Precios de la API de texto a voz de OpenAI: voces, alternativas gratuitas y límites

Un desglose claro de lo que cuesta la API de texto a voz de OpenAI por carácter y por token, cuántas voces obtienes, dónde chocan los límites de solicitudes y qué alternativas gratuitas o más baratas conviene probar antes de comprometer un presupuesto.

Precios de la API de texto a voz de OpenAI: voces, alternativas gratuitas y límites
Cristian Da Conceicao

Pegaste unos miles de palabras en un endpoint de texto a voz, recibiste un MP3 limpio en cuestión de segundos y luego te preguntaste cuánto te costó realmente. Esa es exactamente la razón por la que la gente busca Precios de la API de texto a voz de OpenAI: voces, alternativas gratuitas y límites. Los precios por unidad parecen diminutos, las unidades de facturación cambian entre modelos y la lista de voces y los límites de solicitudes están repartidos en varias páginas. Este artículo reúne las cifras en un solo lugar, las convierte en costos reales de proyecto y muestra qué usar cuando quieres algo gratis o más barato.

💡 Nota rápida sobre la precisión: los precios de la síntesis de voz cambian con frecuencia. Las cifras de abajo proceden de listados públicos de precios recopilados en noviembre de 2026. Tómalas como una estimación sólida y confírmalas en la página de precios de OpenAI antes de fijar un presupuesto.

Qué es la API TTS de OpenAI

OpenAI ofrece la síntesis de voz a través de un endpoint de audio que recibe texto, un nombre de modelo y un nombre de voz, y devuelve un archivo de audio. Envías una solicitud desde tu backend, recibes bytes en MP3, WAV, Opus, AAC o FLAC, y los reproduces o los guardas. La API en sí no tiene interfaz de estudio. Está pensada para desarrolladores que quieren incorporar salida hablada en aplicaciones, bots de soporte, herramientas de lectura y flujos automatizados de video.

Tres nombres de modelo aparecen casi en cualquier debate sobre precios:

  • tts-1: el modelo rápido y de baja latencia, orientado al uso en tiempo real.
  • tts-1-hd: el hermano de mayor fidelidad, más lento y con el doble de precio.
  • gpt-4o-mini-tts: el modelo más nuevo y orientable, que acepta instrucciones de estilo y se factura por tokens en lugar de por caracteres.

Una nota sobre disponibilidad: los modelos de voz de OpenAI no están en PicassoIA. Si quieres producir locuciones sin configurar una API, la sección más abajo muestra qué modelos de texto a voz puedes usar hoy.

Desarrollador escribiendo en un teclado mecánico con un equipo portátil que muestra una forma de onda de audio

Precios de la API TTS de OpenAI en 2026

Esta es la tabla de precios tal como suele informarse para los tres modelos de voz.

ModeloUnidad de facturaciónPrecio informadoIdeal para
tts-1Por 1M de caracteresalrededor de $15Respuestas en tiempo real, borradores, narración masiva
tts-1-hdPor 1M de caracteresalrededor de $30Narración pulida donde los artefactos importan
gpt-4o-mini-ttsPor 1M de tokens de texto de entrada más por 1M de tokens de audio de salidaalrededor de $0,60 de entrada y $12 de salidaVoces que necesitan dirección de tono y estilo

Lo primero que conviene notar es el desajuste en la unidad de facturación. Los dos modelos anteriores cobran por los caracteres que envías. El modelo más nuevo cobra por tokens de entrada y tokens de audio de salida, lo que hace más difícil de predecir a partir de un archivo de texto. Una regla práctica citada con frecuencia sitúa a gpt-4o-mini-tts en unos 1,5 centavos por minuto de audio generado, lo que lo acerca a tts-1-hd en narraciones largas y lo deja muy por debajo en fragmentos cortos.

El costo real de los caracteres

Un millón de caracteres suena abstracto. Tradúcelo: con un promedio de cinco o seis caracteres por palabra, son unas 180.000 palabras, que se leen en voz alta a un ritmo natural durante unas veinte horas. Así, los niveles anteriores salen aproximadamente a:

  • tts-1: unos 75 centavos por hora de audio terminado.
  • tts-1-hd: unos $1,50 por hora de audio terminado.

Es barato comparado con contratar a un actor de voz y también frente a algunas plataformas premium de voz. Deja de ser barato solo cuando generas audio a gran volumen o vuelves a generar el mismo texto una y otra vez mientras pruebas.

Vista cenital de una calculadora, una libreta con columnas de números y audífonos sobre un escritorio de madera

Presupuestos de proyectos de ejemplo

Para que la tabla sea práctica, estos son cuatro cargas de trabajo habituales, estimadas con las tarifas anteriores por carácter.

