Texto a voz en 2026: comparativa de Speechify, NaturalReader, ElevenLabs, Amazon Polly, Google, Azure y OpenAI (verificado en julio de 2026)

Speechify es la mejor aplicación de texto a voz para escuchar contenido, pero su suscripción Premium de $29 no incluye derechos de distribución comercial. NaturalReader ofrece más valor para trabajar con documentos por $79 al año, ElevenLabs es la opción de $6 para producir audio publicable y Amazon Polly o Google Cloud son mejores cuando la voz debe integrarse en un software.

La primera decisión no consiste en elegir la voz que mejor suena en una demostración, sino en definir qué destino tendrá el audio.

Una aplicación de lectura convierte un PDF, una página web, un correo o un libro en contenido para escuchar. Un estudio de producción transforma un guion en audio editable y publicable. Una API de voz genera audio a partir de texto dentro de un producto. Los tres trabajos coinciden en el motor de síntesis, pero no en precios, derechos, procesos de revisión ni formas de fallar.

Todos los planes, cupos, modelos y límites que aparecen a continuación se comprobaron en las páginas activas de los proveedores el 29 de julio de 2026. Esta comparación analiza prestaciones y precios verificados; no afirma que se hayan usado cuentas de pago ni que las voces hayan superado una prueba de escucha controlada.

Las mejores herramientas de texto a voz de un vistazo

Elija Speechify si necesita escuchar lo que ya aparece en su pantalla. Elija NaturalReader si los PDF, las páginas escaneadas, el despliegue escolar y el costo anual pesan más que una experiencia pulida entre dispositivos. Elija ElevenLabs si el resultado terminará en un video para un cliente, un curso, un audiolibro o una pieza de campaña.

Una API solo pasa a ser la mejor opción cuando el software debe generar la voz automáticamente. Amazon Polly marca una referencia de costo clara. Google Cloud ofrece la escala más amplia, desde voces Standard y WaveNet de $4 hasta voces Studio de $160. Azure merece atención cuando existe un compromiso de volumen empresarial. OpenAI destaca cuando una instrucción como «voz serena, pausada y con una urgencia contenida» resulta más útil que un ajuste convencional de voz.

Cómo elegimos estas herramientas

La lista reúne siete productos porque cada uno responde a una decisión de compra distinta. La clasificación se apoya en seis criterios:

1. Flujo de entrada: ¿admite el material disponible, como una página web, un PDF, un escaneo, un guion largo o la respuesta de una aplicación?
2. Dirección: ¿permite controlar pronunciación, ritmo, emoción, énfasis y consistencia, o solo elegir una voz y pulsar reproducir?
3. Derechos: ¿el plan concreto autoriza la escucha personal, la publicación comercial o el uso dentro de un producto?
4. Unidad de costo: ¿se cobra por palabras, caracteres, créditos, tokens de texto, tokens de audio o mediante un cupo mensual?
5. Flujo de salida: ¿el producto incluye edición, exportación, revisión y colaboración, o solo devuelve un archivo de audio?
6. El límite decisivo: ¿qué hace que un plan razonable deje de serlo: una licencia de uso personal, un fondo compartido de créditos, un multiplicador según el modelo, un compromiso mínimo o la falta de transparencia en los precios?

La selección combina deliberadamente aplicaciones de lectura, estudios de producción y API porque quienes buscan «texto a voz» suelen referirse a cualquiera de esas tres categorías. Eso no significa que sean intercambiables. Se descartaron los productos que solo podían describirse con cifras promocionales sobre cantidad de voces, precios imposibles de verificar o adjetivos vagos sobre calidad.

No clasificamos la calidad de las voces. Una comparación de escucha seria exige usar el mismo guion, idioma, tipo de voz, volumen, formato de salida, indicaciones de interpretación y método de puntuación en todos los sistemas. Una demostración de portada no demuestra consistencia en piezas largas, precisión de pronunciación ni resistencia ante una edición exigente. Por eso, los veredictos se basan en flujos de trabajo, derechos, controles, límites y costos comprobables.

1. Speechify es la mejor aplicación de texto a voz para escuchar

Speechify es la primera opción más sólida cuando el material de origen ya existe y se quiere escuchar durante el día, no producir un archivo de audio distribuible.

Reader admite las formas habituales del trabajo de lectura: documentos, archivos en la nube, material escaneado y texto en dispositivos compatibles. Premium añade más de 1,000 voces en más de 60 idiomas, reproducción de hasta 5x, Scan & Listen, resúmenes, chats e integraciones con Google Drive, Dropbox y Microsoft OneDrive. El conjunto permite pasar de un artículo en la computadora a escucharlo en el teléfono durante un trayecto sin reconstruir el material en la línea de tiempo de un estudio.

La limitación decisiva son los derechos, no la calidad de la voz. La política de uso vigente de Speechify indica que las cuentas Reader no pueden emplearse para distribución comercial sin permiso. Speechify Studio, un producto aparte, es la vía para publicar.

Ideal para: Escuchar libros, PDF, artículos, correos y documentos en la nube en distintos dispositivos
Lo más destacado: El flujo centrado en lectura más depurado del grupo
Precio: Reader Free $0; Reader Premium $29/mes; Studio Free $0; Studio Starter $19/mes; Studio Creator $49/mes
Prueba gratuita: Reader y Studio mantienen planes gratuitos

Todos los planes de Speechify Reader y Studio

La página de precios de Reader publica dos planes:

• Reader Free: $0. Reproducción de hasta 1.5x, diez voces básicas, escucha en las plataformas compatibles y funciones exclusivas de texto a voz.
• Reader Premium: $29/mes. Más de 1,000 voces, más de 60 idiomas, reproducción de hasta 5x, Scan & Listen, resúmenes, chats, integraciones con servicios de almacenamiento en la nube, dictado por voz, podcasts y Voice AI Assistant.

