Tres API de clonación de voz frente a frente. Mira qué te dan ElevenLabs, Cartesia y MiniMax gratis, cuánto audio necesita cada uno para clonar una voz, cuánto cuesta un millón de caracteres y en qué punto una herramienta de navegador gana a escribir código de integración.
Todas las promesas de una API de clonación de voz empiezan con la palabra gratis, y casi ninguna la cumple como esperas. Una cuenta gratuita de ElevenLabs no puede clonar una voz en absoluto. El plan gratuito de Cartesia se limita al uso no comercial. En las recopilaciones revisadas para esta comparación, MiniMax no tiene plan gratuito y cobra $1.50 por voz clonada. Si estás eligiendo una API para un producto, un flujo de podcast o un flujo de trabajo de audiolibros, el precio de portada dice muy poco.
Esta comparación pone a los tres proveedores frente a frente en los puntos que deciden un proyecto: cuánto audio necesita cada uno, cuánto pagas antes de la primera frase terminada, qué pasa con la voz clonada después y en qué punto una herramienta de navegador gana a escribir código de integración. Las cifras provienen de recopilaciones de precios de 2026 con datos de octubre de 2026. Los proveedores cambian sus planes con frecuencia, así que confirma los números en la página de precios actualizada antes de comprometer un presupuesto.
Una API de clonación de voz convierte una grabación corta en un ID de voz reutilizable. Subes la muestra una vez, el proveedor devuelve un identificador y cada solicitud posterior de texto a voz incluye ese identificador para que el texto nuevo salga con la misma voz. Sin reentrenar por cada guion y sin volver a subir la grabación.
Los proveedores ofrecen dos niveles de clon, y el nivel determina tanto la calidad como el precio:
La integración tiene la misma forma en todas partes:
Dos detalles cambian un presupuesto más que la tarifa de portada. El primero es dónde vive el clon: MiniMax elimina un clon sin usar después de una semana, así que el proyecto tiene que planificarlo. El segundo es cuánto cuesta una prueba: MiniMax cobra las vistas previas por separado, y en un plan basado en créditos cada render de prueba también gasta créditos. Un proyecto que regenera el mismo párrafo veinte veces mientras ajusta la interpretación paga las veinte.
Aquí va la versión corta antes del detalle. Todos los importes son precios de lista en USD.
| ElevenLabs | Cartesia | MiniMax | |
|---|---|---|---|
| Plan gratuito | 10,000 créditos al mes, sin licencia comercial, sin clonación instantánea | 20,000 créditos al mes, solo uso no comercial | No figura plan gratuito, $1.50 por voz clonada |
| Clonación instantánea más barata | Plan Starter, unos $5 a $6 al mes | Plan Pro, unos $5 al mes | Pago por uso |
| Audio para un clon instantáneo | De 1 a 2 minutos | Unos 10 segundos | De 10 segundos a 5 minutos |
| Clon profesional | Plan Creator ($22) y superiores, más de 30 minutos de audio, verificación de voz | Plan Startup ($49 al mes) y superiores | No figura |
| Unidad de facturación | Caracteres, mediante créditos mensuales | Créditos | Caracteres |
| Precio de lista por 1M de caracteres | $50 (Flash) a $100 (Multilingual v2, v3) | Varía según el plan | $60 (Turbo) a $100 (HD) |
💡 Compara el costo por minuto terminado, no por plan. Un millón de caracteres equivale aproximadamente a entre 18 y 20 horas de narración, así que incluso una tarifa de $100 por millón sale por menos de 9 centavos por minuto de audio.
Los créditos y las cuotas mensuales de Cartesia hacen imposible una comparación directa de precios sin una prueba, por eso tiene su propia sección más abajo.
ElevenLabs es el nombre con el que empieza la mayoría de la gente, y sus voces lo justifican. El precio es la contrapartida, junto con una escalera de clonación que empieza por encima del plan gratuito.