ProyectoCaracteres aprox.Costo con tts-1Costo con tts-1-hd
Una entrada de blog de 1.000 palabras6.000alrededor de $0,09alrededor de $0,18
Un guion de YouTube de 10 minutos9.000alrededor de $0,14alrededor de $0,27
Un audiolibro de 60.000 palabras360.000alrededor de $5,40alrededor de $10,80
Un bot de soporte que habla 50.000 respuestas de 300 caracteres15.000.000alrededor de $225alrededor de $450

Los creadores individuales rara vez notan estas cifras. Un equipo que ejecuta un asistente de voz a gran escala las sentirá cada mes, y ahí es donde compensa comparar alternativas.

Costos ocultos que la gente olvida

La factura del endpoint de voz rara vez es la cuenta completa. Ten en cuenta también estos:

  1. Regeneraciones. Cada nueva toma se factura como una solicitud nueva. Diez intentos con un párrafo complicado cuestan diez veces más que uno.
  2. Costo de fragmentar. Los textos largos deben dividirse antes de enviarlos y luego volver a unirse, lo que supone tiempo extra de ingeniería.
  3. Posprocesado. Normalizar el volumen, recortar silencios y añadir música suele hacerse en una herramienta aparte.
  4. Reintentos por límites de tasa. Una ráfaga de tráfico que choca con un techo puede generar llamadas fallidas que aún tienes que reenviar.

Las voces que obtienes con TTS de OpenAI

La lista de voces es una de las primeras cosas que revisan los desarrolladores, y depende del modelo que elijas. Los listados públicos describen unas nueve voces integradas para tts-1 y tts-1-hd, y unas trece para gpt-4o-mini-tts. Las voces más citadas son alloy, ash, coral, echo, fable, nova, onyx, sage y shimmer, y en el modelo más nuevo aparecen algunas más.

Mujer hablando frente a un micrófono de estudio en una cabina de voz revestida de espuma acústica

Cómo suenan las voces

La mayoría de las voces se inclinan hacia un tono de asistente neutro y amable, ideal para explicaciones, tutoriales y chatbots. Resultan menos convincentes para la ficción dramática, los acentos regionales o los personajes con una personalidad marcada. Las voces son fijas, así que no puedes subir una muestra y pedir un clon personalizado a través de este endpoint.

Control de estilo en el modelo más nuevo

La diferencia práctica más grande con gpt-4o-mini-tts es que puedes describir la entrega en lenguaje natural, por ejemplo tranquila y tranquilizadora, ágil como un presentador de noticias, o cálida y pausada para un cuento antes de dormir. Los modelos anteriores solo cambian el tono si cambias el texto en sí o el nombre de la voz.

Soporte de idiomas

Los modelos de voz de OpenAI pueden leer muchos idiomas, pero las voces se afinaron sobre todo pensando en el inglés. La salida en otros idiomas se entiende y a menudo es buena, pero el acento y el ritmo pueden desviarse hacia patrones del inglés. Si publicas en español, hindi o japonés, haz una prueba de escucha con un hablante nativo antes de comprometerte.

Cinco micrófonos distintos alineados sobre una mesa de madera en un estudio con luz de sol

Límites que afectan tu proyecto

El precio es solo la mitad de la historia. Los límites deciden si tu diseño realmente funciona.

LímiteLo que se informaPor qué importa
Longitud de entradaAlrededor de 4.096 caracteres por solicitudLos guiones largos deben dividirse en fragmentos
Uso gratuitoMuy bajo o nulo, con unas 3 solicitudes por minuto informadas en cuentas gratuitasNo puedes construir un producto con llamadas gratuitas
Límites de tasa de pagoVarían según el nivel de la cuenta y se informan de forma irregularEl tráfico a ráfagas puede fallar sin una cola
Formatos de salidaMP3, Opus, AAC, FLAC, WAV y PCMElige uno que funcione con tu reproductor
Ciclo de vida del modeloAlgunos listados mencionan que versiones anteriores se retirarán a comienzos de 2027, sin confirmarVerifica antes de construir sobre tts-1

Cómo dividir un texto largo sin cortes audibles

Como una sola solicitud no pasa de unos cuatro mil caracteres, narrar un capítulo implica cortarlo en trozos. Corta en los límites de frase o de párrafo, nunca a mitad de una frase, y mantén la misma voz y el mismo modelo en cada fragmento. Después une los archivos con un fundido cruzado breve de 20 a 50 milisegundos. Cortar a mitad de una idea es la razón más común por la que una narración unida suena robótica.

