API de texto a voz para llamadas telefónicas: 19 voces probadas en latencia, números y precio (nov. 2026)

Resultados#

Lo que encontramos#

1. Tres voces empiezan a hablar en aproximadamente 0.2 segundos#

Inworld TTS-2 Flash, ElevenLabs Flash v2.5 y Rime Mist v3 emitieron su primera palabra audible entre 0.18 y 0.24 s en la mediana y en menos de 0.3 s en el percentil 90, y ninguna abrió sus clips con silencio. Las voces nuevas se ejecutaron unas cuatro horas después del primer lote, por lo que realizamos una ronda intercalada más de las cinco frases con las siete voces más rápidas juntas. El orden dentro de las tres primeras cambió (Inworld TTS-2 Flash 0.19 s, Rime Mist v3 0.20 s, ElevenLabs Flash v2.5 0.25 s), y todo lo que estaba por debajo mantuvo su posición: Inworld TTS-2 0.30 s, Cartesia 0.35 s, Google Chirp 3 HD 0.53 s y Gemini 3.8 Flash Lite 0.65 s. Considere las tres primeras empatadas en velocidad y elija según el precio, la voz y las funciones.

2. El primer audio no es lo mismo que la primera palabra#

El tiempo hasta el primer byte de audio es la cifra de latencia habitual, pero varios modelos empiezan su clip con silencio. Chirp 3 HD de Google envió su primer audio en 0,21 s, tan rápido como los líderes, pero abrió cada clip con unos 0,27 s de silencio, de modo que quien llama oye la primera palabra tras unos 0,53 s. Las dos voces Gemini de Google y Deepgram Aura-2 también comienzan con unos 0,26 s de silencio, Cartesia con unos 0,14 s y Kokoro con unos 0,43 s. Medimos ese silencio en cada clip (todo lo que estuviera por debajo de -40 dB) y lo sumamos, lo que da la columna de "primer habla audible".

En un agente de voz, la voz es el último de tres pasos que se ejecutan uno tras otro: el modelo de voz a texto decide que quien llama ha terminado, el modelo de lenguaje empieza su respuesta y la voz empieza a hablar. Cada décima de segundo aquí es una décima de segundo de silencio en la línea.

3. Los números y los correos electrónicos suelen sobrevivir a la línea telefónica#

Esperábamos que los dígitos y las direcciones de correo electrónico fueran el punto donde fallan las voces baratas y el audio de 8 kHz. En su mayoría no fue así. Todos los modelos leyeron "415-867-5309" como un número de teléfono que ambos jueces transcribieron correctamente, todos leyeron "dana.kowalski@gmail.com" como una dirección deletreada, y todos transmitieron "$249.99", "March 14th" y "3:15 PM" en las tres ejecuciones. Nadie necesitó SSML ni un prompt reescrito para esto. Es una buena noticia para quienes desarrollan, pero también es una prueba pequeña: un número de teléfono, un correo electrónico y una dirección, en inglés, con un nombre común.

4. Dos resultados de OpenAI que conviene comprobar en sus propias plantillas#

tts-1 leyó mal un número de casa. En las tres ejecuciones, ambos jueces oyeron "1428 Elm Street" como "Fort 128" o "128 Elm Street", y una tercera pasada con el audio de calidad completa oyó lo mismo. La línea telefónica no lo causó. Si utiliza tts-1 para direcciones, escriba los números de casa con palabras o pruebe antes su formato.

gpt-4o-mini-tts omitió una frase. En "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?", el audio terminaba después del correo electrónico en las tres ejecuciones. Ambos jueces, y el gpt-transcribe de OpenAI sobre los últimos tres segundos del clip, oyeron el correo leído despacio y después nada. La pregunta final es la parte que convierte una lectura de confirmación en una confirmación, por lo que es el tipo de omisión que nota quien llama. gpt-4o-mini-tts es un modelo orientable que admite instrucciones de estilo; no enviamos ninguna. Lo observamos en una frase de cinco, tres veces de tres.

Las otras diferencias menores: Kokoro (3 de 3 ejecuciones), Inworld TTS-2 Flash y Rime Coda (1 de 3 cada uno) dijeron "your email is" donde el texto decía "your email as", y un juez oyó una vez a Deepgram Aura-2 decir "their" en lugar de "your". Ninguna cambia el significado.

5. El mismo modelo a través de un revendedor puede ser diez veces más lento#

Inworld TTS-2 a través de su propia API empezó a hablar en 0,28 s. El mismo modelo a través de DeepInfra tardó 2,64 s, porque el endpoint de DeepInfra parece generar el clip completo antes de enviar cualquier parte, y DeepInfra cobra 35 $ por 1M de caracteres frente a los 25 $ de Inworld. MiniMax y xAI, a los que solo accedimos a través de fal.ai, devuelven un archivo terminado, por lo que solo tienen un tiempo de "frase completa" (de 3,5 a 4,6 s incluida la cola de fal); ambos ofrecen streaming en sus propias API, que no probamos.

