Mejores APIs de Text to Speech de Baja Latencia para Agentes de Voz (2026)

Deepgram Flux TTS es la mejor API general de baja latencia para un agente de voz en 2026 porque su primer audio publicado desde 80 ms incluye gestión nativa del estado de interrupción (barge-in), no solo síntesis rápida. Pika puede generar un minuto de voz a 48 kHz en unos 1.2 segundos, pero su API activa es asíncrona y explícitamente no está pensada para streaming en tiempo real; por lo tanto, esa cifra llamativa no reduce la latencia en una llamada telefónica real.

La respuesta rápida

Elige Deepgram Flux TTS para un agente de voz en inglés donde los usuarios interrumpen, cambian de opinión y esperan que el agente recuerde con precisión quirúrgica qué terminó de decir. Su cifra de latencia no es la más baja de esta página. Su ventaja radica en que el protocolo de streaming informa tanto el texto que el usuario escuchó como el texto que fue cortado, protegiendo el estado de la conversación tras una interrupción.

Elige Rime Mist v3 cuando la transparencia en percentiles de latencia y la rapidez extrema del primer audio sean prioritarias. Elige Inworld Realtime TTS-2 Flash cuando predominen el alcance multilingüe y el coste por carácter. Elige ElevenLabs Flash v2.5 cuando un ecosistema multilingüe maduro justifique asumir una tarifa por carácter más alta y la necesidad de normalizar texto manualmente.

Los precios a continuación fueron verificados en las webs de los proveedores el 26 de agosto de 2026. «Precio inicial» se refiere al punto de entrada público más bajo, no a la factura esperada en producción.

La regla de decisión explícita es simple: la gestión correcta de las interrupciones supera a una cifra de latencia aislada más baja. Una vez que dos candidatos resuelvan bien el flujo de barge-in, compara el primer audio en p95 en una ruta de telefonía real, y después evalúa el coste efectivo y la naturalidad de la voz. Un proveedor puede ganar en el servidor y aun así arruinar la llamada tras el tránsito de red, el búfer, la conversión de audio o una interrupción fallida.

Si necesitas una plataforma empaquetada en lugar de una API por componentes, consulta la comparativa de plataformas de agentes de voz de IA. Si el objetivo es narración, accesibilidad o audio general, la guía amplia de text-to-speech sigue un criterio de decisión diferente.

Cómo se evaluaron estas APIs de text to speech de baja latencia

Esta es una comparativa verificada, no una prueba de ocho APIs en un único laboratorio controlado. Cada nombre de modelo, precio público, nivel, límite, protocolo de transporte y latencia publicada proviene de documentación oficial revisada el 26 de agosto de 2026. La clasificación analiza esos datos bajo el prisma de la producción de agentes de voz.

Esa distinción es crucial porque las cifras de latencia publicadas no miden lo mismo. Inworld publica un tiempo P90 en servidor hasta el primer byte de audio que excluye la red. ElevenLabs publica una latencia de modelo aproximada que omite la demora de red y de aplicación. Rime publica P50 y P90 al primer audio bajo concurrencia explícita y estima por separado el viaje de ida y vuelta regional. Deepgram indica «desde» 80 ms. Hume distingue unos 100 ms de latencia de modelo frente a unos 200 ms hasta el primer audio en modo instantáneo.

Esas cifras son útiles dentro del sistema de cada proveedor, pero no constituyen un benchmark homogéneo directo.

Cinco criterios determinaron el orden:

1. Primer audio reproducible: El presupuesto de tiempo comienza cuando el agente tiene texto listo y termina cuando el usuario escucha la voz. El tiempo de generación de un archivo completo es una métrica irrelevante aquí.
2. Estado de interrupción: Una llamada real necesita saber qué se pronunció, qué quedó sin decir y qué debe retener el modelo de lenguaje tras una interrupción.
3. Transporte de streaming: WebSockets persistentes, entrada progresiva, cancelación y formatos de audio utilizables ahorran más retraso que una pequeña ventaja a nivel de modelo.
4. Economía de producción: La factura real depende de los caracteres o tokens generados al volumen previsto, más compromisos mínimos y saltos de nivel, no del logotipo más barato en una landing page.
5. Limitaciones técnicas críticas: Cobertura de idiomas, normalización numérica, concurrencia, estado en preview, codificación de salida, derechos de uso comercial y benchmarks poco claros modifican al ganador práctico.

La calidad vocal importa, pero va después de los fallos estructurales. Una voz atractiva que arranca tarde, lee con ambigüedad un número de cuenta o sigue hablando por encima del usuario no sirve para un agente de producción.

1. Deepgram Flux TTS: La mejor opción general para agentes de voz

Deepgram Flux TTS se posiciona como la opción general más sólida porque su protocolo trata la interrupción como un cambio de estado, no como un simple botón de parada.

El registro de disponibilidad general (GA) de Deepgram publica un primer audio desde 80 ms, pero la mejora productiva más relevante llegó con su lanzamiento general el 12 de agosto de 2026. A través de su WebSocket en vivo, un mensaje Interrupt cancela el turno actual. El evento resultante SpeechInterrupted devuelve text_spoken y text_remaining. Esto permite al agente actualizar su contexto con lo que el usuario escuchó en realidad, en lugar de estimarlo mediante temporizadores de reproducción.