Límites de tasa en la práctica

Si ejecutas trabajos por lotes, pon tus solicitudes en cola y añade una pausa corta con lógica de reintento que reduzca la frecuencia ante errores. Trata los límites publicados de cada nivel como un techo y diseña tu flujo de trabajo para que chocar con el techo te ralentice en lugar de romper la ejecución.

Primer plano de la sección de faders de una consola de mezcla de estudio con marcas desgastadas

¿Existe una opción gratuita de TTS de OpenAI?

Respuesta corta: no una en la que puedas confiar para un producto. Conviene separar algunas cosas que la gente confunde con un nivel gratuito.

  • Lectura en voz alta dentro de la app de ChatGPT. Es una función de consumo para escuchar respuestas. No te da archivos descargables a través de una API.
  • Crédito de prueba en una cuenta nueva. El crédito promocional ha aparecido y desaparecido con el tiempo. No planifiques con él y revisa tu panel para ver lo que tienes realmente.
  • Cuentas gratuitas con límites de tasa estrictos. Los informes sugieren unas tres solicitudes por minuto en el nivel gratuito, suficiente para probar un guion y no para ejecutar nada real.

La forma práctica de no gastar nada es prototipar en una herramienta de texto a voz gratuita y basada en el navegador, elegir la voz que te guste y solo entonces decidir si vale la pena pagar por una integración con la API.

Joven con sudadera gris recostado en una silla mirando un equipo portátil en un escritorio de startup

Alternativas gratuitas y más baratas en PicassoIA

Los modelos de voz de OpenAI no están en PicassoIA. Para resultados similares hoy, estos cuatro modelos de texto a voz son los que conviene probar. Cada uno ofrece un equilibrio distinto entre cantidad de voces, expresividad y velocidad.

AlternativaFortalezaIdeal para
Gemini 3.1 Flash TTS30 voces, más de 70 idiomas, etiquetas de emoción y prompts de estiloLocuciones multilingües expresivas
ElevenLabs V3Entrega natural y emotivaNarración, personajes y narrativa
MiniMax Speech 2.8 HDSalida de calidad de estudioNarración pulida de larga duración
Inworld TTS 1.5 MaxSalida rápida en 15 idiomasGeneración de voz rápida y de alto volumen

Por qué cambiar de un flujo de trabajo con API

Si tu objetivo son archivos de audio y no una función de producto en vivo, un flujo en el navegador elimina toda la infraestructura. Pegas el texto, eliges una voz, escuchas, ajustas y descargas. No hay scripts de fragmentación, ni gestión de colas, ni facturas contadas en tokens.

Podcaster con audífonos editando audio en un equipo portátil en un apartamento luminoso

Cómo lograr resultados similares en PicassoIA

El mejor punto de partida para la mayoría de los lectores es Gemini 3.1 Flash TTS. Ofrece 30 voces y más de 70 idiomas, además de etiquetas expresivas que los modelos de voz anteriores de OpenAI no tienen. Así se usa, paso a paso.

  1. Abre la página del modelo. Ve a la página de Gemini 3.1 Flash TTS en PicassoIA y localiza el campo de texto.
  2. Pega tu guion. El campo de texto acepta hasta 4.000 bytes, así que cabe una sección corta de artículo o algunos párrafos por ejecución. Divide los guiones más largos por párrafo.
  3. Elige una voz. La predeterminada es Kore. Otras opciones son Puck, Charon, Fenrir, Aoede y Zephyr. Genera la misma frase con tres voces y compáralas antes de elegir una.
  4. Define el idioma. Elige un código como en-US, en-GB, es-ES, fr-FR o hi-IN para que la pronunciación y el ritmo coincidan con tu audiencia.
  5. Escribe un prompt de estilo. Usa el campo de prompt en lenguaje natural: "Di esto con un tono tranquilo y profesional" o "Habla con un entusiasmo cálido". Esto sustituye el control de estilo que tendrías con un modelo de API más nuevo.
  6. Añade etiquetas expresivas. Inserta etiquetas como [whispering], [laughing], [sigh] o [shouting] directamente en el texto para una entrega a nivel de frase.
  7. Genera, escucha, ajusta. Descarga el resultado cuando suene bien. Si una frase no funciona, reescribe la puntuación y vuelve a ejecutar.

💡 Consejo de parámetros: las frases cortas y las comas donde quieras una pausa para respirar dan el ritmo más natural. Las frases largas sin comas tienden a sonar apresuradas.

Cuándo elegir otro modelo

  • Elige ElevenLabs V3 cuando lo más importante sea la interpretación emocional, como en la ficción de audio o los diálogos de personajes.
  • Elige MiniMax Speech 2.8 HD para narraciones largas y pulidas donde cuenta un tono estable a lo largo de muchos minutos.
  • Elige Inworld TTS 1.5 Max cuando necesites entregas rápidas de un lote grande de clips cortos.