El plan gratuito incluye 10,000 créditos al mes y no tiene licencia comercial, así que el audio que genera no puede usarse en contenido monetizado ni en trabajos para clientes. La clonación instantánea de voz tampoco forma parte de él: la única herramienta de creación de voz disponible en el plan gratuito es Voice Design. Úsalo para probar voces predefinidas y comprobar cómo funciona la API, nada más.
El plan Starter (unos $5 a $6 al mes, 30,000 créditos) añade licencia comercial y clonación instantánea de voz a partir de 1 a 2 minutos de audio. Para algo más parecido al hablante real, pasas a Professional Voice Cloning en el plan Creator ($22 al mes, 121,000 créditos) y superiores. Pide un mínimo de 30 minutos de audio, recomienda de 2 a 3 horas, se entrena durante varias horas y exige verificación de voz, lo que impide clonar a alguien que no haya dado su consentimiento.
En el lado de la API, las recopilaciones de precios indican $0.10 por 1,000 caracteres en Multilingual v2 y V3, y $0.05 en Flash v2.5. Si quieres escuchar la calidad del modelo antes de pagar cualquier plan, los tres funcionan en PicassoIA.
Cartesia está construida en torno a la velocidad, y sus planes lo muestran: incluso el nivel gratuito incluye $1 de uso de agente de voz junto a los créditos, lo que indica para quién es el producto.
El plan gratuito da 20,000 créditos de modelo al mes para uso personal y no comercial. La clonación está un paso más arriba. El plan Pro, unos $5 al mes o $48 al año, incluye clonación instantánea a partir de un clip de 10 segundos, el requisito más corto de los tres proveedores. Pro Voice Cloning llega con el plan Startup ($49 al mes, o $468 facturados al año) con 1,250,000 créditos al mes, y el nivel Scale lo eleva a 8,000,000.
Los créditos dificultan comparar presupuestos. ElevenLabs y MiniMax facturan por carácter, mientras que Cartesia factura en créditos cuyo costo por minuto hablado depende del plan. Pasa tu guion real por una prueba, divide los créditos gastados entre los caracteres enviados y solo entonces pon esa cifra junto a las otras dos.
Cartesia no está en PicassoIA. Si lo que pruebas es la baja latencia, Inworld Realtime TTS 1.5 Mini (anunciado en 120 ms) y Inworld Realtime TTS 1.5 Max (por debajo de 200 ms) son las opciones más cercanas centradas en la velocidad.
MiniMax es el caso atípico: no tiene escalera de suscripciones para la clonación, cobra una tarifa por voz y, en el nivel Turbo, ofrece el precio por carácter más bajo de los tres.
MiniMax Speech 2.8 clona a partir de una referencia de 10 segundos. El archivo puede ser MP3, M4A o WAV, de 10 segundos a 5 minutos y menos de 20 MB. Los IDs de modelo son speech-2.8-hd y speech-2.8-turbo.
La trampa es que una voz clonada es temporal. Si no ejecutas al menos una síntesis real con el ID de voz dentro de 168 horas (7 días), se elimina, y el audio de vista previa generado al clonar no cuenta. Guarda el ID de voz en cuanto llegue y envía enseguida una solicitud real y corta.
Clonar cuesta $1.50 por voz, que se cobra en el primer uso de síntesis, y las vistas previas se facturan por separado. La síntesis cuesta $100 por millón de caracteres en HD y $60 en Turbo. Los dos niveles están en PicassoIA: Speech 2.8 HD y Speech 2.8 Turbo.
Esto es lo que cuestan 100,000 caracteres de narración (unas 17,000 palabras) con una voz clonada, a precios de lista:
| Proveedor y modelo | Costo de voz | Costo de clonación | Total |
|---|---|---|---|
| ElevenLabs Flash | $5 | Tarifa del plan | $5 más el plan |
| ElevenLabs Multilingual v2 o v3 | $10 | Tarifa del plan | $10 más el plan |
| MiniMax Speech 2.8 Turbo | $6 | $1.50 | $7.50 |
| MiniMax Speech 2.8 HD | $10 | $1.50 | $11.50 |
| Cartesia Sonic | Créditos | Tarifa del plan | Haz una prueba |
ElevenLabs y Cartesia necesitan un plan de pago antes de poder clonar, así que tu factura mensual real es más alta que la línea de síntesis por sí sola.
