Comparativa de voces IA: 8 modelos leen el mismo texto

👁 112 lecturas

Un mismo texto de prueba en polaco -62 palabras con una fecha, un precio, número de tren, teléfono, signos de interrogación y exclamación, y trabalenguas notorios- fue leído por 8 voces IA: servicios en la nube, opciones gratuitas y modelos ejecutados en local sobre mi RTX 4090. Escucha primero a ciegas y luego descubre cuál es cada una. Solo una voz completó la prueba sin un solo error, mientras que dos modelos locales gratuitos tropezaron con las cifras.

Este artículo complementa mi clasificación de 14 modelos TTS en polaco. En aquel análisis contabilicé errores en tres textos largos. Aquí el enfoque es auditivo: un único fragmento breve, ocho voces enfrentadas, un test a ciegas y una tabla con sus costes, licencias y rendimiento comercial.

Texto de prueba

Todos los motores recibieron exactamente la misma entrada sin transcripción fonética ni números escritos con letras (el experimento se realizó en polaco para evaluar fonemas complejos; a continuación figura su traducción fiel al español):

[Traduccion del texto original probado en polaco]: Szczebrzeszyn, 17 de octubre de 2026, a las 9:45. El escarabajo zumba en el canaveral, y la doctora Agnieszka Brzeczyszczykiewicz compra un billete de 1249,99 zlotys para el tren IC 5316 con destino a Lodz. Llegara a tiempo, teniendo en cuenta que el tren ya lleva 25 minutos de retraso? Brizna, cuclillo, abejita: intenta repetirlo sin trabarte! Y ahora apunta: 15% de descuento, numero 601 234 567. Gracias y hasta el proximo jueves en Gdansk!

El texto original escondía 15 puntos de control fonéticos y gramaticales:

• Nombres propios y trabalenguas de alta dificultad fonética polaca: Szczebrzeszyn, escarabajo (chrzaszcz), el apellido complejo Brzeczyszczykiewicz, brizna (zdzblo), cuclillo (gzegzolka), abejita (pszczolka);
• Lectura correcta de cifras y declinaciones gramaticales: la fecha ordinal completa, la hora, el importe con decimales, la duración y el porcentaje;
• La sigla ferroviaria IC, el número de tren y el teléfono leído por bloques;
• Entonación interrogativa ascendente en la pregunta sobre si llegará a tiempo;
• Fidelidad textual: omission o adicion indebida de palabras.

Test a ciegas: escucha antes de ver las etiquetas

El orden es aleatorio, el volumen está nivelado y los nombres de archivo no delatan a los modelos. Anota la letra de tu opción favorita y pulsa después en «Mostrar quién lee». Recordamos que el test se realizó con locución en polaco.

Compara tu elección con las puntuaciones técnicas que presentamos a continuación: la precisión lingüística no siempre coincide a la primera con el timbre que resulta más cálido al oído.

Resultados: pronunciación en los 15 puntos de control

Metodología de evaluación: pasé cada audio por Whisper large-v3 (en local) y por Gemini 3.8 Flash con instrucciones precisas para transcribir literalmente lo pronunciado y verificar cada punto de control. Se computó error cuando se reflejaba en ambas transcripciones o cuando el juez LLM detectaba un desvío claro. Solo apliqué una corrección manual: Piper leyó el código de tren como cifra completa de cuatro dígitos, lo cual resultaba admisible en contexto, por lo que le concedí el acierto.

Errores más frecuentes en términos complejos

• La fecha: 6 de los 8 locutores emplearon formas incorrectas o añadieron fórmulas redundantes no presentes en el texto original.
• El importe monetario: solo Eleven v4 articuló con precisión natural tanto las unidades como los decimales monetarios. Edge recurrió a formulaciones arcaicas («centésimas»), XTTS y Piper dijeron simplemente «coma», y GPT Audio extravió el millar.
• Trabalenguas fonéticos: las sibilantes densas causaron problemas notorios en Edge Marek, Piper y Chatterbox, mutando consonantes básicas.
• Palabras con racimos consonánticos extremos: casi todos superaron los nombres propios largos, con la salvedad de Piper, que introdujo pausas y fonemas ajenos.
• Modulación interrogativa: solo Eleven v4, GPT Audio, GPT Audio Mini y Chatterbox aplicaron entonación interrogativa ascendente real. Edge, XTTS y Piper leyeron la pregunta con la cadencia plana de una oración afirmativa.
• Número de teléfono: Piper lo agrupó como una única cifra numérica millonaria continua. Eleven v4 optó por una lectura dígito a dígito adecuada.