Imagina un agente bancario que empieza: «Su saldo actual es de dos mil ochocientos...» antes de que el usuario lo interrumpa con una duda sobre un pago. Un comando de cancelación genérico detiene la onda de audio, pero el modelo de lenguaje puede asumir que el saldo completo fue comunicado. Flux entrega a la aplicación los límites exactos para reparar ese estado en memoria. La consecuencia operativa: menos datos repetidos, menos contradicciones y cero lógica personalizada para rastrear la reproducción.

Flux también preserva el contexto conversacional entre turnos mediante su WebSocket v2 Speak. Esto resulta útil para mantener un tono sereno tras una queja o sintetizar respuestas más concisas tras varias interrupciones consecutivas. Se adapta mucho mejor a una llamada de varios turnos que un modelo de narración que procesa cada frase como un clip aislado.

Su principal limitación es el alcance. El catálogo en GA cuenta con 36 voces en inglés repartidas en siete acentos. Si tu proyecto exige cobertura multilingüe inmediata, Inworld o ElevenLabs toman la delantera. Además, la integración por defecto de Voice Agent en Flux emite audio crudo en linear16, mulaw o alaw, sin contenedor ni bitrate ajustable. Son formatos idóneos para telefonía, pero si tu arquitectura espera MP3, Opus, FLAC, AAC o WAV directamente, deberás adaptar el pipeline de audio o recurrir a los modelos Aura.

Ideal para: Atención al cliente, reservas, cualificación y soporte en inglés con interrupciones frecuentes.
Punto fuerte: Reporte nativo de texto reproducido frente a no reproducido tras una interrupción.
Precios: Flux es gratuito hasta el 12 de septiembre de 2026; la tarifa estándar Pay As You Go es de $0.0450 por cada 1,000 caracteres y Growth es de $0.0405 por cada 1,000 a partir del 13 de septiembre.
Prueba gratuita: Sí. Pay As You Go incluye $200 de crédito gratuito sin mínimo ni caducidad.

Precios de Deepgram en todos sus niveles actuales

La página oficial de precios de Deepgram ofrece tres vías comerciales. Pay As You Go comienza con el crédito de $200 y soporta hasta 45 conexiones TTS vía REST o WebSocket. Growth parte de $4,000 anuales en créditos prepagados y eleva el techo de concurrencia TTS a 60. Enterprise ofrece condiciones personalizadas para grandes volúmenes, despliegue privado, soberanía de datos o soporte dedicado.

La elección del modelo influye directamente en la factura. Tras la promoción de Flux, Pay As You Go cuesta $0.0450 por cada 1,000 caracteres y Growth $0.0405. Aura-2 cuesta $0.030 y $0.027 respectivamente. Aura-1 baja a $0.0150 y $0.0135. Las opciones Aura resultan económicas para audio interactivo básico, pero carecen de la gestión nativa de interrupciones de Flux.

Configuración práctica de Flux

1. 1

   Establece el transporte en streaming

   Conecta el agente al WebSocket v2 Speak y mantén esa conexión abierta durante toda la interacción. Evita crear una petición por lotes independiente para cada frase.

2. 2

   Selecciona la codificación directa para telefonía

   Usa linear16, mulaw o alaw según lo que exija tu enlace de telecomunicaciones. Elimina pasos de recodificación en la ruta crítica si tu proveedor telefónico ya acepta estos formatos.

3. 3

   Envía el texto en bloques sintácticos

   Transmite proposiciones completas conforme las genere el modelo de lenguaje. Un fragmento con sentido da suficiente contexto para una entonación natural sin esperar a un párrafo entero.

4. 4

   Convierte la interrupción en actualización de memoria

   Cuando el usuario interrumpa, envía Interrupt. Sustituye en el historial del asistente el turno planificado por text_spoken y descarta text_remaining antes de generar la siguiente respuesta del LLM.

5. 5

   Mide la latencia en el oído del usuario

   Registra el momento en que el texto está listo, la llegada del primer byte, el encolado del primer frame y su reproducción. Optimiza el percentil p95 del tramo más lento en lugar de fiarte de la cifra ideal del proveedor.

Veredicto: Deepgram lidera esta clasificación porque su API preserva la coherencia conversacional tras una interrupción. Elige otra alternativa si la cobertura multilingüe es innegociable o si el precio por carácter es tu principal limitación de presupuesto.

2. Rime Mist v3: La mejor para benchmarks transparentes de baja latencia

Rime Mist v3 ocupa el segundo puesto al publicar el desglose de latencia más riguroso y útil para toma de decisiones de este grupo.

La documentación de latencia de Rime reporta para Mist v3 un tiempo de primer audio de 37 ms en P50 y 56 ms en P90 con una petición concurrente. Con 12 peticiones concurrentes, esas cifras publicadas se mantienen estables en 37 ms y 56 ms. En la misma comparativa, el modelo Coda registra 96 ms en P50 y 98 ms en P90 con una petición, subiendo a 150 ms y 181 ms bajo 12 peticiones concurrentes.

Estos datos superan a cualquier métrica aislada en el mejor de los casos, pues revelan la cola de distribución y el comportamiento bajo carga. Con todo, esto no equivale a la latencia final de tu llamada. Rime estima que el viaje de ida y vuelta por red añade habitualmente entre 25 y 50 ms en territorio continental estadounidense si se usa la región más cercana, mientras que un enrutamiento de costa a costa puede sumar de 60 a 85 ms. A eso se añaden tu servidor de medios, el búfer de audio y la red de telefonía.

