,000 caracteres por generación, 5 voces profesionales, 3 puestos de equipo |
| Max | $749 | 25,000,000 | hasta 6,250 minutos | 15 voces profesionales, 10 puestos de equipo |
| Enterprise | A medida, facturación anual | A medida | A medida | Cero retención de datos, despliegue local, SOC2 |
La facturación anual reduce la tarifa mensual: Plus cuesta $132 al año, Pro $900 y Max $8,988.
Convierte los minutos indicados de cada plan en gasto de API a $1.25 por hora y la diferencia es grande.
| Plan | Minutos indicados | Mismo audio con la API | Precio del plan |
|---|---|---|---|
| Plus | 200 | unos $4.17 | $11 |
| Pro | 1,620 | unos $33.75 | $75 |
| Max | 6,250 | unos $130.21 | $749 |
Esas cifras de minutos son las que indica la propia página de planes, así que la comparación es aproximada. Aun así, el patrón es claro: un plan compra el estudio web, los espacios de voz y los puestos de equipo, mientras que el audio en bruto sale más barato por byte. Los desarrolladores, los trabajos por lotes y los flujos automatizados encajan mejor en la API. Los editores y los responsables de marketing que nunca abren una terminal pueden pagar con gusto por la interfaz.
Veamos un mes concreto para un pequeño equipo de podcast. Genera 40 horas de habla ($50.00), transcribe 40 horas de cinta de invitados en bruto ($14.40) y prueba 20 diseños de voz nuevos ($0.20). El total es $64.60. Eso es menos que el plan Pro de $75, que indica solo 27 horas de generación, y el equipo conserva el control total sobre la automatización y el almacenamiento.
El reconocimiento de voz de Fish Audio cuesta $0.36 por hora de audio, facturado según la duración procesada redondeada al segundo más cercano. Diez horas de entrevistas cuestan $3.60, y cien horas cuestan $36. Combínala con TTS y podrás crear un ciclo que transcribe una grabación, edita el texto y devuelve el resultado hablado con una voz clonada.
El diseño de voz crea voces nuevas a partir de una descripción escrita en lugar de una grabación, y una solicitud puede devolver varios candidatos. El cargo es de $0.01 por cada solicitud POST exitosa, y se aplica una sola vez sin importar cuántas voces candidatas se devuelvan. Cien intentos de diseño cuestan un dólar, así que experimenta sin miedo.
Los límites de velocidad dependen de cuánto hayas pagado por adelantado:
| Nivel | Gasto prepagado | Solicitudes simultáneas |
|---|---|---|
| Starter | menos de $100 | 5 |
| Elevated | $100 o más | 15 |
| High Volume | $1,000 o más | 50 |
| Enterprise | A medida | A medida |
Un nivel se activa en cuanto alcanzas su umbral de prepago, y no hace falta gastar antes el saldo. Si planeas narrar unas 80 horas al mes ($100 de habla), una recarga de $100 compra tanto el audio como tres veces el paralelismo.
Los precios siguientes son los que indica la comparativa para desarrolladores de Fish Audio y una revisión de precios de un tercero. Tómalos como punto de partida y confírmalos en la página de cada proveedor.
| Motor | Precio indicado por millón de caracteres |
|---|---|
| Fish Audio | $15 (por millón de bytes) |
| Google Cloud TTS, voces estándar | $4 |
| Amazon Polly, estándar / neural | $4 / $16 |
| Azure TTS, voces neuronales | $15 |
| ElevenLabs Flash v2.5 | unos $60 |
| ElevenLabs v2 Multilingual | unos $120 a $165 |
El precio no equivale a calidad. Las revisiones de precios de terceros indican que S2 Pro de Fish Audio obtiene buenas puntuaciones en pruebas de escucha a ciegas, mientras que ElevenLabs ofrece el conjunto de funciones más completo. Un motor barato que necesita tres renders por párrafo ya no es barato. Los alfabetos no latinos también alteran las cuentas, porque los bytes triplican el costo del japonés y del chino.
La solución es una prueba comparativa: ejecuta el mismo guion de 200 palabras en varios motores y juzga con el oído. En Picasso IA puedes hacerlo en un solo lugar con ElevenLabs v3, MiniMax Speech 2.8 HD, Qwen3 TTS, Chatterbox y Gemini 3.1 Flash TTS.
Si quieres escuchar un clon antes de escribir código de integración, MiniMax Voice Cloning convierte una grabación corta en un perfil de voz reutilizable. PicassoIA lo ofrece para probar en línea sin costo, sin necesidad de programar.
Ejecuta el modelo y obtendrás un perfil de voz que puedes reutilizar en tantas conversiones de texto a voz como necesite el proyecto. Pasa tu guion por el nivel de voz con el que entrenaste y luego compara el resultado con lo que oyes en la API de Fish Audio.
💡 Mejor muestra, mejor clon: graba 30 segundos a tu ritmo natural en una habitación con alfombra y cortinas, sin música de fondo.
El mismo espacio de trabajo cubre el resto del flujo de audio. Añade una base musical con Stable Audio 2.5, MiniMax Music 2.6 o ElevenLabs Music, y después revisa la narración volviéndola a pasar por GPT-4o Transcribe o Gemini 3 Pro.
Las tablas de precios responden cuánto cuesta una voz. Solo tus propios oídos responden si vale la pena. Abre Picasso IA, sube una muestra corta a MiniMax Voice Cloning, lee el mismo párrafo con dos o tres modelos de voz y anota cuál confiarías para tu marca.
Después añade música y una comprobación de la transcripción, y tendrás un borrador de un flujo de audio completo antes de gastar un centavo en un contrato de API. Un plan de prueba sencillo funciona bien:
Empieza hoy con un guion corto, compara los resultados lado a lado y deja que los clips que de verdad disfrutas decidan qué motor recibe tu presupuesto.
Elige tu idioma