La política de uso de Speechify aporta el dato que no aparece en la tarjeta de precios. Los suscriptores Premium tienen garantizadas 1,000,000 de palabras de Premium Voice al mes hasta el 31 de diciembre de 2026. La base contractual que quedará por debajo de esa ampliación temporal es de 150,000 palabras mensuales. El contador se reinicia cada mes.

Es un cupo generoso para escuchar contenido personal. Aun así, no convierte Reader en una licencia de producción de audio.

La página de precios de Studio publica tres planes independientes:

• Studio Free: $0 con 600 créditos de Studio, acceso a más de 1,000 voces, Voiceover Studio, Dubbing Studio y Voice Changer. No incluye clonación de voz ni derechos de uso comercial.
• Studio Starter: $19/mes con 7,200 créditos de Studio, clonación de voz, recursos multimedia de stock, locución, doblaje, Voice Changer y derechos de uso comercial.
• Studio Creator: $49/mes con 28,800 créditos de Studio y todo lo incluido en Starter.

Studio aplica consumos distintos según la tarea. La locución gasta un crédito por segundo; el doblaje, tres; y la generación de avatares, 30. Volver a exportar una locución sin cambios es gratis, pero un guion nuevo o un ajuste de tono, velocidad o interpretación emocional exige otra generación y vuelve a consumir créditos.

Un proceso repetible para escuchar un PDF

La mejor opción debe poder demostrar su valor con material propio antes de pagar. Conviene usar un archivo representativo, no una demostración preparada.

1. 1

   Defina el trabajo antes de elegir el archivo

   Si el audio es solo para uso propio, abra Reader. Si otra persona lo recibirá, reproducirá, comprará o publicará, deténgase y abra Studio u otro producto comercial.

2. 2

   Use una fuente difícil

   Elija un PDF o una página web con encabezados, abreviaturas, una tabla y al menos un elemento escaneado. Un párrafo limpio demuestra muy poco sobre una aplicación de lectura.

3. 3

   Ajuste la velocidad de escucha

   Empiece a velocidad normal y auméntela solo hasta el punto en que la comprensión comience a disminuir. Premium admite reproducción de hasta 5x, pero el máximo es el límite técnico, no un valor predeterminado sensato.

4. 4

   Revise la navegación, no solo la voz

   Salte entre encabezados, pause, continúe en otro dispositivo y compruebe cómo maneja la aplicación los archivos en la nube o el material escaneado. Un lector justifica su precio ayudando a recorrer el documento, no sonando impresionante durante una sola frase.

5. 5

   Compruebe los derechos antes de exportar

   Si el resultado pasará a formar parte de un recurso público o de pago, lleve el guion a Studio. Reader Premium sigue siendo un producto de escucha personal incluso después de pagar $29/mes.

Cuándo vale la pena Speechify

Speechify vale $29/mes cuando la lectura acompaña al usuario entre dispositivos, el cupo de 1,000,000 de palabras de 2026 resulta útil y la fricción cuesta más que la suscripción. Un abogado que alterna entre expedientes, un fundador que escucha informes mientras viaja o una persona que necesita funciones de accesibilidad pueden justificar esa comodidad.

Ofrece poco valor si solo se carga algún PDF ocasional en una computadora. Doce meses a la tarifa mensual publicada cuestan $348 antes de cualquier descuento anual independiente. NaturalReader Lite cuesta $79/año, Plus $119 y Pro $159. La diferencia es suficiente para exigir que el flujo de trabajo la compense.

2. NaturalReader ofrece la mejor relación calidad-precio para documentos

NaturalReader es la mejor compra cuando importan más los archivos, el OCR, las anotaciones, el despliegue escolar y el precio anual que la experiencia más fluida entre dispositivos.

La aplicación personal admite archivos PDF, EPUB, DOCX, PPTX, Numbers y Pages. Los planes de pago añaden OCR, que convierte el texto de una imagen o un escaneo en texto legible por una máquina, además de Pronunciation Editor, anotaciones, AI Smart Filter y conversión a MP3. Smart Filter es importante porque las tablas, los números de página y los encabezados y pies de página pueden transformar un documento útil en un audio agotador.

La mayor fortaleza de NaturalReader es también su principal fuente de errores de compra: Personal y Commercial son productos distintos. Todos los planes Personal, incluida la exportación de MP3 de pago, tienen licencia exclusiva para uso personal.