Plano general de una oficina moderna de producción de audio al atardecer con monitores y altavoces de estudio

Elegir la opción adecuada para ti

Esta es una lista de decisiones, según lo que realmente estás construyendo.

  • Ejecutas un asistente de voz en tiempo real a gran escala. La ruta de la API tiene sentido. Haz las cuentas de caracteres por mes, compáralas con otros proveedores y ten lista una voz de respaldo.
  • Haces videos de YouTube, podcasts o cursos. No necesitas una API en absoluto. Genera archivos en el navegador, elige la mejor toma y sigue adelante.
  • Publicas en varios idiomas. Prefiere un modelo con una lista amplia de idiomas, como Gemini 3.1 Flash TTS, y prueba cada idioma con un oyente nativo.
  • Quieres una voz personalizada o clonada. Las voces fijas del endpoint de OpenAI son un límite. Revisa en cambio las opciones de clonación de voz.
  • Sigues experimentando. Empieza gratis y en el navegador. Gasta dinero solo cuando sepas qué voz y qué duración necesitas.

Errores que hacen perder dinero

  1. Elegir tts-1-hd por defecto. Haz primero una prueba A/B. Para audio de calidad telefónica o de fondo, el nivel más barato suele ser indistinguible.
  2. Regenerar capítulos enteros. Corrige un solo párrafo, no el archivo completo.
  3. Ignorar la limpieza del texto. Quita URL, símbolos sueltos y formatos extraños antes de enviar el texto. Lo que entra mal se traduce en tomas repetidas y dinero perdido.
  4. Olvidar los números y las siglas. Escribe "dos mil veintiséis" o deletrea las siglas cuando importe la pronunciación.
  5. Saltarse la escucha de un hablante nativo. Una voz que te suena bien a ti puede sonar mal a alguien que habla el idioma a diario.

Creador sosteniendo un teléfono con audífonos en una terraza de cafetería con sol

Preguntas frecuentes

¿Cuánto cuesta el texto a voz de OpenAI?

El precio que suele informarse es de unos $15 por millón de caracteres para tts-1 y unos $30 por millón de caracteres para tts-1-hd. El modelo más nuevo, gpt-4o-mini-tts, se factura por tokens, a unos $0.60 por millón de tokens de texto de entrada y $12 por millón de tokens de audio de salida. Consulta la página de precios de OpenAI para las tarifas actuales.

¿Cuál es el límite de caracteres por solicitud?

Las fuentes públicas citan con más frecuencia unos 4.096 caracteres por solicitud. Divide cualquier texto más largo en fragmentos en los límites de frase.

¿Ofrece OpenAI texto a voz gratuito a través de la API?

No hay una cuota gratuita fiable. Se informa que las cuentas gratuitas tienen límites de tasa muy bajos, y cualquier crédito de prueba debe revisarse en tu propio panel. Para generar voz gratis, una herramienta en el navegador es la vía más práctica.

¿Cuántas voces tiene?

Los listados describen unas nueve voces en tts-1 y tts-1-hd, y unas trece en gpt-4o-mini-tts. Gemini 3.1 Flash TTS en PicassoIA ofrece 30.

¿Puedo clonar mi propia voz con él?

No a través del endpoint de voz estándar. Usa un conjunto fijo de voces integradas. Si la clonación es un requisito, elige un modelo diseñado para ello.

¿Seguirá disponible tts-1?

Algunos listados de terceros mencionan que versiones anteriores están programadas para retirarse a comienzos de 2027, pero esto no pudo confirmarse con la documentación oficial. Verifícalo antes de construir un producto a largo plazo sobre él.

Prueba tu propia locución hoy

Ya tienes las cifras: unos centavos por una entrada de blog, unos dólares por un audiolibro y una factura mensual que solo crece si ejecutas tráfico en tiempo real a gran escala. El mejor siguiente paso no cuesta nada. Toma un párrafo de tu propio guion, pégalo en Gemini 3.1 Flash TTS y renderízalo con tres voces distintas. Luego prueba el mismo párrafo en ElevenLabs V3 y MiniMax Speech 2.8 HD y compáralos al oído.

¿Prefieres explorarlo todo en un solo lugar? Visita picassoia.com/en/all-models para probar toda la oferta de texto a voz, combinar tus locuciones con imágenes de IA y construir tu próximo proyecto sin escribir una sola línea de código.

Compartir este artículo

Elige tu idioma

FreeCrea imágenes y videos con IAGratis, sin tarjeta de créditoGeneraciones gratis para empezarSeedance 2.5 Lite incluidoEmpieza gratis ya