API de voz con IA gratuita: clave API, límites gratuitos, precios y alternativas
Un desglose práctico de las API de voz con IA gratuitas: cómo obtener una clave API, qué permiten realmente los límites mensuales gratuitos, qué pagas cuando se agota la cuota y qué alternativas de código abierto o alojadas merece la pena probar ahora mismo.
Escribiste "API de voz con IA gratuita" en el buscador porque quieres una app que hable, un video narrado o un agente de voz, y lo quieres hoy, sin tarjeta de crédito. La buena noticia: existen planes gratuitos. La mala: la mayoría esconde los límites reales en una nota al pie de los precios, y algunos planes "gratuitos" prohíben en silencio el uso comercial. Este artículo explica qué obtienes de verdad, cómo conseguir tus credenciales, qué pasa con tu factura cuando se agota la cuota y qué alternativas merece la pena probar.
💡 Respuesta rápida: Varios proveedores grandes ofrecen una cuota mensual gratuita de caracteres, y algunos motores de código abierto no cuestan nada más que el cómputo. Espera entre unos 10.000 caracteres y unos pocos millones al mes, según el nivel de calidad de voz. Confirma siempre las cifras actuales en la página de precios del proveedor, porque cambian con frecuencia.
Qué significa realmente "gratis"
La palabra cubre tres cosas muy distintas, y confundirlas es la forma más rápida de publicar un prototipo que se rompe en la segunda semana.
Plan gratuito, crédito de prueba o código abierto
Tipo
Cómo funciona
Trampa habitual
Plan gratuito permanente
Una cuota mensual que se renueva (caracteres o créditos)
Voces de menor calidad, límites de frecuencia y, a veces, sin uso comercial
Crédito de prueba
Un saldo único que caduca al cabo de semanas o meses
Desaparece aunque lo uses o no
Código abierto / pesos abiertos
Alojas tú mismo el modelo
Pagas tiempo de GPU o CPU y el mantenimiento
Un plan gratuito permanente encaja mejor en proyectos secundarios. El crédito de prueba sirve para una prueba de concepto corta. El código abierto tiene sentido cuando manejas mucho volumen, tienes requisitos de privacidad o cuentas con un ingeniero al que le gusta mantener servidores.
La trampa que pasa desapercibida
Los planes gratuitos suelen estar limitados más por frecuencia que por cuota. Puede que tengas un millón de caracteres disponibles, pero solo se permiten una o dos solicitudes simultáneas. Para la introducción de un podcast basta. Para un agente de voz que debe atender a varias personas a la vez, es un muro.
⚠️ Otra trampa común: algunos planes gratuitos exigen atribución visible y no incluyen licencia comercial. Si tu proyecto genera ingresos, lee las condiciones antes de publicar nada.
Cómo obtener tu clave API
El proceso es casi idéntico en todos los proveedores, así que una vez que lo hagas una vez, el resto te resultará familiar.
Regístrate y crea una credencial
Crea una cuenta con una dirección de correo electrónico (algunos proveedores también piden tarjeta, incluso para el plan gratuito).
Abre la sección de desarrollador o el panel de control y busca un área llamada API, Credentials o Access tokens.
Haz clic en el botón que genera un nuevo secreto. Cópialo de inmediato, porque la mayoría de paneles lo muestran una sola vez.
Anota el nombre del proyecto, la región o el recurso, ya que algunas nubes vinculan la credencial a una región concreta.
Las plataformas en la nube como Google Cloud y Microsoft Azure requieren una configuración algo más pesada: creas un proyecto o recurso, activas el servicio de voz y luego generas una credencial de servicio o un secreto de suscripción. Calcula diez o veinte minutos la primera vez, no dos.
Guárdala de forma segura
Nunca pegues el secreto en el código de front end, en un repositorio público ni en una captura de pantalla. Ponlo en una variable de entorno y léelo en el servidor.
Un token filtrado en un plan gratuito es una molestia. Un token filtrado en un plan de pago es una factura sorpresa, porque cualquiera puede consumir tus caracteres en minutos.
Haz tu primera solicitud
Casi todos los endpoints de texto a voz siguen el mismo patrón: envías el texto más el nombre de una voz y recibes bytes de audio. Un ejemplo mínimo en Python tiene este aspecto:
import os
import requests
endpoint = os.environ["TTS_ENDPOINT"]
token = os.environ["TTS_TOKEN"]
payload = {
"text": "Welcome back. Your order has shipped.",
"voice": "narrator_warm",
"format": "mp3"
}
response = requests.post(
endpoint,
headers={"Authorization": f"Bearer {token}"},
json=payload,
timeout=30,
)
response.raise_for_status()
with open("hello.mp3", "wb") as f:
f.write(response.content)
Los nombres de los campos cambian entre proveedores, pero la estructura no. Cambiar de un proveedor a otro suele significar editar el payload y la cabecera, no reescribir tu app. Mantén la llamada dentro de una función pequeña para que cambiar de proveedor cueste una tarde y no una semana.