Ideal para: Escucha personal intensiva de documentos, OCR e implementaciones educativas
Lo más destacado: El flujo documental más completo por un precio anual menor que Speechify Premium pagado mes a mes
Precio: Personal Free; Lite $13.90/mes o $79/año; Commercial Starter $29/mes o $198/año
Prueba gratuita: Plan Personal gratuito y 10,000 caracteres de muestra de Commercial al día

Todos los planes NaturalReader Personal

La página de precios de Personal y la página de límites de voz de NaturalReader publican la escala completa:

• Free: $0. Free Voices sin límite, 20,000 caracteres diarios de Lite Voice y un fondo compartido de 4,000 caracteres diarios de Plus Voice y Cloned Voice. No permite convertir a MP3 ni incluye OCR.
• Lite: $13.90/mes o $79/año. Escucha sin límite con Lite Voice, 1 millón de caracteres mensuales de MP3 con Lite Voice, OCR, formatos habituales de documentos, Pronunciation Editor, anotaciones, Smart Filter y funciones de IA. No incluye clonación de voz, Plus Voices ni Pro Voices.
• Plus: $20.90/mes o $119/año. Añade un fondo compartido diario de 500,000 caracteres de escucha con Plus Voice y Cloned Voice, un fondo compartido mensual de 1 millón de caracteres de MP3 con esas voces y hasta dos voces clonadas.
• Pro: $25.90/mes o $159/año. Añade Pro Voices y Reading Styles, y mantiene el límite diario compartido de 500,000 caracteres de escucha y el límite mensual compartido de 1 millón de caracteres de MP3 entre Plus, Cloned y Pro Voices.

Los precios anuales forman una escala de valor clara. 12 meses de Speechify Premium, pagados a su tarifa mensual publicada de $29, cuestan $348. NaturalReader Lite cuesta $269 menos; Plus, $229 menos; y Pro, $189 menos. Speechify aún puede imponerse por su flujo de trabajo, pero la comodidad tiene un precio anual visible.

Todos los planes educativos de NaturalReader

NaturalReader vende dos planes EDU para grupos con facturación anual:

• Premium EDU: $199 para uno a cinco usuarios, $299 para seis a diez, $399 para 11 a 20, $499 para 21 a 30, $555 para 31 a 40 y $599 para 41 a 50. Por encima de 50 usuarios, el precio parte de $12 por usuario al año.
• Plus EDU: $299 para uno a cinco usuarios, $499 para seis a diez, $899 para 11 a 20, $1,200 para 21 a 30, $1,400 para 31 a 40 y $1,500 para 41 a 50. Por encima de 50 usuarios, el precio parte de $25 por usuario al año.
• Licencia para centros: Precio personalizado para una escuela con al menos 2,000 usuarios matriculados.

Pro no está disponible para EDU. Premium EDU excluye Plus Voices y Pro Voices. Plus EDU añade acceso a Plus Voice y Cloned Voice, pero no a Pro Voices.

Esta es la opción institucional más sólida cuando se busca apoyo a la lectura y no producción de contenido. La frontera de derechos tampoco desaparece en el ámbito educativo: el producto Personal sigue reservado a la escucha personal.

Todos los planes NaturalReader Commercial

NaturalReader Commercial es la vía independiente para distribuir audio. Un usuario gratuito puede probar hasta 10,000 caracteres al día. Los planes comerciales vigentes son:

• Starter: $29 por usuario al mes o $198 por usuario al año, equivalente a $16.50/mes con facturación anual. Incluye 500,000 créditos mensuales.
• Creator: $49 por usuario al mes o $297 por usuario al año, equivalente a $24.75/mes con facturación anual. Incluye 2 millones de créditos mensuales.
• Team: $33 por usuario al mes o $192 por usuario al año, equivalente a $16/mes con facturación anual. Requiere al menos dos usuarios e incluye 2 millones de créditos compartidos por usuario al mes.

Todos los planes Commercial de pago incluyen audio con licencia comercial, acceso a modelos de voz de Gemini, OpenAI, Azure y ElevenLabs, Prompt Control, más de 90 idiomas, hasta cuatro voces clonadas, Script Assistant, Pronunciation Editor y descargas MP3 y WAV a 44.1 kHz.

El costo oculto está en el multiplicador de créditos. Las voces Gemini, OpenAI, Azure, Google Chirp HD y legacy cuestan un crédito por carácter. ElevenLabs Turbo cuesta diez y ElevenLabs HD cuesta 20.

Por tanto, los 500,000 créditos de Starter compran:

• 500,000 caracteres con una voz de un crédito
• 50,000 caracteres con ElevenLabs Turbo
• 25,000 caracteres con ElevenLabs HD

Creator y Team ofrecen 2 millones de créditos, que se convierten en 2 millones, 200,000 o 100,000 caracteres con esos mismos tres multiplicadores.

Quién debería descartar NaturalReader

Descarte NaturalReader Personal si necesita un resultado comercial. Descarte NaturalReader Commercial si busca una sola unidad de caracteres predecible para todos los modelos. Y descarte toda la familia si una transición móvil fluida importa más que los controles documentales y el costo anual adicional de Speechify no supone un problema.

NaturalReader gana cuando el documento de origen es la parte difícil. Resulta menos convincente cuando se parte de un guion limpio y la interpretación necesita dirección.

3. ElevenLabs es la mejor herramienta de texto a voz para narraciones publicables

ElevenLabs es la opción de producción más sólida cuando el audio debe dirigirse, exportarse y publicarse, no limitarse a la escucha.

Starter cuesta $6/mes y es el primer plan de esta lista que combina una licencia comercial con Instant Voice Cloning y Dubbing Studio. Creator añade Professional Voice Cloning. Pro incorpora audio PCM de 44.1 kHz mediante la API y audio a 192 kbps. La plataforma cubre el espacio entre un estudio en el navegador y una API sin obligar a montar ambas soluciones desde el primer día.

Esa amplitud también crea su principal límite. Texto a voz, voz a texto, música, efectos de sonido, cambio y aislamiento de voz y doblaje consumen un mismo fondo compartido de créditos. Un plan que parece incluir 121 minutos de narración puede rendir menos si la misma cuenta también realiza doblajes o generaciones repetidas.

