Trece voces de OpenAI TTS, tres modelos y ninguna vista previa de audio. Este artículo compara cada voz, indica qué modelo la admite, ofrece un guion de prueba para escucharlas tú mismo, desglosa los costos reales y recomienda opciones iniciales para narración, bots de soporte y video corto.
Trece nombres de voz, tres modelos y ninguna vista previa de audio en la página donde tienes que elegir. Es el primer obstáculo con el que tropiezan la mayoría de los desarrolladores con el endpoint de voz de OpenAI. Alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin y cedar parecen igual de razonables en un menú desplegable, pero no se comportan igual en todos los modelos y no sonarán igual con tu guion. Este artículo explica qué es cada una de las voces de OpenAI TTS, qué modelo la admite, cómo probar las trece en menos de diez minutos, cuánto supone la factura y con qué voz conviene empezar para narración, bots de soporte y video corto. También menciona las herramientas de voz de PicassoIA que complementan la oferta de OpenAI, incluida una con un tutorial que puedes ejecutar hoy mismo.
La API de texto a voz de OpenAI convierte texto escrito en audio hablado a través de un único endpoint. Envías el nombre de un modelo, el nombre de una voz y tu texto, y recibes un archivo de audio. Lo que más confunde es que el modelo que elijas decide cuántas voces puedes usar y cuánto control tienes sobre la entrega.
| Modelo | Voces | Precio | Ideal para |
|---|---|---|---|
| tts-1 | 9 | $15 por 1M de caracteres | Borradores rápidos y económicos y reproducción en directo |
| tts-1-hd | 9 | $30 por 1M de caracteres | Audio de mayor fidelidad renderizado con antelación |
| gpt-4o-mini-tts | 13 | $0.60 por 1M de tokens de texto de entrada, $12 por 1M de tokens de audio de salida | Tono, ritmo y acento ajustables mediante instrucciones |
Los dos modelos anteriores se cobran por número de caracteres. gpt-4o-mini-tts se cobra por tokens, lo que significa que tu costo depende de la duración del audio y no de la longitud del guion.
El audio se devuelve por defecto en MP3, con Opus, AAC, FLAC, WAV y PCM como alternativas. Cada uno tiene su función:
El endpoint puede transmitir el audio a medida que se genera, de modo que la reproducción puede empezar antes de que termine todo el clip. Eso marca una diferencia real en los asistentes de voz, donde una pausa de dos segundos parece una llamada cortada.
Nueve voces funcionan en todos los modelos. Otras cuatro solo funcionan en gpt-4o-mini-tts. Esta es la lista completa, con una nota sobre cómo suelen describirla quienes las escuchan.
💡 Lee esto primero: OpenAI no publica etiquetas de personalidad para sus voces, así que la columna "suele describirse como" refleja lo que dicen los desarrolladores y los oyentes, no una especificación oficial. Tómala como una lista corta y deja que tus propios oídos decidan.
| Voz | Suele describirse como | Funciona en |
|---|---|---|
| alloy | Neutral, equilibrada, de uso general | Los tres modelos |
| ash | Más suave, ligeramente rasposa, conversacional | Los tres modelos |
| coral | Cálida, amigable, cercana | Los tres modelos |
| echo | Clara, estable, directa | Los tres modelos |
| fable | Estilo narrador, expresiva, a menudo percibida como británica | Los tres modelos |
| nova | Brillante, enérgica, animada | Los tres modelos |
| onyx | Grave, autoritaria, tranquila | Los tres modelos |
| sage | Medida, reflexiva, de ritmo uniforme | Los tres modelos |
| shimmer | Ligera, clara, suave | Los tres modelos |
Estas nueve llevan más tiempo disponibles, así que son las más usadas y las que más opiniones tienen. Si tu producto ya usa alloy o nova, rara vez hay motivo para cambiar, salvo que las voces nuevas resuelvan un problema concreto.
| Voz | Suele describirse como | Funciona en |
|---|---|---|
| ballad | Suave, melódica, delicada | Solo gpt-4o-mini-tts |
| verse | Expresiva, dinámica, animada | Solo gpt-4o-mini-tts |
| marin | Natural, pulida, calidad de primera línea | Solo gpt-4o-mini-tts |
| cedar | Natural, con los pies en la tierra, cálida | Solo gpt-4o-mini-tts |
La documentación de OpenAI recomienda marin o cedar para la mejor calidad, lo que las convierte en la primera prueba natural para cualquier proyecto nuevo. Como solo funcionan en gpt-4o-mini-tts, elegirlas también significa que tienes el campo de instrucciones, que es donde está la flexibilidad real.