Mist prioriza la velocidad; Coda aporta mayor amplitud de idiomas y metadatos. Mist soporta inglés, francés, alemán y español con 94 voces. Coda cubre ocho idiomas en producción y 184 voces. Ambos modelos transmiten por HTTP y WebSockets, pero Coda incluye marcas de tiempo a nivel de palabra, ausentes en Mist. Si tu aplicación exige alinear palabras exactas para sincronizar la reproducción, la falta de estos metadatos en Mist puede pesar más que su menor TTFA.

Ideal para: Equipos que exigen métricas de latencia en percentiles y operan en los cuatro idiomas de Mist.
Punto fuerte: Publicación de TTFA en P50 y P90 tanto con 1 como con 12 peticiones concurrentes.
Precios: Mist v3 cuesta $0.03 por cada 1,000 caracteres; Coda cuesta $0.05 por cada 1,000.
Prueba gratuita: Sí, aunque la web de Rime muestra discrepancias en los minutos incluidos.

Precios de Rime en todos sus niveles actuales

Starter fija un precio de $0.03 por cada 1,000 caracteres en Mist y $0.05 en Coda, no exige tarjeta de crédito y autoriza hasta 20 generaciones TTS simultáneas. Enterprise es personalizado e incorpora concurrencia ilimitada, clonación ilimitada de voces, acuerdos de nivel de servicio (SLA), soporte dedicado y opciones de despliegue en nube, VPC u on-premise.

En su web coexisten actualmente dos mensajes: «unos 800 minutos gratis» junto al plan Starter y «3,000 minutos gratis» en las preguntas frecuentes. Da por confirmada la existencia de créditos de bienvenida, pero valida la cantidad exacta en el panel de control o cuando corrijan la web. Es un detalle menor en producción, pero confirma la importancia de auditar las listas de precios.

Veredicto: Rime Mist es el especialista en velocidad pura de esta lista. Solo supera a Deepgram si tu operativa tolera metadatos de interrupción más simples y las pruebas de red en tu región confirman su ventaja en percentiles.

3. Inworld Realtime TTS-2 Flash: La mejor en coste global y cobertura de idiomas

Inworld Realtime TTS-2 Flash lidera la comparativa en eficiencia de costes para agentes de voz multilingües según tarifas públicas bajo demanda.

La página de TTS de Inworld publica un tiempo al primer byte de audio P90 en servidor de 20 ms para Flash y de 150 ms para el modelo TTS-2, enfocado en mayor expresividad. Al ser cifras medidas en el servidor que excluyen la red, no deben equipararse de forma directa con la estimación de red global de Rime ni con el primer audio típico de Hume. La conclusión técnica es que Flash está diseñado para streaming instantáneo vía WebSocket y el tiempo de cómputo del modelo no será el cuello de botella en un flujo bien enrutado.

Su verdadero factor diferencial radica en los idiomas: soporta más de 200 lenguas y clona voces aplicables a todas ellas con entre 5 y 15 segundos de audio de muestra. Resulta idóneo para servicios de soporte que necesitan mantener una identidad de marca coherente en varios países sin contratar proveedores ni voces distintas para cada mercado.

El impacto económico es contundente: On-Demand Flash cuesta $15 por cada millón de caracteres, frente a los $30 por millón de Rime Mist, los $45 por millón de Deepgram Flux (post-promoción) y los $50 por millón de ElevenLabs Flash. En el supuesto de 50 millones de caracteres analizado más adelante, la tarifa pública se sitúa en $750 mensuales antes de aplicar descuentos por volumen.

El compromiso radica en la estructura de facturación. Inworld utiliza créditos mensuales, tarifas diferenciadas por modelo, seis niveles de suscripción y límites variables de concurrencia. Una tarifa unitaria más baja no garantiza un menor desembolso si el consumo real queda por debajo del compromiso de crédito del plan contratado. Elige el nivel según tu tráfico real y no solo por el porcentaje de descuento aparente.

Ideal para: Agentes multilingües de gran volumen que buscan unificar una misma identidad de voz en múltiples mercados.
Punto fuerte: Más de 200 idiomas, streaming por WebSocket y tarifa on-demand de Flash a $15 por millón de caracteres.
Precios: Comienza gratis; Flash desciende de $15 por millón en On-Demand hasta menos de $5 en Enterprise.
Prueba gratuita: Sí. On-Demand ofrece hasta 70 minutos de TTS.

Precios de Inworld en todos sus niveles actuales

La página oficial de precios de Inworld se basa en créditos que cubren TTS, STT y uso de modelos de lenguaje:

• On-Demand: Registro gratuito, incluye hasta 70 minutos de TTS, factura Flash a $15 por millón de caracteres y TTS-2 a $25, con concurrencia de 5 peticiones.
• Creator: $25 al mes en créditos, Flash a $10 por millón y TTS-2 a $20, con 10 peticiones concurrentes.
• Builder: $100 al mes en créditos, Flash a $9 por millón y TTS-2 a $17.50, con 50 peticiones concurrentes.
• Developer: $300 al mes en créditos, Flash a $8 por millón y TTS-2 a $15, con 150 peticiones concurrentes.
• Growth: $1,500 al mes en créditos, Flash a $7 por millón y TTS-2 a $12.50, con 500 peticiones concurrentes.
• Enterprise: Personalizado, con TTS-2 desde $5 por millón, Flash por debajo de $5 por millón y concurrencia a medida.

La calculadora de Inworld estima unos 1,000 caracteres por minuto generado. Utiliza esa referencia para un primer presupuesto y sustitúyela luego con el recuento real de caracteres de tus transcripciones. Un agente de cobros con respuestas cortas no consume lo mismo por minuto que un tutor formativo conversacional.

