MiniMax Speech 2.8 HD frente a Turbo: clonación de voz y precios

Tienes un guion, una fecha límite y dos modelos de voz de MiniMax que, sobre el papel, parecen casi idénticos. Speech 2.8 HD y Speech 2.8 Turbo aceptan el mismo texto, las mismas voces y los mismos ajustes, pero HD cuesta un 67% más por carácter, mientras que Turbo terminó sus ejemplos publicados en menos de la mitad del tiempo. Entonces, ¿cuál debe ir en tu flujo de narración? ¿Y la clonación de una voz cambia la respuesta?

Este artículo compara los dos modelos lado a lado en calidad de voz, velocidad, clonación de voz y precios reales, con ejemplos de costo detallados que puedes adaptar a tus propios guiones. También muestra cómo ejecutar ambos en PicassoIA, para que escuches la diferencia antes de gastar nada en un proyecto grande.

💡 Respuesta corta: Elige HD para narraciones terminadas, audiolibros y todo lo que el oyente escuche con auriculares. Elige Turbo para borradores, mucho volumen y cualquier trabajo en el que la diferencia entre $60 y $100 por millón de caracteres se acumule.

Dos modelos, una diferencia real

Ambos modelos son de MiniMax y pertenecen a una familia de texto a voz que también incluye Speech 2.6 HD y Speech 2.6 Turbo. Los nombres cuentan casi toda la historia. HD sacrifica velocidad por fidelidad. Turbo sacrifica un poco de pulido por velocidad y una factura más baja.

Para qué está diseñado HD

Las descripciones publicadas de Speech 2.8 HD destacan el detalle tonal, la emoción matizada y la respiración natural, con las mayores mejoras en las lecturas de baja energía: una lectura suave, cansada o reflexiva. La página del modelo HD en Replicate también afirma que quedó en primer lugar en dos clasificaciones públicas de texto a voz, una de ellas alojada en Hugging Face. Las clasificaciones cambian, así que revisa la tabla actual antes de repetir esa afirmación. Piensa en audiolibros, narraciones documentales y videos de marca, donde una sola frase plana se nota.

Para qué está diseñado Turbo

Speech 2.8 Turbo está ajustado para velocidad, baja latencia y volumen. La ficha de Replicate asegura una latencia inferior a 250 milisegundos, y las descripciones publicadas apuntan a sus mejores resultados en registros de alta energía, como anuncios dinámicos, anuncios de productos y respuestas rápidas a clientes. Comparte la misma biblioteca de voces, las mismas pistas de idioma y la misma lista de emociones, así que cambiar de uno a otro rara vez implica reescribir un guion.

Controles, calidad y velocidad comparados

En PicassoIA, los dos modelos muestran exactamente las mismas entradas, lo que facilita una comparación justa: cambias solo el modelo y todos los demás ajustes se mantienen.

Ajustes que comparten ambos modelos

• voice_id: por defecto es Wise_Woman. Las fichas de Replicate mencionan 17 o más preajustes, entre ellos Deep_Voice_Man, Imposing_Manner, Casual_Guy, Lively_Girl, Young_Knight y Abbess.
• emotion: auto, happy, sad, angry, fearful, disgusted, surprised, calm, fluent o neutral.
• language_boost: None, Automatic o uno de unos 40 idiomas con nombre. La lista es idéntica en ambos modelos, así que el número de idiomas no debería decidir tu elección.
• speed, pitch, volume: velocidad de 0,5 a 2,0, tono de -12 a +12 semitonos y volumen de 0 a 10.
• Marcadores de pausa: escribe un marcador como <#0.5#> dentro del texto para insertar una pausa de medio segundo.
• english_normalization: mejora la lectura de números y fechas en inglés, a costa de un poco de latencia.
• Opciones de salida: MP3, WAV, FLAC o PCM; bitrate de MP3 de 32 a 256 kbps; frecuencia de muestreo de 8000 a 44100 Hz; mono o estéreo; marcas de tiempo opcionales de subtítulos por frase.

Lo que oyes y el tiempo que esperas

Primero la calidad. Ambos modelos producen un habla limpia y natural, y la diferencia aparece en los detalles: la respiración antes de una frase, la forma en que una línea triste se apaga, las micropausas dentro de una cláusula larga. Ahí es donde HD está pensado para ganar. En una lectura rápida y animada la diferencia se reduce, por eso Turbo funciona bien en anuncios y comunicados.

Después, la velocidad. El ejemplo publicado en la página de HD tardó unos 5,8 segundos para una sola frase. Los dos ejemplos de Turbo tardaron unos 2,0 y 2,5 segundos con frases de longitud similar. Tres ejecuciones son una anécdota, no un benchmark, y los tiempos de cola varían, pero la dirección coincide con los nombres de los productos.