Ideal para: Narraciones, audiolibros, cursos, video de marca, doblaje y piezas de voz dirigidas
Lo más destacado: La producción comercial comienza en $6/mes
Precio: Free $0; Starter $6; Creator $22; Pro $99; Scale $299; Business $990; Enterprise personalizado
Prueba gratuita: Plan Free con 10,000 créditos y unos diez minutos de TTS

Todos los planes de ElevenLabs

La página de precios vigente enumera:

• Free: $0/mes, 10,000 créditos, unos diez minutos de TTS y tres proyectos de Studio.
• Starter: $6/mes, 30,000 créditos, unos 30 minutos de TTS, licencia comercial, Instant Voice Cloning, 20 proyectos de Studio, uso comercial de música y Dubbing Studio.
• Creator: $22/mes, con el primer mes a $11, 121,000 créditos, unos 121 minutos de TTS, Professional Voice Cloning y créditos adicionales.
• Pro: $99/mes, 600,000 créditos, unos 600 minutos de TTS, salida PCM de 44.1 kHz mediante la API y audio a 192 kbps.
• Scale: $299/mes, 1.8 millones de créditos, unos 1,800 minutos de TTS, tres puestos de trabajo, colaboración en equipo y tres Professional Voice Clones.
• Business: $990/mes, 6 millones de créditos, unos 6,000 minutos de TTS, diez puestos, diez Professional Voice Clones y TTS de baja latencia anunciado desde $0.05/minuto.
• Enterprise: Precio, créditos y puestos personalizados, además de condiciones DPA y SLA a medida, BAA de HIPAA, SSO personalizado, mayor concurrencia, doblaje gestionado, descuentos por volumen y soporte prioritario.

La facturación anual cobra el equivalente a diez meses. Así, Starter queda en $5/mes; Creator, en $18.33; Pro, en $82.50; Scale, en $249.17; y Business, en $825.

Los créditos de pago no utilizados se acumulan durante un máximo de dos meses y hasta duplicar la cuota mensual. Al sumar el cupo del mes en curso, el saldo puede alcanzar tres veces la cuota mensual. Los créditos de Free no se acumulan.

Después de Starter, el costo simple de suscripción por minuto incluido en la interfaz se estabiliza en una franja. Starter equivale a $0.20 por minuto incluido; Creator, a unos $0.18; y Pro, Scale y Business, a unos $0.17. El cálculo no contempla los créditos que consuman otros productos de ElevenLabs.

El mismo encargo antes y después de editarlo para voz

Una frase escrita y una frase hablada cumplen funciones distintas. El texto puede contener paréntesis, listas densas, barras, URL y jerarquía visual porque el lector puede detenerse y recorrerlo con la vista. El audio desaparece a medida que se escucha.

Pensemos en la descripción de un producto ficticio:

Versión escrita: La colección Studio incluye la silla Atlas, la lámpara Arc y la mesa Field, disponibles en hueso, cobalto y musgo.

La versión preparada para voz crea una estructura que se reconoce al oírla:

Versión para voz: Conozca la colección Studio. Primero, la silla Atlas. Después, la lámpara Arc. Por último, la mesa Field. Elija entre hueso, cobalto o musgo.

La segunda versión no es una prosa más inteligente. Utiliza unidades semánticas más breves, palabras de secuencia explícitas y menos oportunidades de que el oyente pierda el hilo de la lista. Después, un diccionario de pronunciación debe fijar cualquier marca, producto, persona o término técnico cuya ortografía no revele de manera fiable cómo se pronuncia.

Ese es el nivel artesanal que oculta una demostración pulida. Una voz puede resultar convincente y, aun así, hacer que un guion largo sea difícil de seguir.

Un proceso para producir narraciones listas para publicar

1. Adapte el guion al oído. Convierta las listas visuales en secuencias audibles. Sustituya las URL sin procesar, las abreviaturas sin explicar y los incisos entre paréntesis.
2. Fije la pronunciación. Añada marcas, personas, siglas y palabras especializadas al flujo de pronunciación antes de generar un pasaje largo.
3. Genere un bloque breve y representativo. Incluya una lista, una transición emocional y un nombre difícil. No gaste todo el cupo probando una frase inicial sencilla.
4. Revise el audio contra el guion. Busque omisiones, errores de pronunciación, énfasis involuntarios, un ritmo atropellado y tonos que alteren el significado.
5. Exporte solo cuando los derechos estén claros. Starter es el primer plan de ElevenLabs que incluye una licencia comercial. El consentimiento sobre la voz de origen sigue siendo un requisito independiente de la suscripción.

Para comparar con más detalle estudios de producción como Murf, Hume, Speechify Studio, WellSaid, Respeecher, Cartesia e Inworld, consulte la guía de compra de generadores de voz con IA.

4. Amazon Polly es la API de voz más predecible

Amazon Polly ofrece la referencia de costos más clara cuando un producto necesita generar voz bajo demanda y el equipo ya sabe operar un servicio de AWS.

El servicio cobra por carácter y permite almacenar en caché y reproducir de nuevo el audio generado sin otro cargo de Polly. Speech Marks puede devolver metadatos de tiempo para usos como el resaltado sincronizado o la animación. Esto convierte a Polly en algo más que un generador de archivos, aunque sigue siendo infraestructura: el lector, la línea de tiempo, la revisión editorial y el sistema de distribución debe construirlos el cliente.