Veredicto: Inworld es la opción prioritaria en despliegues globales o proyectos donde el gasto por carácter condicione la viabilidad económica. Deepgram se mantiene por delante en llamadas en inglés donde el barge-in nativo ahorre más costes de ingeniería y riesgos de experiencia de usuario que la diferencia de tarifa.

4. ElevenLabs Flash v2.5: El mejor ecosistema multilingüe consolidado

ElevenLabs Flash v2.5 es la alternativa más predecible del mercado cuando se busca variedad vocal, soporte multilingüe fiable y una API ampliamente extendida.

La documentación técnica de ElevenLabs señala una latencia de modelo cercana a los 75 ms para Flash v2.5, sin incluir la red ni la capa de aplicación. Soporta 32 idiomas y admite hasta 40,000 caracteres por petición. En el entorno de un agente de voz, su principal ventaja no es un dato aislado de latencia, sino la combinación de agilidad, cobertura internacional, herramientas maduras de gestión de voz y acceso transparente bajo demanda.

El principal punto crítico reside en la normalización de texto. Para recortar latencia, Flash desactiva por defecto la normalización numérica. Como resultado, números de teléfono, fechas o divisas pueden pronunciarse de forma extraña para el usuario. Los clientes Enterprise pueden solicitar su activación en v2.5; el resto de desarrolladores debe normalizar estas expresiones mediante el modelo de lenguaje antes de enviar el texto al TTS.

Esto no es un detalle menor. Un agente de soporte dicta de continuo códigos de pedido, importes, fechas, direcciones o teléfonos. La voz más rápida pierde todo su valor si una fecha compacta se lee como una cifra continua ininteligible. Integra la normalización en los prompts y en tu suite de pruebas desde el primer día, no como un parche improvisado en producción.

ElevenLabs se sitúa en cuarto lugar porque la evaluación responde a criterios técnicos de producción. Es la opción preferente si tu prioridad absoluta es un catálogo vocal maduro y fácil integración, pero cede terreno ante los tres primeros cuando la gestión de interrupciones, los percentiles auditados o el precio público por carácter son los factores determinantes.

Ideal para: Proyectos multilingües que requieren voces muy naturales y un flujo de aprovisionamiento de API estándar.
Punto fuerte: Latencia de modelo publicada de unos 75 ms con cobertura en 32 idiomas.
Precios: Flash y Turbo se facturan a $0.05 por cada 1,000 caracteres.
Prueba gratuita: Sí. El plan Free / Pay As You Go incluye 20,000 caracteres para Flash o Turbo.

Precios de ElevenLabs en todos sus niveles actuales

La página oficial de tarifas API de ElevenLabs muestra:

• Free / Pay As You Go: $0 con 20,000 caracteres para Flash o Turbo.
• Starter: $6 al mes con 120,000 caracteres.
• Creator: $22 al mes ($11 el primer mes) con 440,000 caracteres.
• Pro: $99 al mes con 1,980,000 caracteres.
• Scale: $299 al mes con 5,980,000 caracteres.
• Business: $990 al mes con 19,800,000 caracteres.
• Enterprise: Condiciones personalizadas.

El coste de Flash se mantiene en $0.05 por cada 1,000 caracteres a lo largo de los planes API visibles. La elección del plan depende del volumen base necesario, las funciones de cuenta asociadas y los límites operativos, no de una reducción en la tarifa por carácter.

Veredicto: ElevenLabs representa una opción muy sólida y contrastada, aunque no lidera de forma absoluta. Elígela si la operativa vocal y el soporte multilingüe compensan el sobrecoste por carácter, y audita a fondo la normalización de texto antes del pase a producción.

5. Cartesia Sonic-3.6: La mejor para contextos persistentes en WebSockets

Cartesia Sonic-3.6 destaca para arquitecturas que requieren control estricto sobre contextos en WebSocket, cancelación granular y eventos con marcas de tiempo.

La tabla de precios de Cartesia incluye ya Sonic-3.6. Su API sobre WebSocket admite un identificador de contexto en la misma conexión, soportando la cancelación de dicho contexto junto con eventos de marcas de tiempo por palabra y fonema. Esto resulta clave si el agente envía varias oraciones en streaming, necesita abortar una locución a mitad de camino y precisa datos precisos para gobernar el reproductor.

Un punto a señalar es que las páginas públicas consultadas de Sonic-3.6 no publican un valor explícito de TTFA para esta versión. Aplicar a 3.6 cifras de latencia de versiones previas de Sonic carece de rigor técnico. Por este motivo se sitúa por detrás de los proveedores que sí documentan sus umbrales de latencia actuales, a pesar de que el diseño de su protocolo es impecable.

Su tarificación opera por créditos y los precios visibles aplican facturación anual. Los minutos mostrados son orientativos; sirven como estimación inicial, pero deben validarse con métricas de consumo real antes de cerrar un contrato anual.

Ideal para: Desarrolladores que necesitan identificadores de contexto, cancelación explícita y marcas de tiempo vía WebSocket.
Punto fuerte: Marcas de tiempo por palabra y fonema con cancelación de contexto en caliente.
Precios: Plan gratuito con unos 27 minutos; planes de pago anuales desde $4 al mes.
Prueba gratuita: Sí. El plan Free incluye 20,000 créditos mensuales (equivalentes a unos 27 minutos de TTS).