Una prueba de escucha justa lleva diez minutos:

1. Elige un párrafo de 150 palabras que contenga un número, una fecha, un nombre, una pregunta y una línea tranquila.
2. Ejecútalo en ambos modelos con el mismo voice_id, emotion y speed.
3. Reproduce los clips con auriculares y después con el altavoz del teléfono.
4. Anota cuál de los clips publicarías sin editarlo.

💡 Consejo: Cambia una variable por prueba. Si cambias el modelo y la emoción a la vez, nunca sabrás qué cambio mejoró el clip.

Cómo funciona aquí la clonación de voz

La clonación de voz convierte una grabación corta en un voice_id reutilizable. En PicassoIA, esa tarea corresponde a Voice Cloning, un modelo independiente cuya salida pegas en el campo voice_id de un modelo de voz. Ambos modelos 2.8 admiten esto: su campo voice_id indica que puedes elegir una voz del sistema de MiniMax o un ID devuelto por el clonador.

Grabar una muestra limpia

El modelo de clonación acepta archivos MP3, M4A o WAV de entre 10 segundos y 5 minutos, de menos de 20 MB. También ofrece reducción de ruido, normalización de volumen y un umbral de precisión de 0 a 1 que por defecto es 0,7. La ficha de Replicate indica que una referencia de apenas 5 segundos puede funcionar, pero advierte que las muestras más largas mejoran la precisión, así que apunta a entre 30 y 60 segundos de habla limpia.

• Graba en una sala pequeña y con superficies blandas. Un armario lleno de abrigos gana a una cocina vacía.
• Mantén siempre la misma distancia del micrófono y lee con el tono que quieres que tenga la voz.
• Evita la música, el eco y una segunda persona hablando.
• Activa la reducción de ruido solo si el archivo tiene siseo de fondo, porque una entrada limpia supera a cualquier limpieza posterior.

💡 El permiso importa: Clona solo una voz que sea tuya o para la que tengas permiso escrito de uso. Una autorización firmada por un actor de voz o un cliente lleva dos minutos y evita todas las dudas más adelante.

La cuestión de 2.6 frente a 2.8

Aquí está la letra pequeña que conviene conocer. El ajuste de modelo dentro de Voice Cloning incluye Speech 2.6 Turbo, Speech 2.6 HD, Speech 02 Turbo y Speech 02 HD, con 2.6 HD como predeterminado. Speech 2.8 no aparece en esa lista, aunque el campo voice_id de 2.8 acepta IDs del clonador. El esquema por sí solo no indica hasta qué punto una voz entrenada con un nivel 2.6 se traslada a 2.8.

Así que pruébalo. Clona una vez con el nivel predeterminado y luego di la misma frase con 2.8 HD, 2.8 Turbo y 2.6 HD. Compara cada resultado con tu grabación original. Si 2.8 se aleja del hablante, pasa la voz clonada por 2.6 HD y reserva 2.8 para las voces predefinidas.

Usar tu voice_id clonado

Después de clonar, copia el voice_id devuelto en el campo voice_id de cualquiera de los dos modelos 2.8 y escribe el guion que quieras. La clonación cuesta $1,50 por voz, que se cobra en el primer uso de síntesis, y una misma voz puede reutilizarse en todas las ejecuciones posteriores. Prueba emotion y language_boost con la voz clonada usando una frase corta antes de comprometer un guion largo.

Si la clonación de MiniMax no coincide con tu hablante, vale la pena hacer una prueba corta con otros dos modelos: Qwen3 TTS, indicado para clonar cualquier voz o diseñar la tuya propia, y Chatterbox, que combina clonación con control de emoción.

Cuánto cuesta realmente

Las cifras siguientes son las tarifas de lista de MiniMax para los modelos 2.8, tal como las repiten las páginas de precios de terceros. Son la forma más limpia de comparar los dos. Lo que pagas en una plataforma concreta depende del plan propio de esa plataforma, así que tómalas como una referencia para elegir entre HD y Turbo, no como una factura de PicassoIA. Las tarifas cambian, así que confírmalas en la página de precios de MiniMax antes de presupuestar un proyecto grande.

Precio por millón de caracteres

Turbo es un 40% más barato que HD, y HD es un 67% más caro que Turbo. Ambas afirmaciones son ciertas; describen la misma diferencia desde extremos opuestos. La clonación de voz es un extra fijo: $1,50 por voz, cobrado en el primer uso de síntesis.

Guiones reales, totales reales

Estos totales suponen unos 6 caracteres por palabra, incluidos los espacios, y un ritmo de narración de 150 palabras por minuto.

Una voz clonada personalizada añade $1,50 una sola vez. Narrar esos 15.000 caracteres con una voz clonada cuesta, por tanto, $3,00 en total en HD o $2,40 en Turbo.