Ideal para: Aplicaciones que necesitan cobro predecible por carácter y operaciones en AWS
Lo más destacado: Una escala transparente de $4 a $100 por millón de caracteres
Precio: Standard $4, Neural $16, Generative $30 y Long-Form $100 por 1M de caracteres
Prueba gratuita: El nivel gratuito de AWS varía según la clase de voz

Todas las clases de voz y los cupos gratuitos de Amazon Polly

La página de precios de Polly publica cuatro clases de pago:

• Standard: $4 por 1 millón de caracteres.
• Neural: $16 por 1 millón de caracteres.
• Generative: $30 por 1 millón de caracteres.
• Long-Form: $100 por 1 millón de caracteres.

El nivel gratuito incluye:

• 5 millones de caracteres Standard al mes
• 1 millón de caracteres Neural al mes durante los primeros 12 meses
• 100,000 caracteres Generative al mes durante los primeros 12 meses
• 500,000 caracteres Long-Form al mes durante los primeros 12 meses

En sus ejemplos, AWS equipara 1 millón de caracteres con aproximadamente 23 horas y ocho minutos de voz. A esa escala, las cuatro clases cuestan $4, $16, $30 o $100 antes de sumar almacenamiento, entrega, código de la aplicación, supervisión y revisión humana.

Cuándo gana Polly

Polly gana cuando la previsibilidad del costo y la integración con AWS importan más que dirigir la interpretación con lenguaje natural. Un producto que lee notificaciones, artículos, lecciones o actualizaciones de estado puede presupuestar el volumen de caracteres antes de escoger una clase de voz.

Pierde cuando un editor necesita dirigir una interpretación con palabras corrientes, colaborar en una línea de tiempo o hacer muchas repeticiones subjetivas. Esos trabajos convierten una API barata en un proyecto interno de desarrollo de herramientas.

5. Google Cloud Text-to-Speech ofrece la escala de precios más amplia

Google Cloud Text-to-Speech es la mejor opción de infraestructura si se busca un solo proveedor con voces legacy de bajo costo, voces Chirp actuales, voz personalizada instantánea, voces Studio premium y Gemini-TTS dirigido mediante prompts.

Ninguna otra API clasificada abarca tantos modelos de cobro. Las voces facturadas por carácter van de $4 a $160 por millón de caracteres. Gemini-TTS cobra por separado los tokens de texto de entrada y los tokens de audio de salida. La variedad es potente, pero también hace que afirmar «Google TTS cuesta X» sea incompleto.

Ideal para: Equipos que quieren varias clases de modelos de voz dentro de Google Cloud
Lo más destacado: La escala más amplia, desde Standard de $4 hasta Studio de $160 y Gemini-TTS con cobro por tokens
Precio: De $4 a $160 por 1M de caracteres, o Gemini-TTS con precio por tokens
Prueba gratuita: El uso gratuito varía según el modelo; Gemini-TTS e Instant Custom Voice no incluyen ninguno

Todos los precios actuales de texto a voz de Google

La página de precios vigente de Google separa Gemini-TTS, los modelos TTS actuales y los modelos legacy.

Gemini-TTS

• Gemini 2.5 Flash TTS y Gemini 2.5 Flash-Lite Preview TTS: Sin cupo gratuito. $0.50 por 1 millón de tokens de texto de entrada más $10 por 1 millón de tokens de audio de salida.
• Gemini 3.1 Flash TTS Preview: Sin cupo gratuito. $1 por 1 millón de tokens de texto de entrada más $20 por 1 millón de tokens de audio de salida.
• Gemini 2.5 Pro TTS: Sin cupo gratuito. $1 por 1 millón de tokens de texto de entrada más $20 por 1 millón de tokens de audio de salida.

Para estos precios, Google define un token de audio como una vigésima quinta parte de un segundo. Por eso, la duración de la salida afecta directamente al costo.

Modelos actuales con precio por carácter

• Chirp 3 HD: 1 millón de caracteres gratuitos y después $30 por 1 millón.
• Instant Custom Voice: Sin cupo gratuito y después $60 por 1 millón.

Modelos legacy con precio por carácter

• WaveNet: 4 millones de caracteres gratuitos y después $4 por 1 millón.
• Standard: 4 millones de caracteres gratuitos y después $4 por 1 millón.
• Neural2: 1 millón de caracteres gratuitos y después $16 por 1 millón.
• Polyglot Preview: 1 millón de caracteres gratuitos y después $16 por 1 millón.
• Studio: 1 millón de caracteres gratuitos y después $160 por 1 millón.

La tarifa Studio de $160 no es un error de redondeo: multiplica por 40 la tarifa Standard de $4. Antes de llevar volumen de producción a ese plan, un equipo debería percibir una mejora material con su propio guion.

Cuándo cambia la elección

Elija Standard o WaveNet cuando dominen el costo y el volumen gratuito. Elija Neural2 si el nivel de $16 es aceptable y una clase neuronal actual se ajusta al idioma y al tipo de voz necesarios. Elija Chirp 3 HD si la categoría de $30 justifica el sobreprecio. Elija Instant Custom Voice únicamente si una identidad personalizada vale $60 por millón de caracteres antes de añadir el trabajo de consentimiento y revisión.

Gemini-TTS es una compra distinta. Resulta útil cuando importa dirigir la interpretación mediante prompts, pero el cobro por tokens dificulta la comparación directa con un contador de caracteres. Presupueste la duración del audio de salida, no solo la longitud del guion.

