Mejores modelos de texto a voz de 2026

De las 11 opciones de modelos de texto a voz que hemos analizado, ahora mismo las mejores son Eleven v4 and v4 Turbo, Gemini 3.8 Flash TTS y Cartesia Sonic 3.6. Cada una aparece según nuestra nota, con su precio, nuestro veredicto y para quién es.

Por Andrew Miller · Actualizado el 2 nov 2026 · Cómo analizamos

Cómo clasificamos: por nuestra nota sobre 5, a partir de reseñas basadas en los precios, la documentación y las políticas de cada producto, además de benchmarks independientes cuando existen, todo comprobado en la fecha que indica cada reseña. No cobramos comisiones de afiliación.

1. 1
   

   Eleven v4 and v4 Turbo

   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.

   Ideal para: 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.

   Precio: 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.

   Lee nuestra reseña de Eleven v4 and v4 Turbo
   4.7/5
2. 2
   

   Gemini 3.8 Flash TTS

   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.

   Ideal para: Desarrolladores que producen narración larga o doblaje multilingüe, quieren una calidad cercana a la mejor y pueden asumir la subida de precio de enero.

   Precio: 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.

   Lee nuestra reseña de Gemini 3.8 Flash TTS
   4.5/5
3. 3
   

   Cartesia Sonic 3.6

   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.

   Ideal para: Equipos que construyen agentes de voz en producción y quieren voces estables y versionadas a un precio moderado.

   Precio: 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.

   Lee nuestra reseña de Cartesia Sonic 3.6
   4.4/5
4. 4
   

   Fish Audio Drama 3

   Drama 3 da a los pesos abiertos una voz que los oyentes sitúan junto a los líderes de pago, con una licencia que deja de ser gratuita en cuanto una empresa o una API de voz se toman en serio.

   Ideal para: Pequeños estudios, desarrolladores de videojuegos y creadores de apps por debajo del tope de ingresos que quieren narración cercana a ElevenLabs y diálogos con varios personajes en sus propias GPU.

   Precio: Pesos gratuitos bajo la Fish Audio Community License para investigación y para empresas con menos de 500.000 $ de ingresos anuales. API: 50 $ por 1M de bytes UTF-8, 10 $ hasta el 12 de noviembre de 2026.

   Lee nuestra reseña de Fish Audio Drama 3
   4.2/5
5. 5
   

   Maya 2 Native

   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.

   Ideal para: Desarrolladores que crean agentes de voz, IVR o narraciones en idiomas indios y quieren autoalojar con una licencia permisiva.

   Precio: Gratuito con licencia Apache 2.0 (códec Mimi con CC BY 4.0); autoalojado en tus propias GPU. No se publica precio alojado propio.

   Lee nuestra reseña de Maya 2 Native
   4.0/5
6. 6
   

   OmniVoice

   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.

   Ideal para: Desarrolladores que necesitan voz abierta y autoalojada en idiomas que los líderes comerciales y abiertos no cubren.

   Precio: 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).

   Lee nuestra reseña de OmniVoice
   4.0/5
7. 7
   K

   Kokoro-82M

   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.

   Ideal para: Desarrolladores que necesitan voz barata y con licencia permisiva para narración, accesibilidad o prototipos.

   Precio: 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.

   Lee nuestra reseña de Kokoro-82M
   3.9/5
8. 8
   

   Breeze TTS 2

   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.

   Ideal para: 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.

   Precio: 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.

   Lee nuestra reseña de Breeze TTS 2
   3.8/5
9. 9
   

   Chatterbox

   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.

   Ideal para: 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.

   Precio: Gratuito bajo la licencia MIT. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD de Resemble en $40 por millón de caracteres.

   Lee nuestra reseña de Chatterbox
   3.7/5
10. 10
    

    Qwen3-TTS

    Qwen3-TTS pone en manos de los desarrolladores controles de voz finos y una herramienta de clonación de tres segundos sin barreras, con una calidad que los oyentes sitúan cerca del final de la tabla.

    Ideal para: Desarrolladores que crean funciones de voz multilingües, quieren un control fino con una licencia permisiva y añadirán sus propias salvaguardas.

    Precio: Gratis bajo Apache 2.0. Alibaba Model Studio (Singapur): qwen3-tts-flash a 0,10 $ y qwen3-tts-flash-realtime a 0,13 $ cada 10.000 caracteres de entrada, con una cuota gratuita de 90 días.

    Lee nuestra reseña de Qwen3-TTS
    3.5/5
11. 11
    

    KittenTTS 2

    KittenTTS 2 mete un modelo de voz con clonación en menos de un gigabyte, pero nadie fuera de KittenML ha mostrado aún cómo suena, y la licencia deja fuera a la mayoría de empresas con financiación.

    Ideal para: Aficionados, investigadores y desarrolladores sin financiación que quieren clonar voces sin conexión en hardware corriente y pueden convivir con un techo de calidad sin demostrar.

    Precio: Pesos gratuitos bajo la Stellon Labs Community License para investigación y para usuarios comerciales por debajo de $1 millón de ingresos y de financiación, con registro. Precio de la API alojada no publicado.

    Lee nuestra reseña de KittenTTS 2
    3.4/5