Las repeticiones son el multiplicador oculto. Regenera un guion de 15.000 caracteres cuatro veces para ajustar la entrega y HD cuesta $6,00. Haz tres pasadas de borrador en Turbo ($2,70) y termina una vez en HD ($1,50), y el total será $4,20, un ahorro del 30% con la toma final todavía renderizada en HD.

💡 Consejo: Cada párrafo regenerado se vuelve a cobrar. Corrige la puntuación, los números y los marcadores de pausa del guion antes de pulsar generar, no después de la tercera repetición.

Cuál deberías elegir

Elige según para qué sirve el audio, no según qué modelo suene más impresionante por separado.

Elige HD cuando

• El audio es el producto: audiolibros, cursos, narraciones documentales y películas de marca.
• El guion tiene pasajes tranquilos, tristes o reflexivos que no deben sonar planos.
• Los oyentes pasarán más de unos pocos minutos con la voz en auriculares.
• El archivo se publicará sin una pasada humana de edición.

Elige Turbo cuando

• Estás redactando, iterando o revisando el ritmo.
• El volumen importa: cientos de clips cortos, descripciones de productos o voces de notificaciones.
• La lectura es animada y enérgica, como anuncios, comunicados y clips para redes sociales.
• Estás prototipando un asistente de voz en el que el tiempo de respuesta cuenta.

Borrador en Turbo, acabado en HD

El flujo de trabajo más barato usa ambos. Fija el guion, la voz y la emoción en Turbo, donde cada pasada cuesta un 40% menos y vuelve más rápido. Cuando el texto esté definitivo, renderiza la versión final en HD. Como los dos modelos comparten todos los ajustes, las mismas entradas se trasladan sin cambios.

Los proyectos multilingües son los que más se benefician. Cambia language_boost, prueba cada idioma en Turbo y luego termina los aprobados en HD. Haz que un hablante nativo escuche diez segundos de cada uno antes de publicar, porque los errores de acento pasan desapercibidos para quienes escuchan un segundo idioma.

Cómo usar Speech 2.8 en PicassoIA

El proceso es el mismo en ambos modelos. Abre la página de Speech 2.8 HD o la de Speech 2.8 Turbo y completa los campos que se indican a continuación.

Configuración paso a paso

1. Pega tu guion en el campo de texto (hasta 10000 caracteres). Añade pausas con marcadores como <#0.8#>.
2. Elige un voice_id. Mantén Wise_Woman o pega un voice_id clonado.
3. Fija la emoción. Empieza con auto y después bloquea un estilo cuando sepas el tono que quieres.
4. Ajusta language_boost. Elige Automatic para texto mezclado o un idioma concreto para un guion de un solo idioma.
5. Ajusta velocidad, tono y volumen. Los cambios pequeños rinden mucho. Prueba una velocidad entre 0,95 y 1,15.
6. Elige la salida. MP3 a 128 kbps para borradores, MP3 a 256 kbps o WAV para las versiones finales, y estéreo solo si tu editor lo necesita.
7. Genera, escucha, descarga. Vuelve a ejecutar hasta que la toma sea correcta y luego guarda el archivo.

💡 Consejo: Activa english_normalization cuando el guion esté lleno de números, fechas o precios. Añade un poco de latencia, pero los lee de forma más natural.

Ajustes iniciales que vale la pena copiar

Tómalos como puntos de partida y ajústalos al oído. Las dos primeras filas siguen los casos de uso que aparecen en la página del modelo HD.

Añade música y revisa las transcripciones

Una voz rara vez funciona sola. Para una base musical, pide Music 2.6, Lyria 3 Pro o ElevenLabs Music un instrumental de baja energía con un tempo constante, y luego bájalo bastante por debajo de la narración en tu editor para que cada palabra se entienda.

Para el control de calidad, pasa cada clip terminado por un modelo de voz a texto como GPT-4o Transcribe o Gemini 3 Pro y compara la transcripción con tu guion. Una palabra que no coincide suele señalar un nombre o un número mal pronunciado. GPT-4o Mini Transcribe es otra opción para lotes largos. El mismo truco sirve para una muestra de clonación: transcribe primero tu grabación para confirmar que el audio es claro antes de gastar $1,50 en una voz.

Pruébalo tú mismo con las dos voces

La forma más rápida de decidir entre HD y Turbo es escuchar cómo ambos leen tus propias palabras. Abre PicassoIA, pega un párrafo de tu próximo video, podcast o lección, y ejecútalo en Speech 2.8 HD y Speech 2.8 Turbo con los mismos ajustes. Clona tu propia voz si quieres un narrador personal, añade una base musical, revisa la transcripción y elige la toma que tu audiencia no saltará. Borrador barato, acabado pulido y todo el proyecto en un solo lugar.