6. Azure AI Speech es la mejor opción para compromisos de volumen en Microsoft

Azure AI Speech merece su lugar cuando la organización ya compra a través de Azure y puede aprovechar un compromiso elevado de caracteres, no porque su precio bajo demanda sea el ganador.

La voz Neural y Neural HD Flash Standard bajo demanda cuesta $15 por millón de caracteres. Es 3.75 veces la tarifa Standard de $4 de Amazon Polly o Google Cloud. La diferencia se reduce con compromisos, pero el primer compromiso publicado empieza en 80 millones de caracteres.

Ideal para: Organizaciones en Azure con capacidad de negociación y un volumen alto predecible
Lo más destacado: Los compromisos reducen la tarifa efectiva de $15 hasta $7.50 por 1M de caracteres
Precio: F0 gratis; Standard $15 por 1M de caracteres; compromisos desde $960
Prueba gratuita: F0 incluye 0.5M de caracteres Neural al mes

Todos los planes principales de Azure TTS

La página de precios de Azure AI Speech publica:

• Free F0: 0.5 millones de caracteres de Neural Text to Speech al mes.
• Standard S0: Neural y Neural HD Flash cuestan $15 por 1 millón de caracteres para síntesis en tiempo real o por lotes.
• Professional Custom Voice: La síntesis Standard cuesta $24 por 1 millón de caracteres. La síntesis Neural HD cuesta $48 por 1 millón. El entrenamiento cuesta $52 por hora de cómputo, con un máximo de $936 por entrenamiento. El alojamiento del endpoint cuesta $4.04 por modelo y hora.
• Compromiso de 80 millones de caracteres: $960, equivalente a $12 por 1 millón.
• Compromiso de 400 millones de caracteres: $3,900, equivalente a $9.75 por 1 millón.
• Compromiso de 2 mil millones de caracteres: $15,000, equivalente a $7.50 por 1 millón.

La comparación bajo demanda es sencilla. Azure Standard a $15 se acerca a AWS Neural y Google Neural2 a $16, no a su categoría Standard de $4.

La comparación de voz personalizada es distinta. Mantener alojado de forma continua un endpoint de Professional Custom Voice durante un mes de 30 días y 720 horas cuesta $2,908.80 antes de sintetizar un solo carácter. Puede tener sentido para una voz de marca aprobada y muy utilizada; es un desperdicio para narraciones ocasionales.

Cuándo gana Azure

Azure gana cuando la voz forma parte de una arquitectura Microsoft existente, el área de compras ya tiene un acuerdo con Azure y el volumen es lo bastante predecible para aprovechar un compromiso. También ofrece un modelo de costos claro para implementaciones aprobadas de Professional Custom Voice.

Pierde ante un producto pequeño que busca el precio bajo demanda más barato o un creador que necesita un editor, no infraestructura en la nube.

7. OpenAI GPT-4o mini TTS es la mejor API de voz dirigida mediante prompts

OpenAI GPT-4o mini TTS es la opción de API más directa cuando la interpretación debe seguir instrucciones en lenguaje natural y el equipo se siente cómodo con el cobro por tokens.

El modelo admite indicaciones sobre acento, rango emocional, entonación, imitaciones, velocidad de habla, tono y susurros. La Audio API puede devolver MP3, Opus, AAC, FLAC, WAV o PCM; se recomienda WAV o PCM para obtener la respuesta más rápida. OpenAI exige informar con claridad que la voz ha sido generada por IA y no es humana.

El límite está en la comparabilidad del costo. GPT-4o mini TTS cobra por separado los tokens de texto de entrada y los tokens de audio de salida. Una interpretación más lenta o larga modifica el costo de salida aunque el guion no cambie. Convertir ese precio a «por millón de caracteres» exigiría supuestos innecesarios para las API que cobran por carácter.

Ideal para: Voz dirigida mediante prompts dentro de una aplicación
Lo más destacado: Las instrucciones en lenguaje natural pueden moldear la interpretación
Precio: $0.60 por 1M de tokens de texto de entrada más $12 por 1M de tokens de audio de salida
Prueba gratuita: El nivel Free de la API no es compatible

Precio, límites y opciones de voz actuales

La página del modelo GPT-4o mini TTS indica:

• Texto de entrada: $0.60 por 1 millón de tokens
• Audio de salida: $12 por 1 millón de tokens
• Entrada máxima: 2,000 tokens
• Nivel de uso gratuito: No compatible

La guía de texto a voz presenta GPT-4o mini TTS como su modelo de texto a voz más nuevo y fiable. Recomienda marin o cedar para obtener la mejor calidad.

La misma página activa contiene una discrepancia documental que conviene advertir. La introducción afirma que la Audio API incluye 11 voces integradas. La lista detallada contiene 13 nombres: alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin y cedar. Para elegir una voz, utilice la lista enumerada y considere que el recuento anterior es texto desactualizado.

Las voces personalizadas están limitadas a clientes elegibles. Para crear una se necesita una grabación de consentimiento y otra grabación de muestra, y cada organización puede crear un máximo de 20 voces personalizadas.

Un proceso exacto para generar voz dirigida mediante prompts

1. 1

   Elija el modelo actual

   Use gpt-4o-mini-tts. Mantenga cada solicitud dentro del máximo documentado de 2,000 tokens de entrada.

