Modelos de voz

Qué tener en cuenta

Las preguntas que distinguen las opciones, por orden de importancia.

1. 01

   Voz a texto: tasa de error de palabras en un conjunto de prueba declarado

   La tasa de error de palabras (WER) es la proporción de palabras que un modelo transcribe mal, así que más bajo es mejor, pero solo significa algo si se indica el conjunto de prueba. AA-WER v2 de Artificial Analysis promedia unas 8 horas de audio: conversaciones de tipo agente (50%), intervenciones del Parlamento Europeo (25%) y presentaciones de resultados (25%), con transcripciones de referencia depuradas. En octubre de 2026 los líderes rondan el 2%, mientras que Whisper large-v3-turbo saca un 4,6%. Las cifras de WER que dan los proveedores con sus propios datos no son comparables; prueba con audio que suene como el tuyo, con tus acentos, tu jerga y tu ruido.

2. 02

   Voz a texto: velocidad, streaming y funciones

   La transcripción por lotes se juzga por el factor de velocidad, los segundos de audio por cada segundo de procesamiento; Deepgram Nova-3 va a más de 600 veces el tiempo real y Scribe v2 a unas 63. Los subtítulos en directo y los agentes de voz necesitan un verdadero modelo de streaming con baja latencia, que a menudo es otro modelo con otro precio (Scribe v2 Realtime, Gemini 3.5 Transcribe Live, gpt-live-transcribe). Revisa después la diarización (quién habló), las marcas de tiempo por palabra, el vocabulario personalizado y la detección de idioma, y ten en cuenta que algunas funciones no se pueden combinar en una misma petición.

3. 03

   Texto a voz: calidad por votos a ciegas, leída con cuidado

   El Speech Arena de Artificial Analysis clasifica las voces por Elo a partir de las preferencias de los oyentes, con cada modelo usando sus propias voces integradas; otra clasificación aparte usa voces controladas. Eleven v4 y v4 Turbo lideran cerca de 1330, con Cartesia Sonic 3.6 y Gemini 3.8 Flash TTS muy cerca. También publica caracteres por segundo y una puntuación de robustez en la pronunciación de nombres, códigos, números y fechas, que importa más que el Elo en líneas de soporte y agentes. Los votos de la arena favorecen los clips cortos y agradables; prueba tú la narración larga.

4. 04

   Texto a voz: tiempo hasta el primer audio en los agentes

   En los agentes de voz, lo que cuenta es lo rápido que llega el primer sonido después de enviar el texto, no el tiempo total de generación. Los proveedores dan sus propias cifras (ElevenLabs indica unos 150 ms hasta la primera voz con v4 Turbo), medidas en sus propias redes; prueba desde tu región con un WebSocket de streaming. Busca versiones fijas del modelo, como ofrece Cartesia, para que una voz no cambie sin que lo sepas.

5. 05

   Clonación de voz y salvaguardas de consentimiento

   Clonar una voz a partir de una muestra corta es ya habitual, así que comprueba qué hace el proveedor para evitar el abuso: verificación del consentimiento, marcas de agua (SynthID de Google, la marca de agua Perth de Resemble en Chatterbox) y límites por región (la réplica de voz de Gemini no está disponible en el EEE ni en el Reino Unido). Los modelos abiertos suelen depender de la conducta del usuario; Chatterbox no tiene comprobación de consentimiento. Si clonas a personas reales, consigue su consentimiento por escrito sea cual sea la herramienta.

6. 06

   Idiomas, y lo bien que se cubre cada uno

   Una lista larga de idiomas no equivale a buena calidad en cada uno. Parakeet v3 cubre 25 idiomas europeos y nada más; Whisper acepta 99, pero su ficha solo afirma buenos resultados en unos 10. Revisa los resultados por idioma en la ficha del modelo o prueba tus idiomas objetivo, sobre todo con mezcla de idiomas como el hinglish.

7. 07

   Unidades de precio y pesos abiertos

   La voz a texto se cobra por minuto u hora de audio, y el texto a voz por carácter o por token de audio, lo que complica la comparación; Artificial Analysis normaliza STT a dólares por cada 1.000 minutos y TTS a dólares por 1M de caracteres. Vigila las subidas programadas (Gemini 3.8 Flash TTS duplica su precio en enero de 2027) y las tarifas de streaming aparte. Los pesos abiertos (Whisper MIT, Parakeet CC BY 4.0, Kokoro Apache 2.0, Chatterbox MIT) son los más baratos a gran volumen y mantienen el audio en tus servidores, a cambio de algo de precisión o naturalidad.