Límites gratuitos comparados
Las cifras siguientes reflejan lo publicado en el momento de escribir este artículo y están redondeadas. Tómalas como punto de partida y verifícalas antes de comprometerte.
Proveedor
Cuota gratuita (aprox.)
Notas
Google Cloud Text to Speech
Caracteres gratuitos mensuales, más para voces estándar que para voces premium
Plan gratuito continuo, facturación por uso después
Microsoft Azure Speech
Unos 0,5 millones de caracteres neuronales al mes
Se renueva cada mes, recurso vinculado a una región
IBM Watson Text to Speech
Unos 10.000 caracteres al mes en el plan Lite
Pequeño, solo útil para probar
ElevenLabs
Alrededor de 10.000 créditos al mes en el plan gratuito
Atribución obligatoria, sin licencia comercial en el plan gratuito
Amazon Polly
Cuota gratuita durante el primer año
Limitada en el tiempo, no permanente
Modelos de voz de OpenAI
Sin plan gratuito permanente
De pago por uso desde la primera solicitud
Código abierto autoalojado
Ilimitado
Pagas el hardware y el mantenimiento
Caracteres, créditos y minutos
Los proveedores cuentan de forma distinta, lo que complica las comparaciones. Google, Azure y Polly cuentan caracteres. ElevenLabs usa créditos, que equivalen aproximadamente a caracteres pero cambian según el modelo que elijas. Algunos servicios más nuevos cobran por minuto de audio o incluso por token.
Una regla práctica: una persona que habla inglés lee unos 900 a 1.000 caracteres por minuto de audio. Así que una cuota de 10.000 caracteres equivale a unos diez minutos de habla. Una cuota de 500.000 caracteres da unas ocho horas. Haz estas cuentas antes de enamorarte de un plan.
La licencia también es un límite
La cuota es solo la mitad de la historia. Hazle tres preguntas a cada plan gratuito:
¿Puedo usar el audio en un producto comercial?
¿Tengo que añadir atribución?
¿Puedo guardar y redistribuir los archivos generados, o solo reproducirlos en streaming?
El costo real de los niveles de pago
Lo gratuito se acaba. Esto es lo que viene después.
Precio por millón de caracteres
Los precios de la voz alojada se han estabilizado en franjas:
Nivel de voz
Precio aproximado por 1M de caracteres
Ideal para
Estándar / básico
Desde unos $4
Alertas, menús IVR, lecturas de accesibilidad
Neuronal / premium
Alrededor de $15 a $20
Apps, explicativos, narración
Expresivo / calidad de estudio
Más alto, a menudo vendido como suscripción mensual
Audiolibros, anuncios, voces de personajes
Son rangos orientativos, no presupuestos. Las suscripciones de los especialistas en voz agrupan caracteres o créditos en planes mensuales, lo que resulta más barato con poco volumen y más caro a medida que creces.
Un ejemplo rápido de presupuesto
Supongamos que tienes una app de aprendizaje de idiomas que lee 40 frases cortas por sesión, de unos 60 caracteres cada una. Son 2.400 caracteres por sesión. Con 5.000 sesiones al mes generas 12 millones de caracteres.
En un nivel estándar a unos $4 por millón, son unos $48 al mes.
En un nivel neuronal premium a unos $16 por millón, son unos $192 al mes.
Con caché (más sobre esto más abajo), las frases repetidas bajan mucho y la factura puede reducirse a la mitad o más.
Costos ocultos
Vigila estas partidas, porque rara vez aparecen en el titular de precios:
Tarifas por exceso que se aplican en cuanto superas la cuota.
Límites de concurrencia que te obligan a contratar un plan superior para llamadas en paralelo.
Complementos de clonación de voz con precio aparte de la síntesis base.
Salida de datos y almacenamiento en plataformas en la nube cuando guardas miles de archivos de audio.
Tiempo de desarrollo, el costo que nadie factura. Un modelo autoalojado que ahorra $100 al mes pero cuesta un día de depuración cada dos semanas no es barato.
Alternativas gratuitas que merecen una prueba
Si los grandes proveedores te parecen restrictivos, hay otras dos rutas que merecen un vistazo.
Motores de código abierto
Los modelos de pesos abiertos han mejorado rápido. Puedes ejecutar motores ligeros en un equipo portátil o en una GPU pequeña, sin tarifa por carácter. La contrapartida es el tiempo de configuración, el ajuste de la latencia y la necesidad de vigilar la calidad por tu cuenta. Resemble AI publicó su familia Chatterbox como pesos abiertos, y es un punto de partida popular para la voz con control de emociones y la clonación de voz.