2. 2

   Elija la voz antes de definir la interpretación

   Empiece con marin o cedar, las dos voces que OpenAI recomienda para obtener la mejor calidad. Mantenga la voz constante mientras modifica las indicaciones de interpretación.

3. 3

   Escriba una sola indicación de interpretación

   Use una instrucción breve como: «Hable con autoridad serena, a un ritmo moderado, con emoción contenida y una pausa breve después del encabezado de cada sección». Es una indicación, no una prueba de un resultado generado.

4. 4

   Use un formato adecuado para editar

   Elija WAV si el audio entrará en una línea de tiempo de edición, o PCM si una aplicación de baja latencia admite muestras sin procesar. MP3 es el formato predeterminado para entregas generales.

5. 5

   Informe y revise

   Avise a los oyentes de que la voz ha sido generada por IA y después coteje el audio con el guion aprobado para detectar omisiones y revisar pronunciación, énfasis y significado.

El modelo está listo para implementarse como motor, no como sistema editorial completo. La aplicación aún necesita gestión de guiones, lógica de reintentos, almacenamiento, reproducción, revisión e información al usuario.

Cuánto cuesta un millón de caracteres

Las API que cobran por carácter son fáciles de normalizar porque la unidad no cambia:

• $4: Amazon Polly Standard, Google Standard y Google WaveNet
• $7.50: Azure con un compromiso de 2 mil millones de caracteres
• $9.75: Azure con un compromiso de 400 millones de caracteres
• $12: Azure con un compromiso de 80 millones de caracteres
• $15: Azure Standard bajo demanda
• $16: Amazon Polly Neural, Google Neural2 y Google Polyglot Preview
• $24: Síntesis Azure Professional Custom Voice
• $30: Amazon Polly Generative y Google Chirp 3 HD
• $48: Síntesis Azure Professional Custom Voice Neural HD
• $60: Google Instant Custom Voice
• $100: Amazon Polly Long-Form
• $160: Google Studio

La categoría de $4 es la referencia de costo, no un ganador automático en calidad. Google Studio a $160 cuesta 40 veces más. Para justificar esa diferencia, el comprador necesita el resultado de una escucha controlada con el mismo guion.

OpenAI y Gemini-TTS quedan fuera de esta escala porque cobran los tokens de texto de entrada y de audio de salida. La duración y la interpretación modifican el contador de audio. Convertirlo a un precio por carácter sin fijar supuestos de tokenización y duración del habla crearía una falsa precisión.

La economía de los lectores y los estudios también funciona de otra manera:

• Speechify Premium cuesta $348 por 12 meses a la tarifa mensual publicada de $29, antes de cualquier descuento anual independiente.
• NaturalReader cuesta $79/año en Lite, $119 en Plus o $159 en Pro.
• El costo por minuto incluido de ElevenLabs pasa de $0.20 en Starter a unos $0.18 en Creator y unos $0.17 en Pro, Scale y Business, antes de que otros productos consuman los créditos compartidos.
• El cupo de NaturalReader Commercial Starter puede bajar de 500,000 a 25,000 caracteres si la voz elegida cuesta 20 créditos por carácter.

Qué opción conviene elegir

La regla de decisión fiable se resume en escuchar, publicar o desarrollar.

Elija Speechify para escuchar. Gana cuando el contenido acompaña al usuario entre dispositivos y la comodidad de $29/mes vale más que el ahorro anual de NaturalReader. NaturalReader pasa al frente cuando dominan los archivos, el OCR, las anotaciones, el despliegue EDU o el costo.

Elija NaturalReader para documentos difíciles. Free resulta útil, Lite añade OCR y conversión a MP3, y Plus o Pro amplían el acceso a voces. La elección cambia en cuanto el audio debe distribuirse. En ese caso, use NaturalReader Commercial o un estudio de producción.

Elija ElevenLabs para publicar. Starter abre la vía más clara y económica hacia una licencia comercial, Instant Voice Cloning y un estudio. La balanza se inclina por Speechify Studio si ya prefiere su flujo para creadores, o por una API en la nube si la voz se genera automáticamente a escala de producto.

Elija Amazon Polly para desarrollar con un costo bajo y predecible. Es la referencia para un equipo que trabaja con AWS. Google gana si hace falta una escala de modelos más amplia; Azure, si pesan las compras de Microsoft y los compromisos de gran volumen; y OpenAI, si la característica decisiva es dirigir la interpretación con lenguaje natural.

Elija Google Cloud por su variedad de modelos. Standard y WaveNet cubren la base de $4; Neural2, la franja de $16; Chirp, la de $30; y Studio, la de $160. La elección cambia si tanta variedad añade más trabajo de contratación y evaluación que valor.

Elija Azure para un volumen empresarial comprometido. Standard bajo demanda a $15 no es la alternativa económica. El argumento mejora con compromisos de 80 millones, 400 millones o 2 mil millones de caracteres.

Elija OpenAI para generar voz en aplicaciones mediante prompts. Gana cuando la indicación de interpretación forma parte del producto. La elección cambia a una API con precio por carácter si la previsibilidad de los costos unitarios importa más que una interpretación flexible.

Qué opciones conviene evitar

Los siguientes productos y planes no son malos en todos los casos. Son malas compras bajo una condición concreta.

Evite Speechify Reader y NaturalReader Personal para resultados comerciales. Ambos productos pueden generar audio, pero ninguna suscripción de lector de pago convierte la escucha personal en una licencia de distribución comercial.