Precios de Cartesia en todos sus niveles actuales

• Free: $0 al mes, unos 27 minutos de TTS y 2 peticiones concurrentes.
• Pro: $4 al mes en facturación anual, unos 133 minutos y 3 peticiones concurrentes.
• Startup: $39 al mes en facturación anual, unos 1,667 minutos y 5 peticiones concurrentes.
• Scale: $239 al mes en facturación anual, unos 10,667 minutos y 15 peticiones concurrentes.
• Enterprise: Créditos a medida, consumo por agentes, descuentos por volumen y concurrencia personalizada.

La nomenclatura y tarifas de Cartesia están actualizadas para contratación directa. No obstante, al faltar métricas públicas concretas de latencia para Sonic-3.6, conviene medir su rendimiento en tu propia infraestructura regional antes de tomar una decisión definitiva.

Veredicto: Cartesia es una alternativa potente por diseño de transporte. Merece escalar puestos si en tus pruebas locales supera a los líderes en el p95 real, pero no asumas para Sonic-3.6 las métricas de generaciones anteriores.

6. Hume Octave 2: La mejor para locución expresiva y emocional

Hume Octave 2 es la opción especializada para agentes de voz que precisan modular emociones y empatía en lugar de buscar únicamente la mínima latencia técnica.

La documentación de Octave de Hume cataloga Octave 2 en fase preview. Hume indica una latencia de modelo cercana a 100 ms sin contar la red, mientras que su modo instantáneo genera el primer audio en unos 200 ms según la carga y complejidad del texto. Son dos medidas distintas: la segunda refleja con mayor fidelidad lo que experimenta la aplicación antes de procesar el búfer de salida.

Durante esta fase preview, el modelo soporta inglés, japonés, coreano, español, francés, portugués, italiano, alemán, ruso, hindi y árabe. Permite clonar voces a partir de muestras de solo 15 segundos. La API contempla streaming de salida HTTP, WebSockets bidireccionales y peticiones sin streaming.

El valor de Hume reside en la entonación semántica y emocional. Un agente de coaching, un asistente personal o un canal de soporte delicado ganan efectividad cuando el ritmo y los énfasis aportan significado. Por contra, un bot para confirmar citas médicas difícilmente amortizará esa complejidad adicional.

Ideal para: Agentes de salud, coaching, acompañamiento y personajes virtuales donde el tono emocional define el éxito del servicio.
Punto fuerte: Síntesis altamente expresiva con unos 100 ms de latencia de modelo en la preview de Octave 2.
Precios: Plan gratuito con unos 10 minutos; planes de pago de $3 a $500 al mes antes de Enterprise.
Prueba gratuita: Sí. El plan Free incluye 10,000 caracteres y 1 conexión concurrente.

Precios de Hume en todos sus niveles actuales

• Free: $0 al mes, 10,000 caracteres (aprox. 10 minutos), 15 peticiones por minuto y 1 conexión concurrente.
• Starter: $3 al mes, 30,000 caracteres (aprox. 30 minutos), 15 peticiones por minuto y 5 conexiones.
• Creator: $14 al mes ($7 el primer mes), 140,000 caracteres (aprox. 140 minutos), $0.15 por cada 1,000 caracteres adicionales, 75 peticiones por minuto y 5 conexiones.
• Pro: $70 al mes, 1 millón de caracteres (aprox. 1,000 minutos), $0.12 por cada 1,000 adicionales, 75 peticiones por minuto y 10 conexiones.
• Scale: $200 al mes, 3.3 millones de caracteres (aprox. 3,300 minutos), $0.10 por cada 1,000 adicionales, 150 peticiones por minuto y 20 conexiones.
• Business: $500 al mes, 10 millones de caracteres (aprox. 10,000 minutos), $0.05 por cada 1,000 adicionales, 225 peticiones por minuto y 30 conexiones.
• Enterprise: Consumo, límites de peticiones y concurrencia personalizados.

Su estructura de precios facilita la experimentación, pero penaliza el exceso de consumo en Creator. En volúmenes altos, el plan Business equipara los $0.05 por cada 1,000 caracteres adicionales de ElevenLabs Flash, pero exige una cuota base de $500 mensuales y responde a otro tipo de caso de uso.

Veredicto: Hume no aspira a ganar en velocidad pura, ni lo necesita. Elígela si la carga emocional y la entonación aportan valor comercial, retención o confianza que una voz neutra ultrarrápida no puede ofrecer.

7. Gradium: La mejor para consolidar voz en la UE y EE. UU.

Gradium es la solución práctica si buscas unificar TTS y STT bajo un mismo proveedor, con enrutamiento regional automático y paquetes previsibles, sin obsesionarte con batir récords de TTFA.

La referencia de API de Gradium admite endpoints de voz tanto REST como WebSocket. Las llamadas se dirigen a un único hostname de API y se distribuyen automáticamente al clúster más próximo en la UE o EE. UU. Gradium garantiza que el tráfico europeo se procesa en Europa y el estadounidense en EE. UU., facilitando el cumplimiento normativo sin gestionar endpoints regionales por separado.

Su modelo económico funciona por créditos mensuales y no por tarifa plana por carácter. Cada carácter de TTS consume un crédito, y la plataforma calcula unas 45,000 unidades por hora de audio generado. Este formato resulta conveniente si utilizas también transcripción o traducción en la misma cuenta, aunque complica la comparativa si únicamente requieres TTS.

Una limitación esencial en su nivel de entrada: el plan gratuito incluye acceso a la API y cerca de una hora de TTS, pero prohíbe el uso comercial. El plan XS de $13 constituye el primer escalón apto para producción.