Precio por minuto, probado y no probado#

Precios tomados de la página de cada proveedor, consultados el 12 de noviembre de 2026. Para los precios por carácter convertimos a unos 740 caracteres por minuto de voz, la velocidad de habla mediana de las voces que probamos (oscilaron entre 631 y 911 caracteres por minuto, de modo que una voz rápida cuesta más por minuto de audio que una lenta al mismo precio por carácter). Formato telefónico nativo significa que la API puede devolver por sí misma mu-law de 8 kHz (G.711), por lo que no tiene que convertir el audio antes de que pase a una llamada.

Si abandona una voz que va a desaparecer, consulte alternativas a Hume AI y alternativas a PlayHT.

Vale la pena

ElevenLabs

Voces de IA realistas, doblaje y clonación de voz en decenas de idiomas. Plan gratuito para empezar.

Probar ElevenLabs

Una debilidad de cada una#

• Inworld TTS-2 Flash: no permite orientar la voz con lenguaje natural, algo que Inworld reserva para TTS-2 (documentación del modelo). Stork recibe una comisión por los registros en Inworld, así que sopese nuestro entusiasmo teniendo esto en cuenta; las cifras se miden de la misma manera para todos los proveedores.
• ElevenLabs Flash v2.5: la más cara de las tres voces más rápidas, unas tres veces Inworld TTS-2 Flash y cuatro veces Gemini 3.8 Flash Lite por minuto a precio de lista. También habla más rápido que la mayoría de las voces, así que el mismo texto ocupa menos minutos, pero cada minuto cuesta más.
• Rime Mist v3: se factura por minuto de audio y, a 0,030 $, cuesta casi tres veces lo que Inworld TTS-2 Flash.
• Inworld TTS-2: tardó 1,8 s en terminar una frase frente a 0,7 s de TTS-2 Flash, y a través de un revendedor (DeepInfra) fue diez veces más lenta en empezar.
• Smallest.ai Lightning v3.1 Pro: un escalón por detrás de las tres voces más rápidas (0,30 s hasta la primera palabra) y un 50% más cara por minuto que Inworld TTS-2 Flash (0,017 $ frente a 0,011 $).
• Fish Audio S2.1 Pro: sin salida mu-law, 0,68 s hasta la primera palabra y la voz más lenta de las alcanzadas directamente para terminar una frase (5,3 s de mediana). Solo pudimos probar el nivel gratuito para desarrolladores, porque nuestra cuenta no tiene crédito de API de pago; el nivel de pago podría gestionar la cola de otra manera.
• Cartesia Sonic 3.6: no hay pago por uso simple; se contrata un plan mensual y el excedente está desactivado de forma predeterminada. Además, cada clip comienza con aproximadamente 0.14 s de silencio.
• Rime Coda: la voz más cara por minuto de nuestra prueba ($0.050) y la única, además de tts-1, con un error de entidad (un apellido mal escrito en tres ejecuciones).
• ElevenLabs v4 Turbo: el mismo precio que Flash v2.5, pero más lento en ambos aspectos en esta prueba: 0.47 s hasta la primera palabra y 1.8 s para terminar una frase.
• Google Cloud Chirp 3 HD: aproximadamente 0.27 s de silencio al inicio de cada clip, y el streaming requiere la API de streaming gRPC de Google, no la llamada REST simple.
• Gemini 3.8 Flash Lite TTS: unos 0,26 s de silencio al comienzo de cada clip, el precio se duplica el 1 de enero de 2027, y el mu-law de 8 kHz solo está en la API Interactions más reciente de Google.
• Deepgram Aura-2: la más lenta de las voces a las que accedimos directamente para terminar una frase (4,3 s de mediana) y 0,72 s hasta la primera palabra.
• gpt-4o-mini-tts: omitió la pregunta final de una frase en las tres ejecuciones, y la API no tiene salida de 8 kHz ni mu-law.
• Gemini 3.8 Flash TTS: más lenta que Flash Lite en todas las medidas aquí (0,99 s hasta la primera palabra, 2,8 s por frase) y un 50% más cara por minuto.
• Kokoro-82M: 0,43 s de silencio antes de cada clip, solo voces preestablecidas, sin clonación, y en DeepInfra sin formato telefónico.
• tts-1: la voz en streaming más lenta en empezar (1,25 s) y leyó mal un número de casa en todas las ejecuciones.
• xAI TTS v1: a través de fal no hace streaming, por lo que no pudimos medir su tiempo hasta el primer audio; su propia API hace streaming por WebSocket.
• MiniMax Speech 2.8 Turbo: entre las más caras por minuto de nuestra prueba (0,038 $) y el archivo más lento a través de fal (4,6 s).