Los niveles gratuitos son bancos de prueba. El plan gratuito de ElevenLabs no permite clonar y el de Cartesia es no comercial, así que úsalos para probar voces y comprobar cómo se comporta la API, y luego prevé el costo de un plan de pago si el resultado va a salir al público.
Si tu objetivo es un archivo de voz terminado y no una integración, PicassoIA hace la clonación sin código:
💡 Al escribir esto, la API para desarrolladores de PicassoIA incluye modelos de imagen y video, así que la clonación de voz allí se hace desde el navegador. Consulta la página de la API para ver la lista de modelos actual antes de planear una integración.
💡 Usa un nivel HD para la narración terminada y un nivel Turbo para borradores rápidos. Hacer borradores en Turbo y renderizar la pasada final en HD mantiene barata la iteración.
El clon de cualquier proveedor solo es tan bueno como la grabación. La muestra importa más que el plan que pagas.
Una vez creado el clon, compruébalo con un viaje de ida y vuelta. Pasa el audio generado por GPT-4o Transcribe y compara el texto con tu guion. Cada palabra que salga distinta es un punto donde la voz se arrastra. Para una introducción de podcast o de video, también puedes colocar la narración clonada sobre una pista de Music 2.6 o Stable Audio 2.5.
| Tu proyecto | Mejor opción | Por qué |
|---|---|---|
| Agente de voz en vivo | Cartesia | Planes centrados en la velocidad, clon de 10 segundos |
| Audiolibro largo | MiniMax Turbo o HD | Costo por carácter más bajo |
| Video multilingüe pulido | ElevenLabs | Gama de modelos y clones profesionales |
| Locución puntual | Herramienta de navegador | Sin código, sin tarifa de plan |
Un agente telefónico depende por completo del retraso antes de la primera palabra. Los planes de Cartesia incluyen uso de agente de voz, y su clon de 10 segundos es el más rápido de configurar. Prueba el costo en créditos por llamada antes de escalar.
La narración es un juego de volumen, así que domina el costo por carácter. MiniMax Turbo a $60 por millón de caracteres, o HD a $100, mantiene asequible un libro largo. Divide el texto en capítulos, reutiliza un mismo ID de voz y recuerda la regla de 168 horas: sigue generando dentro de esa ventana.
Si cada usuario graba su propia voz, el precio por voz se acumula rápido. Con los $1.50 de MiniMax, 10,000 usuarios que clonen cada uno una voz suman $15,000 en tarifas de clonación antes de generar cualquier síntesis. Guarda también cada muestra original, porque una voz que caduca tras siete días sin uso tiene que volver a crearse.
Antes de elegir proveedor, responde estas cinco:
El consentimiento va primero, elijas la API que elijas. Clona solo voces que te pertenezcan o para las que tengas permiso por escrito. ElevenLabs exige verificación para los clones profesionales, y el audio de un plan gratuito no incluye derechos comerciales.
Un buen uso del clon es el familiar: un abuelo que acepta grabar veinte minutos de historias, conservadas en una voz que sus nietos todavía podrán escuchar.
La forma más rápida de comparar estos proveedores es escuchar tu propia voz de vuelta. Graba 30 segundos en un armario silencioso, súbela a Voice Cloning en PicassoIA y lee un párrafo de tu propio guion con la voz clonada. Luego cambia el nivel de Turbo a HD y escucha la diferencia, o prueba Chatterbox para el control de emociones. Diez minutos de prueba te dirán más sobre lo que necesitas que cualquier tabla de precios, y no cuesta nada probarlo.
Elige tu idioma