Ideal para: Soluciones que buscan un solo proveedor regional para síntesis y transcripción de voz.
Punto fuerte: Un único hostname de API con distribución automática a clústeres en la UE y EE. UU.
Precios: Gratuito para uso no comercial; planes comerciales a partir de $13 al mes.
Prueba gratuita: Sí. El plan Free incluye 45,000 créditos (aprox. una hora de TTS) y concurrencia de 2 conexiones.

Precios de Gradium en todos sus niveles actuales

• Free: $0 al mes, 45,000 créditos (aprox. 1 hora de TTS), 2 peticiones concurrentes, acceso a API y sin derechos de uso comercial.
• XS: $13 al mes, 225,000 créditos (aprox. 5 horas de TTS), 5 peticiones concurrentes y uso comercial permitido.
• S: $43 al mes, 900,000 créditos (aprox. 20 horas de TTS), 5 peticiones concurrentes y uso comercial.
• M: $340 al mes, 9 millones de créditos (aprox. 200 horas de TTS), 10 peticiones concurrentes y uso comercial.
• L: $1,615 al mes, 45 millones de créditos (aprox. 1,000 horas de TTS), 15 peticiones concurrentes y uso comercial.
• Enterprise: Personalizado con créditos y TTS ilimitados más concurrencia adaptada.

Los paquetes adicionales de 100,000 créditos cuestan $6.90 en XS, $5.00 en S, $4.00 en M y $3.80 en L. Esta escala premia el salto a planes mayores, pero implica que el coste unitario efectivo dependerá de la tasa de uso real del paquete contratado.

Veredicto: Gradium aporta valor por consolidación de infraestructura y cumplimiento normativo más que por liderazgo en velocidad. Considérala si la soberanía regional de datos y simplificar tu arquitectura a un único proveedor de voz te ahorran más horas de ingeniería que unos milisegundos teóricos de latencia.

8. OpenAI GPT-4o Mini TTS: La mejor opción si tu stack ya utiliza OpenAI

OpenAI GPT-4o Mini TTS es la alternativa más cómoda a nivel de integración para plataformas que ya operan de forma estándar sobre la API de OpenAI.

El modelo procesa texto y genera voz a través de su endpoint oficial de speech. Puede transmitir audio en streaming o mediante Server-Sent Events (SSE), ofrece 13 voces predeterminadas junto a identificadores personalizados y genera audio en MP3, Opus, AAC, FLAC, WAV y PCM. La velocidad de reproducción se puede graduar entre 0.25 y 4.0.

Su principal ausencia informativa es un dato oficial y contrastable de TTFA. La documentación de OpenAI no publica esta métrica, lo que impide catalogar a GPT-4o Mini TTS como líder de baja latencia solo a partir de sus especificaciones. Entra en esta comparativa por su capacidad de streaming nativo y por la ventaja operativa de reutilizar credenciales, contratos, observabilidad y relaciones de proveedor existentes.

Su estructura de precios tampoco permite una comparación lineal por caracteres: OpenAI factura $0.60 por cada millón de tokens de texto de entrada y $12 por cada millón de tokens de audio emitidos. Las cifras pueden resultar competitivas, pero exigen auditar el consumo real de tokens en producción en vez de calcular una regla de tres por caracteres. El límite por petición es de 2,000 tokens de texto de entrada.

Ideal para: Equipos que operan con OpenAI y valoran unificar proveedores por encima de benchmarks auditados de latencia.
Punto fuerte: Variedad de formatos de audio, modos de streaming, instrucciones vocales y consolidación técnica.
Precios: $0.60 por millón de tokens de texto entrantes más $12 por millón de tokens de audio generados.
Prueba gratuita: No disponible. El modelo no admite uso bajo el nivel Free.

Niveles de uso de OpenAI y sus límites operativos

La documentación de GPT-4o Mini TTS no admite acceso sin coste. Los límites de uso asignados son: Tier 1 admite 500 peticiones por minuto y 50,000 tokens por minuto. Tier 2 sube a 2,000 y 150,000. Tier 3 pasa a 5,000 y 600,000. Tier 4 alcanza 10,000 y 2 millones. Tier 5 permite 10,000 peticiones y 8 millones de tokens por minuto.

Se trata de cuotas de procesamiento y no de cuotas fijas mensuales. La decisión técnica depende de si la facturación por tokens de voz y la simplicidad de mantener un único proveedor compensan las ventajas de protocolo de interrupción y tarificación clara por carácter que ofrecen las APIs especializadas.

Veredicto: Considera OpenAI si simplifica radicalmente tu mapa de proveedores. Sin embargo, no la clasifiques como la más veloz hasta comprobar su latencia punto a punto en tu flujo real de llamadas.

Cuánto cuestan 50,000 minutos generados

Para comparar costes de forma homogénea, utilizaremos una estimación común de caracteres y tarifas públicas bajo demanda. La documentación de Inworld calcula unos 1,000 caracteres por minuto de habla; por tanto, 50,000 minutos generados equivalen a 50 millones de caracteres. Este cálculo ilustra un escenario estándar, no un presupuesto contractual cerrado.

Bajo este supuesto de volumen:

• Inworld Flash On-Demand cuesta $750 al mes a razón de $15 por millón de caracteres.
• Rime Mist v3 cuesta $1,500 al mes a razón de $0.03 por cada 1,000 caracteres.
• Deepgram Flux Pay As You Go cuesta $2,250 al mes tras la promoción a razón de $0.045 por cada 1,000 caracteres.
• ElevenLabs Flash cuesta $2,500 al mes a razón de $0.05 por cada 1,000 caracteres.