El audio no cabe en una página de texto, así que la forma más rápida de obtener muestras reales es generarlas tú mismo. Trece clips del mismo guion llevan unos minutos y cuestan unos centavos.
Un buen guion de prueba no es un párrafo bonito. Es una prueba de esfuerzo. Usa algo como esto:
Pedido de 4.817 envíos el 3 de marzo para la Dra. Okonkwo en 22 Birchwood Lane. Espera, ¿dijiste jueves? Sinceramente, no esperaba que la entrega llegara antes, pero aquí estamos. Tres cosas que recordar: trae el recibo, revisa el sello y llámanos si algo te parece raro.
Reúne un número largo, una fecha, un apellido difícil, una pregunta, un momento emocional leve y una lista. Las voces que suenan genial en una sola frase suelen tropezar con alguno de esos elementos. Luego ejecuta este bucle:
from openai import OpenAI
from pathlib import Path
client = OpenAI()
script = "Order 4,817 ships on March 3rd to Dr. Okonkwo at 22 Birchwood Lane. ..."
voices = ["alloy", "ash", "ballad", "coral", "echo", "fable", "nova",
"onyx", "sage", "shimmer", "verse", "marin", "cedar"]
for voice in voices:
out = Path(f"sample_{voice}.mp3")
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice=voice,
input=script,
instructions="Speak clearly in a warm, even tone.",
) as response:
response.stream_to_file(out)
Escucha con buenos auriculares y puntúa cada clip en cuatro aspectos:
En gpt-4o-mini-tts, un campo de instrucciones te permite describir en lenguaje natural cómo debe sonar la voz. OpenAI indica que el modelo puede recibir indicaciones sobre acento, rango emocional, entonación, imitaciones, velocidad, tono y susurros. Los modelos anteriores tts-1 y tts-1-hd no lo admiten.
| Instrucción | Qué esperar |
|---|---|
| "Habla con un tono alegre y positivo." | Una lectura animada y amable, buena para la bienvenida a un producto |
| "Tranquila, lenta, como un cuento para dormir." | Una entrega más suave con pausas más largas |
| "Profesional y concisa, como un presentador de noticias." | Ritmo más ajustado, emoción más plana |
| "Susurra la última frase." | Un final en voz baja para dar dramatismo |
| "Suena como si pidiera disculpas, pero con seguridad." | Útil para guiones de soporte sobre retrasos |
💡 Consejo: Mantén las instrucciones cortas y concretas. Una frase clara suele ganar a un párrafo de adjetivos, y cambiar una sola instrucción cada vez deja claro qué movió el resultado.
La tabla siguiente es un conjunto de puntos de partida para probar, no reglas. Las voces son subjetivas, y tu guion importa más que cualquier etiqueta.
| Trabajo | Primera opción | Alternativa |
|---|---|---|
| Audiolibros y lecturas largas | cedar | sage |
| Soporte y bots telefónicos | marin | coral |
| Demos de producto | alloy | echo |
| Anuncios y clips cortos | nova | verse |
| Meditación y contenido relajante | ballad | shimmer |
Escuchar durante mucho tiempo castiga a las voces con una personalidad marcada. Una voz brillante que te encanta durante quince segundos puede agotarte al minuto diez. Para la narración, elige algo uniforme y sin prisas, y usa las instrucciones para añadir calidez. Divide el manuscrito en los saltos de párrafo, porque cada solicitud tiene un límite de longitud de entrada y los fragmentos más cortos le dan a la voz un nuevo comienzo. Consulta la referencia actual de la API para ver el límite exacto.
En un bot, los rasgos que marcan la diferencia son la claridad y un tono creíble bajo una leve presión. Prueba tu voz con los peores mensajes que envías: reembolsos, retrasos, interrupciones del servicio. Una voz que suena alegre al dar malas noticias resulta insensible, así que incluye instrucciones como "tranquila y sincera" en cada solicitud. Combínalo con streaming para que las respuestas empiecen rápido.
Los clips cortos premian la energía. Apóyate en nova o verse, añade una instrucción como "animada, rápida, conversacional" y usa frases cortas para que la entrega nunca tenga que apresurarse. Renderiza dos o tres versiones y elige por oído, ya que la diferencia entre una buena toma y una excelente suele ser un solo adjetivo cambiado.