19 herramientas comparadas

Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.

Comparativa de herramientas de Modelos de voz

Herramienta	Nota	Nuestro veredicto	Ideal para	Precio
Eleven v4 and v4 Turbomodelo	4.7/5	Nada en las clasificaciones públicas suena mejor, pero Gemini 3.8 Flash TTS de Google se queda a 60 puntos Elo por cerca de una quinta parte del precio de v4.	Productores de audiolibros, videojuegos y doblaje que necesitan las voces más expresivas, y equipos de agentes de voz que quieren calidad de primer puesto a la tarifa más baja de Turbo.	API: v4 a 0,08 $ y v4 Turbo a 0,04 $ por 1.000 caracteres. Las suscripciones, desde Starter a 6 $/mes hasta Business a 990 $/mes, incluyen cupos de caracteres.
Gemini 3.8 Flash TTSmodelo	4.5/5	Quinto en votaciones a ciegas por menos de la mitad del precio de Eleven v4 Turbo, Gemini 3.8 Flash TTS es una ganga con fecha de caducidad: el 1 de enero.	Desarrolladores que producen narración larga o doblaje multilingüe, quieren una calidad cercana a la mejor y pueden asumir la subida de precio de enero.	Flash TTS: $0,50 por 1M de tokens de texto de entrada, $9 por 1M de tokens de audio de salida (unos $0,81 por hora de audio) hasta el 31 dic 2026, y el doble desde el 1 ene 2027. Flash-Lite: $6 por 1M de tokens de audio de salida. Batch a mitad de precio; nivel gratuito en AI Studio.
Cartesia Sonic 3.6modelo	4.4/5	Sonic 3.6 recortó en una sola versión casi toda la distancia con ElevenLabs y cuesta menos por carácter que Eleven v4, pero entrena con el contenido de los clientes salvo que te excluyas.	Equipos que construyen agentes de voz en producción y quieren voces estables y versionadas a un precio moderado.	Plan gratuito con 20K créditos/mes (sin licencia comercial); Pro $5 (100K), Startup $49 (1,25M), Scale $299 (8M); exceso de $38 a $65 por 1M de créditos. Un crédito es un carácter, unos 750 a 800 por minuto de audio.
ElevenLabs Scribe v2modelo	4.4/5	Scribe v2 transcribe con precisión y se encarga por ti de la redacción de datos y de los hablantes, pero Microsoft vende ahora más precisión por menos de la mitad de precio.	Productos de reuniones, medios y ámbito clínico que necesitan etiquetas de hablante y redacción de datos además de una transcripción precisa.	API: Scribe v2 y v2 Medical a 0,22 $ por hora de audio; Scribe v2 Realtime a 0,39 $ por hora; el keyterm prompting suma 0,05 $ por hora. Los planes, desde 6 $/mes, incluyen horas.
AssemblyAIherramienta	4.4/5	AssemblyAI es barato, preciso y fácil de contratar, pero lee antes las condiciones de datos: las cuentas gratuitas ayudan a entrenar sus modelos y no pueden negarse.	Desarrolladores que añaden transcripción o subtítulos en directo a una app y quieren precios bajos publicados, un BAA gratuito y una opción en la UE.	Audio grabado: Universal-3.5 Pro 0,21 $/h, Universal-2 0,15 $/h. Streaming: Universal-3.6 Pro Realtime 0,45 $/h, Universal-Streaming 0,15 $/h. Voice Agent API 4,50 $/h. Complementos desde 0,01 $/h; Medical Mode +0,15 $/h. 50 $ de crédito gratuito.
Retell AIherramienta	4.4/5	Retell es la plataforma de agentes telefónicos con la factura más clara y menos trámites de cumplimiento, siempre que no te importe construir el agente tú mismo.	Desarrolladores y equipos de operaciones que construyen sus propios agentes telefónicos de entrada o salida y quieren costes por minuto previsibles y un BAA gratuito.	Pago por uso de $0.07 a $0.31 por minuto de voz ($0.055 de infraestructura de voz más voz y LLM); $10 de crédito gratuito; 20 llamadas simultáneas gratis y después $8 por llamada al mes; números de teléfono $2/mes. Enterprise a medida.