No tomes esta diferencia económica como un veredicto definitivo. Un proveedor más barato que genere llamadas fallidas, lea con errores datos bancarios o te obligue a programar semanas de lógica propia para gestionar interrupciones puede resultar mucho más costoso a medio plazo. De igual modo, asumir un sobrecoste de marca sin validar un retorno real en negocio es una ineficiencia evitable.

Este escenario simplifica tres variables deliberadamente: primero, los caracteres por minuto varían según el idioma, la cadencia y la puntuación. Segundo, los planes con compromisos de créditos mensuales pueden fijar costes mínimos o reducir el precio unitario. Tercero, las tarifas para grandes corporaciones (Enterprise) se negocian bajo acuerdos privados. Procesa una semana real de llamadas por un analizador de caracteres y tokens antes de firmar cualquier compromiso anual.

Qué API de text to speech elegir según tu caso

Elige Deepgram Flux TTS si tu producto opera en inglés y los clientes interrumpen de forma constante. La capacidad de reportar con exactitud el estado del texto hablado frente al no emitido tras una interrupción inclina la balanza técnica.

Elige Rime Mist v3 si necesitas la menor latencia auditada en percentiles, tus casos de uso encajan en sus cuatro idiomas soportados y tu arquitectura prescinde de marcas de tiempo por palabra en Mist. Despliega tus servidores de medios cerca del usuario final para evitar que la red neutralice la rapidez del modelo.

Elige Inworld TTS-2 Flash si el agente debe interactuar en decenas de países o si el gasto en caracteres generados es la principal limitación de costes de tu proyecto. Su tarifa bajo demanda ofrece el mayor margen presupuestario en escenarios de 50,000 minutos.

Elige ElevenLabs Flash v2.5 si la organización busca un catálogo amplio de voces consolidadas, soporte multilingüe y una transición suave desde pruebas gratuitas hacia producción. Asegúrate de normalizar números, fechas, importes, códigos y direcciones antes de invocar la síntesis.

Elige Cartesia Sonic-3.6 cuando la cancelación de contextos y el control de tiempos por fonema o palabra sean piezas angulares de tu reproductor. Exige pruebas reales de TTFA en tu infraestructura antes de adoptar el modelo, ya que su documentación actual no publica este valor de forma explícita.

Elige Hume Octave 2 si la modulación emocional es una funcionalidad nuclear del producto y no un simple detalle estético. Asume los riesgos de su fase preview y un primer audio algo más pausado solo si esa calidez genera retención o conversión demostrable.

Elige Gradium si buscas simplificar operaciones unificando TTS y STT en un único proveedor, con enrutamiento automático entre la UE y EE. UU. Para cualquier prototipo comercial, empieza directamente en el plan XS de $13, ya que el nivel Free excluye usos productivos.

Elige OpenAI GPT-4o Mini TTS si consolidar la arquitectura bajo un solo proveedor aporta más valor que disponer de documentación técnica especializada en latencia. Mide los tiempos en tu flujo real y no asumas que una integración conocida garantiza una latencia mínima de extremo a extremo.

Una sola cuestión técnica resuelve la mayoría de dudas en producción: ¿Qué ocurre si el usuario interrumpe justo en mitad de un dato crítico? Si tu sistema se ve forzado a estimar a ciegas qué parte del mensaje llegó a sonar, resuelve esa arquitectura antes de evaluar matices en el tono de las voces.

Opciones a evitar en agentes de voz orientados a mínima latencia

Pika Speech: Alta velocidad por lote, pero sin streaming en tiempo real

Pika Speech es una tecnología solvente para clonación y narración de contenidos, pero su API actual no ofrece la arquitectura de transporte necesaria para un agente interactivo en tiempo real.

El anuncio oficial del 18 de agosto de 2026 de Pika refleja un factor de tiempo real (RTF) de 0.02 en pruebas locales de tres minutos. En su benchmark de generación larga, sintetiza un minuto de audio en aproximadamente 1.2 segundos. Emite a 48 kHz, clona con muestras de 5 segundos y procesa fragmentos de hasta 5 minutos por llamada.

Es un rendimiento por lotes excelente para clips cerrados, pero no garantiza que el usuario escuche la primera sílaba de inmediato en una llamada.

La documentación técnica de la API de Pika Speech incluye expresamente el streaming en tiempo real en su apartado de «No indicado para». Cada petición POST crea una tarea en cola y obliga al cliente a consultar el estado periódicamente mediante polling hasta su finalización. La comparativa del proveedor sitúa a Pika Speech en $0.01 por minuto generado a 14 de agosto de 2026, convirtiéndola en una opción muy competitiva para narración masiva, pero este modelo de procesamiento asíncrono la aparta de esta clasificación para llamadas conversacionales en vivo.

Ideal para: Narraciones, doblajes y generación rápida de archivos completos de audio.
Punto fuerte: Alrededor de 1.2 segundos para generar un minuto de audio según sus benchmarks de locución larga.
Precios: $0.01 por minuto generado en la tabla comparativa publicada por el proveedor en agosto.
Prueba gratuita: No confirmada en la documentación ni en el comunicado oficial analizados.

Veredicto: Utiliza Pika hoy para procesar locuciones en diferido. Reconsidérala para agentes de voz en directo solo cuando su API pública incorpore streaming nativo con métricas auditadas de primer audio.