Un manuscrito de 10.000 palabras tiene aproximadamente 60.000 caracteres y unos 67 minutos de habla a un ritmo natural. Para gpt-4o-mini-tts, la estimación de lanzamiento de OpenAI era de alrededor de 1,5 centavos por minuto de audio, que es como se calcula la última fila de la tabla siguiente.
| Modelo | Costo aproximado para 10.000 palabras |
|---|---|
| tts-1 | Unos $0.90 |
| tts-1-hd | Unos $1.80 |
| gpt-4o-mini-tts | Unos $1.00 |
Estas cifras son lo bastante pequeñas como para que la calidad de voz decida el modelo, no el precio. El costo mayor es tu tiempo volviendo a renderizar tomas que fallaron el tono, y ese es otro argumento a favor del campo de instrucciones.
OpenAI indica compatibilidad con más de 50 idiomas, desde afrikáans y árabe hasta checo, danés y neerlandés, con la nota de que las voces están optimizadas actualmente para inglés. En la práctica, un guion en otro idioma funciona, pero el acento puede desviarse hacia la fonética inglesa. Prueba cada idioma que publiques y pide a un hablante nativo que lo escuche antes del lanzamiento.
Las políticas de uso de OpenAI exigen informar con claridad a los usuarios finales de que la voz que escuchan está generada por IA y no es una persona. Incluye ese aviso en tu producto, no en la letra pequeña. Existen voces personalizadas, pero requieren un proceso aparte que exige grabaciones de consentimiento del locutor y muestras de audio, así que prevé el tiempo de espera necesario si quieres una voz de marca.
PicassoIA no ofrece los modelos de voz de OpenAI. Lo que sí ofrece es un amplio conjunto de otros motores en la categoría Generate speech, además de herramientas para los dos trabajos que rodean al trabajo con voz: revisar el resultado y añadir sonido por debajo.
| Modelo | Rasgo destacado |
|---|---|
| Gemini 3.1 Flash TTS | 30 voces, más de 70 códigos de idioma, prompts de estilo y etiquetas expresivas |
| MiniMax Speech 2.8 HD | Locuciones de calidad de estudio |
| ElevenLabs V3 | Locuciones con IA naturales y expresivas |
| Inworld TTS 1.5 Max | Locuciones rápidas en 15 idiomas |
| Chatterbox | Clonación de voz con control de emoción |
| Qwen3 TTS | Clona una voz o diseña la tuya |
Una forma rápida de detectar nombres mal pronunciados es pasar el audio generado por un reconocimiento de voz a texto y compararlo con tu guion. GPT-4o Transcribe y GPT-4o Mini Transcribe sirven para esto, y Gemini 3 Pro es una buena tercera opinión. Si la transcripción omite o cambia una palabra, es probable que un oyente haya escuchado lo mismo.
Una locución sin música de fondo puede resultar vacía. Genera una pista en la categoría Generate music y mézclala con un volumen bajo detrás de la narración. ElevenLabs Music, MiniMax Music 2.6, Lyria 3 Pro y Stable Audio 2.5 convierten un prompt de texto en una pista. Pide algo como «instrumental suave, sin voces, tempo estable» para que nada compita con las palabras.
Como las voces de OpenAI no están alojadas allí, la alternativa más parecida es Gemini 3.1 Flash TTS, que ofrece un flujo de trabajo similar con una lista de voces más amplia. Así se usa:
en-US, y hay más de 70 códigos disponibles.| Ajuste | Consejo |
|---|---|
| Etiquetas de texto | Añade [whispering], [laughing], [shouting], [sigh] o [extremely fast] justo antes de la frase que deben afectar |
| Prompt | Describe el ritmo, el tono y el acento en una sola frase |
| Voz | Prueba tres voces con el mismo párrafo antes de decidirte |
| Código de idioma | Ajústalo al idioma del guion, no al tuyo |
💡 Consejo: Pasa el clip final por GPT-4o Transcribe para confirmar que todos los nombres y números salieron como están escritos.
Elegir entre las voces de OpenAI TTS es una tarea de escucha, y la forma más rápida de mejorar en ella es generar clips y compararlos. Toma el guion de prueba de arriba, ejecútalo con las trece voces y luego pasa el mismo guion por Gemini 3.1 Flash TTS y MiniMax Speech 2.8 HD en Picasso IA. Añade una base musical suave, revisa la transcripción y quédate con la voz que siga sonando bien a la décima escucha. Abre Picasso IA, pega tu propio guion y empieza con una voz y una instrucción. Tu primera locución utilizable está más cerca de lo que parece en el menú desplegable.
Elige tu idioma