Evite los planes gratuitos para creadores en trabajos de clientes salvo que los derechos comerciales sean explícitos. Speechify Studio Free no ofrece derechos de uso comercial. ElevenLabs los añade en Starter. Probar un flujo gratis no equivale a tener permiso para publicar.

Deje PlayHT en espera si la transparencia de precios forma parte de la decisión. Su URL oficial de precios no devolvió una tabla pública activa y utilizable durante el corte de verificación exigido. Una comparación comercial no debe llenar ese vacío con precios de terceros almacenados en caché.

Lleve a quienes evalúan Murf a la categoría de estudios creativos. La página actual de Murf publica Free, Creator a $19/mes con facturación anual de $228, Business a $66/mes con facturación anual de $792 y Enterprise. La comparación adecuada es con otros estudios de producción de la guía de generadores de voz con IA, no con lectores de documentos.

No elija por la cantidad de voces. Speechify publica más de 1,000 voces, OpenAI enumera 13 nombres y los proveedores de nube ofrecen familias de modelos, no una sola cifra de catálogo. Ninguno de esos recuentos demuestra pronunciación, consistencia en piezas largas ni adecuación al guion.

No implemente una voz personalizada sin registrar los permisos. OpenAI exige una grabación de consentimiento y otra muestra para crear voces personalizadas. El mismo criterio operativo debe aplicarse a todos los proveedores: documente quién posee la fuente, qué puede decir el clon, dónde puede utilizarse y cuándo termina el permiso.

Preguntas frecuentes

¿Cuál es la mejor herramienta gratuita de texto a voz?

NaturalReader es el mejor lector de documentos gratuito del grupo. Free incluye voces básicas sin límite, 20,000 caracteres diarios de Lite Voice y un fondo compartido diario de 4,000 caracteres de Plus Voice y Cloned Voice, pero no conversión a MP3 ni OCR. Speechify Free ofrece la prueba más sencilla entre dispositivos, con diez voces básicas y reproducción de hasta 1.5x.

¿Cuál es la mejor aplicación de texto a voz?

Speechify es la mejor aplicación de texto a voz para la mayoría de las necesidades de escucha personal porque combina cobertura entre dispositivos, integraciones en la nube, Scan & Listen y reproducción de hasta 5x. NaturalReader ofrece más valor si pesan más el OCR, la gestión de archivos, las anotaciones y un plan anual de $79 a $159.

¿Cuál es la mejor herramienta de texto a voz para estudiantes?

NaturalReader es la opción más sólida para estudiantes y escuelas. Sus planes Personal de pago manejan formatos habituales de documentos, OCR, anotaciones, pronunciación y Smart Filter, mientras que Premium EDU y Plus EDU publican rangos de precios desde grupos pequeños hasta más de 50 usuarios. La licencia para centros empieza en 2,000 usuarios matriculados.

¿Se puede usar comercialmente el audio de texto a voz?

Sí, siempre que el plan concreto conceda el uso comercial y estén autorizados tanto el guion como la voz de origen. ElevenLabs Starter, Speechify Studio Starter y NaturalReader Commercial publican vías comerciales. Speechify Reader y NaturalReader Personal no.

¿Cuánto cuesta el texto a voz de OpenAI?

GPT-4o mini TTS cuesta $0.60 por 1 millón de tokens de texto de entrada más $12 por 1 millón de tokens de audio de salida. La API no admite el nivel Free y cada solicitud acepta hasta 2,000 tokens de entrada.

¿Cuánto cuesta el texto a voz de Amazon Polly?

Amazon Polly cuesta $4 por 1 millón de caracteres con voces Standard, $16 con Neural, $30 con Generative y $100 con Long-Form. En sus ejemplos, AWS indica que 1 millón de caracteres equivale aproximadamente a 23 horas y ocho minutos de voz.

¿Cuánto cuesta Google Cloud Text-to-Speech?

Google parte de $4 por 1 millón de caracteres para Standard y WaveNet una vez agotado el uso gratuito. Neural2 y Polyglot cuestan $16; Chirp 3 HD, $30; Instant Custom Voice, $60; y Studio, $160. Gemini-TTS cobra por separado los tokens de texto de entrada y audio de salida.

¿Cuánto cuesta el texto a voz de Azure?

Azure F0 incluye 0.5 millones de caracteres Neural al mes. Neural y Neural HD Flash Standard bajo demanda cuestan $15 por 1 millón de caracteres. Los compromisos reducen la tarifa efectiva a $12, $9.75 o $7.50 por millón con compromisos de 80 millones, 400 millones o 2 mil millones de caracteres.

¿Texto a voz es lo mismo que voz a texto?

No. Texto a voz convierte contenido escrito en audio. Voz a texto convierte audio hablado en contenido escrito. Un asistente de voz puede usar ambos, pero resuelven conversiones opuestas y se facturan por separado.

¿Puedo convertir texto a voz gratis en línea?

Sí. Speechify y NaturalReader ofrecen acceso gratuito desde el navegador, mientras que ElevenLabs tiene un plan Free para creadores. Los límites y derechos difieren: NaturalReader Free no exporta MP3, Speechify Reader no permite distribución comercial sin autorización y ElevenLabs incluye la licencia comercial a partir de Starter.

Descargue la lista de verificación para auditar flujos empresariales con IA y documente el texto de origen, los derechos de uso, el plan de precios, la voz, el aviso, la persona responsable de la revisión y la aprobación final antes de incorporar voz generada a una campaña o producto en producción.