Vapiherramienta	4.3/5	Vapi da a los desarrolladores la mayor libertad para combinar proveedores de voz, y cobra por ello en cuanto tu agente maneja algo sensible.	Desarrolladores que integran agentes de voz en su propio producto y quieren elegir y cambiar cada proveedor de reconocimiento de voz, modelo y voz.	$0.05/min de alojamiento más los costes de los proveedores a precio de coste; $5 de crédito gratuito. Core $29/mes (10 llamadas simultáneas, retención de 30 días); Pro, comisión de alojamiento del 10% con un mínimo de $999/mes; Premier a medida. Complemento HIPAA $2.000/mes; concurrencia adicional $10/línea/mes.
Gemini 3.5 Transcribemodelo	4.2/5	Lo bastante preciso y barato para la mayoría de las transcripciones, pero ya no es la compra obvia en ninguno de los dos aspectos.	Equipos que ya usan la Gemini API y quieren transcripción de archivos y en streaming de un solo proveedor a cerca de medio céntimo por minuto.	Transcribe, unos 0,005 $ por minuto (2 $ de entrada / 12 $ de salida por 1M de tokens); Transcribe Live, unos 0,009 $ por minuto (3,50 $ / 21 $). Nivel gratuito en AI Studio y en la API.
Parakeet TDT 0.6B v3modelo	4.1/5	Parakeet v3 es el récord de velocidad en transcripción, con una precisión de la clase de Whisper y una frontera estricta en torno a Europa.	Desarrolladores que transcriben grandes volúmenes de audio en idiomas europeos y valoran la velocidad y el bajo coste.	Gratis bajo CC BY 4.0. La versión alojada de Together AI cuesta 0,0015 $ por minuto (1,50 $ cada 1.000 minutos).
pyannote speaker-diarization-community-1modelo	4.1/5	Sigue siendo la opción abierta por defecto para distinguir hablantes, y una mejora clara respecto a la 3.1, pero el modelo de pago de sus propios creadores comete alrededor de un tercio menos de errores con audio difícil.	Ingenieros que crean transcripción autoalojada de reuniones, llamadas o pódcasts y necesitan etiquetas de hablante con una licencia permisiva.	Gratuito con CC BY 4.0. Alojado en pyannoteAI a 0,035 € por hora de audio; su modelo de pago Precision-3 cuesta 0,112 € por hora (Developer, 19 €/mes) o 0,096 € (Starter, 99 €/mes).
Deepgram Nova-3modelo	4.0/5	Nova-3 es lo bastante rápido y barato para audio de llamadas en directo, pero en una prueba neutral comete más del doble de errores que los líderes en precisión.	Equipos de centros de contacto y de subtitulado en directo que necesitan transcripción rápida y de alta concurrencia de audio telefónico, también en sus propios servidores.	Audio grabado a 0,0043 $/min (monolingüe) o 0,0052 $/min (multilingüe) en pago por uso; streaming a 0,0048 $/min en promoción, 0,0077 $ la tarifa normal. El plan Growth, desde 4.000 $/año, es más barato. 200 $ de crédito gratis.
OmniVoicemodelo	4.0/5	OmniVoice es el modelo TTS abierto al que recurrir cuando el idioma no está en la lista de nadie más, siempre que tu abogado lea la licencia del tokenizador.	Desarrolladores que necesitan voz abierta y autoalojada en idiomas que los líderes comerciales y abiertos no cubren.	Pesos gratuitos; código bajo Apache 2.0, tokenizador de audio bajo la Boson Higgs Audio 2 Community License (se necesita una licencia ampliada por encima de 100.000 usuarios activos anuales).
Maya 2 Nativemodelo	4.0/5	Para agentes de voz en idiomas indios, Maya 2 Native es el modelo abierto por el que empezar: cerca de los líderes de pago en hindi y barato de ejecutar a escala, con puntuaciones automáticas en lugar de pruebas en todo lo demás.	Desarrolladores que crean agentes de voz, IVR o narraciones en idiomas indios y quieren autoalojar con una licencia permisiva.	Gratuito con licencia Apache 2.0 (códec Mimi con CC BY 4.0); autoalojado en tus propias GPU. No se publica precio alojado propio.