No bases la producción en promesas de «gratuito e ilimitado»

Varios proveedores otorgan saldo inicial o cuotas mensuales de cortesía. Ninguna de las plataformas analizadas promete servicio de baja latencia apto para producción de forma ilimitada y sin coste. Las modalidades gratuitas imponen restricciones severas como prohibición de uso comercial, concurrencia testimonial, ausencia de garantías o volúmenes mínimos de caracteres.

Planifica la transición a un plan de pago antes de cerrar el prototipo. De lo contrario, un repunte de tráfico convertirá tu propio éxito en una caída del servicio.

No sacrifiques latencia por modelos pesados de locución

La mayoría de proveedores diversifica su catálogo entre un modelo conversacional ultrarrápido y otro más complejo para audiolibros o piezas largas. Elige Flash antes que opciones pesadas en ElevenLabs para llamadas en directo; selecciona Mist sobre Coda si el TTFA es decisivo; e Inworld Flash frente a TTS-2 cuando primen el tiempo de respuesta y los costes. Evita pagar peajes de latencia por una fidelidad acústica que la telefonía convencional no va a reflejar.

Plan de acción para el próximo lunes

El próximo lunes, ejecuta un banco de pruebas con Deepgram Flux, Rime Mist, Inworld Flash y ElevenLabs Flash. Mantén idénticos para todos los candidatos el modelo de lenguaje, el servidor de medios, la región, el operador de telefonía, el códec de audio y el búfer de reproducción.

Somete a cada API a estos cinco escenarios diseñados para forzar fallos comunes:

1. Un saludo breve para medir el tiempo real hasta el primer frame de audio.
2. Una respuesta extensa donde el usuario interrumpa en mitad de la frase.
3. Un turno con nombres propios, una fecha en agosto, un importe con moneda, un número de teléfono y un código alfanumérico de confirmación.
4. Una respuesta en streaming desde el modelo de lenguaje con paquetes de texto irregulares.
5. Un pico de tráfico concurrente que replique el nivel máximo esperado en producción.

Monitoriza el instante en que el texto está listo, la llegada del primer byte, el encolado del primer paquete de audio, su emisión por el altavoz, el TTFA en p50 y p95, el comportamiento ante interrupciones y el texto exacto recibido por el usuario. Evalúa la estética de la voz únicamente entre aquellos modelos que superen el umbral exigido de latencia y gestión de interrupciones.

Aplica después el volumen real de caracteres consumidos a las tarifas de los planes que tu empresa contrataría en la práctica. La decisión del lunes no consiste en «¿qué voz suena más convincente en la demo?», sino en «¿qué candidato mantiene conversaciones fluidas e interrumpibles al menor coste global mensual?».

Si Deepgram satisface tus necesidades de idioma, su gestión del estado de interrupción la convierte en la opción natural. Si tu proyecto es multilingüe, empieza evaluando Inworld y ElevenLabs. Si la rapidez del primer audio es tu cuello de botella absoluto, incluye a Rime en la terna final. Un día entero de mediciones en tu propia red te aportará más certidumbre técnica que semanas de análisis teórico de documentación comercial.

Preguntas frecuentes

¿Cuál es la mejor API de text to speech?

Deepgram Flux TTS es la opción global más sólida de esta comparativa para agentes de voz en inglés porque combina una latencia publicada reducida con el reporte nativo del estado de interrupción. Inworld resulta más adecuada si necesitas cobertura en más de 200 idiomas o el menor coste por carácter, mientras que Rime sobresale en velocidad pura.

¿Existe alguna API gratuita de text to speech de baja latencia?

Sí. Deepgram ofrece $200 de saldo Pay As You Go y una promoción de gratuidad para Flux hasta el 12 de septiembre de 2026. Inworld incluye hasta 70 minutos de TTS en su modalidad On-Demand, ElevenLabs aporta 20,000 caracteres para Flash, Cartesia otorga unos 27 minutos, Hume cerca de 10 minutos y Gradium alrededor de una hora para fines no comerciales. Son créditos pensados para desarrollo y pruebas, no planes ilimitados para producción.

¿Cuál es la API de TTS más económica?

En el supuesto de 50 millones de caracteres generados, Inworld Flash On-Demand es la opción más barata entre las finalistas tarifadas por carácter, con un coste de $750 mensuales. Los acuerdos Enterprise, los mínimos por consumo de créditos, la mezcla de idiomas y la densidad real de caracteres por minuto pueden alterar esta posición; calcula siempre la proyección sobre transcripciones reales de tu servicio.

¿Cuál es el mejor modelo de TTS para despliegue local?

Alojar un modelo en servidores propios o en VPC responde a criterios de infraestructura distintos a los de una API gestionada. Tanto Deepgram Flux como Rime contemplan opciones de despliegue privado, pero el rendimiento dependerá de tu hardware, la concurrencia objetivo, los términos de licencia y la capacidad de tu equipo para operar el stack. Evalúa el TTFA y el factor de tiempo real en el hardware específico donde vaya a ejecutarse.

¿Se puede utilizar una API de TTS de baja latencia en Android?

Sí. Mantén la clave de API protegida en tu backend, transmite el audio generado mediante streaming desde tu servidor hacia el cliente Android y monitoriza la latencia de reproducción en el dispositivo físico. Exponer claves en la aplicación móvil compromete la seguridad, y los búferes del sistema operativo móvil o las redes inalámbricas suelen introducir más retardo que la síntesis del propio proveedor.

Accede al mapa de herramientas de IA para directivos y líderes de negocio para completar tu arquitectura de agentes sin tener que rehacer este análisis desde cero.