Cómo hicimos la prueba#

• Frases: "Thanks for calling Riverside Dental, this is Ava. How can I help you today?"; "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?"; "Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477."; "Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM."; y una instrucción de 215 caracteres sobre qué traer y cómo reprogramar la cita. Texto sin formato, sin SSML, sin indicaciones de pronunciación, igual para todos los modelos.
• Solicitudes: una frase por solicitud, 3 rondas, con los modelos alternándose para que una ralentización de la red afecte a todos. Antes, una solicitud de calentamiento sin puntuar por modelo, para que no se contabilice el establecimiento de la conexión. Los endpoints de streaming se leyeron a medida que llegaban los datos; primer audio = desde el envío de la solicitud hasta los primeros bytes de audio. Diez voces se ejecutaron en un primer lote, siete (Cartesia, Deepgram, los dos modelos de Rime, los dos modelos de Inworld directo, Google Cloud) unas cuatro horas después y dos (Smallest.ai, Fish Audio) más tarde, todo el 12 de noviembre de 2026; luego se volvieron a ejecutar las siete más rápidas juntas en una ronda intercalada como verificación cruzada. Google Cloud se invocó mediante su API de streaming gRPC; las demás, por HTTPS.
• Voces y formatos: ElevenLabs "Adam", OpenAI "alloy", Google Gemini "Kore", Google Cloud "en-US-Chirp3-HD-Kore", Inworld "Ashley", Cartesia "Jacqueline", Deepgram "Thalia", Rime "astra", Smallest.ai "chelsea", Fish Audio la popular voz de la comunidad en inglés "Sarah" con la latencia configurada en "low", Kokoro "af_bella", y los valores predeterminados de fal para MiniMax y xAI. A todos los proveedores que lo ofrecen se les solicitó mu-law nativo de 8 kHz (ElevenLabs, Inworld directo, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud); Fish Audio envió PCM de 8 kHz y los demás, audio de 16 a 24 kHz.
• Línea telefónica: cada clip se filtró con un paso de banda de 300-3,400 Hz, se remuestreó a 8 kHz y se codificó en G.711 mu-law, y luego se decodificó, la misma cadena que en nuestra prueba de audio telefónico de voz a texto. Simula una línea telefónica mediante software, no una ruta real de operador con pérdida de paquetes.
• Jueces: dos modelos de voz a texto de proveedores sin ninguna voz en esta prueba, Whisper large-v3 y Cohere Transcribe (ambos a través de fal), transcribieron los 285 clips de línea telefónica. La puntuación usa el normalizador de inglés de Whisper de OpenAI, contando cada dígito como una palabra independiente, de modo que "415-867-5309" y "four one five..." puntúan igual; las direcciones de correo electrónico se comparan deletreadas. Una entidad se considera incorrecta solo si ambos jueces fallaron, de modo que el error de un juez no se imputa a la voz. Los dos problemas de OpenAI mencionados arriba se verificaron de nuevo con una tercera transcripción: Whisper large-v3 sobre el audio de calidad completa de tts-1, y gpt-transcribe de OpenAI sobre los últimos segundos del clip de gpt-4o-mini-tts.
• Silencio inicial: medido en cada clip como el tiempo anterior al primer sonido con un nivel superior a -40 dB.
• Precios: tomados de la página de cada proveedor el 12 de noviembre de 2026, enlazados en la tabla. Precio por minuto de las voces probadas = precio de lista de los caracteres (o, en Gemini, los tokens de audio que informó Google; en Rime, los minutos) dividido entre los minutos de audio devueltos. Cartesia se valora a la tarifa de su plan Startup ($49 por 1.25M de caracteres). OpenAI no devuelve el recuento de tokens de audio en una solicitud en streaming, por lo que gpt-4o-mini-tts usa la estimación propia de OpenAI de $0.015 por minuto.
• Costo de esta prueba: unos $1.70 en llamadas a la API a precios de lista (registrado por llamada; la parte de Google Cloud es lo bastante pequeña como para quedar dentro de su nivel gratuito mensual, y la de Deepgram procedió de créditos prepagados), más varios cientos de créditos del plan de ElevenLabs. El código de la prueba está en el repositorio de Stork en scripts/bench/tts_phone_bench.py, y se conservan el audio original y las transcripciones para que pueda verificarse cada cifra.

Lo que esta prueba no le dice#

• Cómo suenan las voces. No evaluamos la naturalidad, la calidez ni el acento. Escuche la voz que planea usar en un teléfono real antes de elegirla.
• Su ubicación y su red. Un solo cliente en California. Las latencias absolutas dependen de dónde estén sus servidores; compare los modelos dentro de esta tabla.
• Streaming por WebSocket. Usamos el endpoint de streaming HTTP de cada proveedor (gRPC para Google Cloud). Los agentes de voz suelen enviar el texto por WebSocket a medida que el modelo de lenguaje lo escribe, lo que puede adelantar el inicio del audio.
• Tamaño de la muestra. 5 frases, 3 rondas, una voz por modelo, solo en inglés. Las diferencias inferiores a aproximadamente 0.05 s entre las voces más rápidas están dentro de la variación entre ejecuciones. Un modelo que leyó correctamente nuestro único correo electrónico puede tropezar con el suyo.
• Proveedores no probados. Azure, Amazon Polly, Murf, Speechify y Flux TTS de Deepgram no se probaron porque no tenemos claves o no incluimos el modelo en esta ronda, y Drama 3 de Fish Audio porque nuestra cuenta no tiene crédito de API de pago. Que falte un modelo no significa que sea peor.