KKokoro-82Mmodelo	3.9/5	Nada tan pequeño suena tan bien, pero no se actualiza desde agosto de 2025, así que conviene tratarlo como software terminado y no como un proyecto que vaya a mejorar.	Desarrolladores que necesitan voz barata y con licencia permisiva para narración, accesibilidad o prototipos.	Gratuito bajo Apache 2.0. Alojado a $0,65 por millón de caracteres en Replicate (según Artificial Analysis), el más barato de su clasificación, y a $0,99 en DeepInfra.
GPT Transcribemodelo	3.9/5	Una mejora sensata para quienes trabajan con OpenAI, aunque la retirada de modelos que la acompaña elimina las etiquetas de hablante y las marcas de tiempo, y este modelo no las recupera.	Equipos que usan la API de OpenAI, deben abandonar Whisper o GPT-4o Transcribe antes de febrero de 2027 y no necesitan etiquetas de hablante ni marcas de tiempo.	0,0045 $ por minuto de audio (4,50 $ por 1.000 minutos); sin soporte para Batch. gpt-live-transcribe, en streaming, cuesta 0,017 $ por minuto.
MOSS-Transcribe-Diarize 0.9Bmodelo	3.9/5	MOSS-Transcribe-Diarize sustituye una cadena de dos modelos para reuniones por un solo modelo pequeño, y sus victorias en benchmarks son sobre todo en mandarín.	Equipos que transcriben grabaciones largas con varios hablantes en sus propias GPU, sobre todo en chino, y quieren etiquetas de hablante sin un modelo de diarización aparte.	Gratuito bajo Apache 2.0. El modelo Pro, más grande, se ofrece a través del playground en línea de MOSI; no se publica precio de API.
Breeze TTS 2modelo	3.8/5	Breeze TTS 2 suena como un modelo de voz puntero, pero su licencia lo convierte en una demo que puedes ejecutar en casa, no en un sustituto de ElevenLabs que puedas poner en un producto.	Investigadores, aficionados y equipos que evalúan la calidad de las voces abiertas y que, o bien se quedarán en un uso no comercial, o bien comprarán el plan alojado de BreezeBlue para producción.	Pesos gratuitos solo para investigación y uso no comercial. Planes alojados: Free (400 créditos diarios, 10 caracteres cada uno), Starter $9/mes, Creator $19/mes, Pro $99/mes, Scale $299/mes, Business $999/mes; unos $30 por millón de caracteres, o unos $25 con facturación anual. Enterprise bajo presupuesto.
Whisper large-v3-turbomodelo	3.7/5	Whisper turbo es ahora la referencia barata y sin restricciones con la que se comparan los modelos de voz más nuevos, no el modelo que gana.	Equipos que necesitan una transcripción barata y con licencia permisiva que puedan alojar ellos mismos o comprar por céntimos la hora, y que pueden vivir con una precisión de segunda fila.	Gratuito bajo la licencia MIT. Las versiones alojadas son baratas: Artificial Analysis da para Groq unos 0,67 $ por 1.000 minutos.
Chatterboxmodelo	3.7/5	Chatterbox es el clonador de voz abierto que un equipo de cumplimiento puede aprobar, gracias a su marca de agua, aunque no el que elegiría quien lo escucha.	Equipos que necesitan clonación de voz abierta con uso comercial y marcado de procedencia y que pueden aceptar una calidad de voz de mitad de tabla.	Gratuito bajo la licencia MIT. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD de Resemble en $40 por millón de caracteres.

Lado a lado

Las especificaciones que importan en este paso. Comprobado el 19 oct 2026; confírmalo en la web del proveedor antes de decidirte.

Comparativas directas y guías con ranking

• Mejores modelos de texto a voz
• Mejores modelos de voz a texto

Dónde encaja esta etapa

• Producción de vídeo: empezaríamos con Eleven v4 and v4 Turbo.
• Agente de voz: empezaríamos con Parakeet TDT 0.6B v3, Cartesia Sonic 3.6.

Fuentes de esta guía

• Artificial Analysis: speech-to-text leaderboard
• Artificial Analysis: text-to-speech leaderboard
• Whisper large-v3-turbo model card