Pago por generación en PicassoIA
Si quieres buenas voces sin mantener servidores ni leer una matriz de precios, puedes probar muchos de los modelos de voz más destacados en un solo lugar en PicassoIA y compararlos de oído antes de conectar nada a tu código. Estos son los que vale la pena escuchar primero:
💡 Consejo: Prueba el mismo párrafo con tres o cuatro voces antes de elegir un proveedor. Una voz que suena genial en una demo de una línea puede resultar plana en un guion de dos minutos.
Qué opción encaja con tu proyecto
Cada trabajo necesita contrapartidas distintas. Aquí tienes un mapa rápido.
Podcasts y narración
Necesitas un ritmo natural y buena pronunciación, no velocidad. Aquí compensa pagar por una voz neuronal premium o por un modelo expresivo, y puedes generar cada episodio una vez y conservar el archivo. La cuota importa menos que la calidad. Prueba V3 o Speech 2.8 HD para un primer borrador.
Agentes de voz y chat en vivo
Aquí manda la latencia. Apunta a un primer fragmento de audio bien por debajo de medio segundo y busca soporte de streaming. Los límites de concurrencia son la verdadera restricción, así que un plan gratuito no sostendrá un producto en vivo. Modelos de baja latencia como Flash v2.5 y Realtime TTS 1.5 Mini están pensados para este tipo de trabajo.
Audiolibros y formatos largos
El texto largo multiplica rápido tu recuento de caracteres. Una novela de 70.000 palabras equivale a unos 400.000 caracteres, lo que puede agotar una cuota gratuita de una sola vez. Presupuesta un nivel de pago y divide el texto en capítulos para que una solicitud fallida no te cueste el libro entero.
Apps móviles
La mayoría de las apps móviles leen frases cortas una y otra vez: etiquetas de botones, notificaciones, indicaciones de lecciones. Aquí es donde el caché se amortiza, ya que puedes sintetizar cada frase una vez y entregar el archivo de audio con la app o desde una CDN.
Productos multilingües
Si atiendes varios mercados, revisa la lista de idiomas antes que la lista de precios. Algunas voces económicas suenan excelentes en inglés y mediocres en todo lo demás. Gemini 3.1 Flash TTS y v2 Multilingual son buenos puntos de partida. Para video traducido, Dubbing cubre más de 90 idiomas.
Errores que agotan tu cuota gratuita
La mayoría de los desarrolladores chocan con el límite pronto por razones evitables.
Regenerar el mismo audio
Cada vez que un usuario abre una pantalla y tu código vuelve a llamar a la API para la misma frase, pagas dos veces. Aplica un hash al texto más el nombre de la voz, guarda el resultado y reutilízalo.
Probar en producción
Los bucles, los reintentos y los guiones a medio terminar consumen caracteres. Usa una cadena de prueba corta durante el desarrollo y pon un límite máximo fijo en tu código para que un error no vacíe el mes en una tarde.
Ignorar el formato de audio
Pedir audio sin comprimir cuando bastaría con MP3 u Opus desperdicia ancho de banda y almacenamiento. Elige un formato adecuado para el destino: una llamada telefónica, una página web o una mezcla de estudio.
Elegir un proveedor antes de probar la voz
Las comparaciones de precio parecen racionales, pero la calidad de la voz es lo que tus usuarios van a notar de verdad. Haz una prueba de escucha a ciegas con dos compañeros. Sea cual sea la voz ganadora, comprueba que su nivel encaja en tu presupuesto con el volumen que esperas.
Saltarse la comprobación de pronunciación
Los nombres de productos, las siglas y los números complican a cualquier motor. Prueba algunas líneas difíciles, como números de teléfono, fechas y nombres de marcas, y usa escritura fonética o marcado si el proveedor lo admite.
Una lista de verificación sencilla para decidir
Antes de elegir, repasa esta lista:
Volumen: ¿Cuántos caracteres al mes, con honestidad?
Calidad: ¿La voz aguanta un guion completo?
Latencia: ¿Los usuarios esperan el audio o está pregenerado?
Licencia: ¿Se permite el uso comercial en el plan que puedes pagar?
Portabilidad: ¿La llamada está encapsulada en una sola función para que puedas cambiar después?
Plan B: ¿Qué pasa si el proveedor cae o alcanzas el límite?
Si puedes responder a las seis, la elección suele hacerse sola. Para un proyecto personal, bastará un plan gratuito o un motor de código abierto. Para un producto con usuarios que pagan, presupuesta un nivel premium y ten listo un segundo proveedor.
Prueba las voces tú mismo
Leer sobre voces solo te lleva hasta cierto punto. Abre PicassoIA, pega un párrafo de tu propio guion y pruébalo con algunos de los modelos anteriores: ElevenLabs V3, Speech 2.8 Turbo, Chatterbox y Qwen3 TTS. Diez minutos escuchando te dirán más que una hora de tablas de precios. Cuando tengas una favorita, sabrás exactamente qué voz, nivel y presupuesto conviene tomar como base. También puedes explorar todos los modelos de voz, música e imagen en picassoia.com/en/all-models y empezar hoy mismo a crear tu propio audio y tus imágenes.