Tabla comparativa: precios, idiomas, licencia y latencia

La latencia refleja el lapso transcurrido desde la petición hasta la primera muestra de audio (en servicios en tiempo real) o hasta el archivo renderizado definitivo (en herramientas locales). Medición realizada el 8 de octubre de 2026 mediante una llamada por modelo, por lo que sirve de referencia práctica más que de benchmark formal.

Precios oficiales en USD convertidos a EUR según el tipo de cambio oficial del Banco Central Europeo de 1 EUR = 1,1181 USD (12/10/2026, fuente: https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml). Tarifas de Azure calculadas según referencias públicas del servicio comercial.

Rendimiento en local sobre RTX 4090

XTTS genera el ritmo de elocución más pausado (53 segundos frente a los 35-43 segundos del resto) con cierto acento marcado, pero resuelve términos complejos con solidez notable. Chatterbox necesita que el texto esté previamente despojado de dígitos numéricos: ante fechas o cifras en formato estándar produce balbuceos ininteligibles. Piper puede ejecutarse en ordenadores muy modestos sin tarjeta gráfica, si bien su entonación recuerda a los sintetizadores clásicos de hace una década. Encontrarás más detalles de configuración en nuestra guía sobre IA local.

Por qué no aparece Gemini TTS

Gemini 3.8 Flash TTS y 3.1 Flash TTS demostraron un nivel sobresaliente en mi comparativa previa (3.1 Flash TTS obtuvo pleno de aciertos). En esta ronda no estuvieron disponibles porque OpenRouter no incorporaba terminales de audio para Gemini y la vía de acceso utilizada anteriormente requería recarga de saldo específica. No compensaba abrir una cuenta aislada solo para un clip. Se incorporará al test interactivo tan pronto como se restablezca la conexión.

Cuál elegir según tu caso de uso

• Narración audiovisual, podcasts y spots: ElevenLabs Eleven v4. Fue el único en evitar cualquier fallo fonético y mantuvo la cadencia más orgánica. Revisa todos los ajustes en la guía de ElevenLabs.
• Agentes conversacionales e interacción en vivo: GPT Audio ofrece la menor latencia de respuesta (0,8 segundos) y excelente interpretación de signos, aunque conviene auditar la lectura de precios. La variante Mini reduce drásticamente el coste por token, aunque puede saltarse fragmentos oracionales en textos densos.
• Uso personal gratuito, notas y lectura de documentos: Edge TTS proporciona un nivel razonable sin coste, siempre que transcribas cifras y fechas a palabras antes de sintetizar. El despliegue comercial exige Azure formal.
• Privacidad estricta y ejecución offline: XTTS v2 para proyectos no comerciales, o Chatterbox con licencia MIT si necesitas explotación económica y preparas previamente el texto sin dígitos brutos.
• Equipos sin tarjeta gráfica dedicada: Piper funciona de forma solvente sobre CPU y garantiza independencia absoluta de la nube.

Preguntas frecuentes

Cual es el sintetizador de voz IA mas preciso actualmente?

En este examen directo, Eleven v4 de ElevenLabs se colocó a la cabeza logrando 15 de 15 puntos de evaluación y el timbre más natural. En nuestra comparativa general de 14 arquitecturas, empata en la primera posición con Gemini 3.1 Flash TTS.

Existen alternativas gratuitas de locucion IA de calidad?

Sí: Edge TTS ofrece perfiles sintéticos solventes sin coste directo, y en el entorno local destacan Piper, XTTS v2 y Chatterbox. Edge TTS no constituye una API oficial con derechos comerciales; si necesitas explotación empresarial sin costes de servidor, Chatterbox y Piper cuentan con licencias abiertas compatibles.

Que motor maneja mejor las cifras, horas y fechas complejas?

Eleven v4 mostró la capacidad superior para contextualizar números sin apoyo previo. Los demás modelos tienden a interpretar los decimales como palabras literales sueltas («coma») o a declinar incorrectamente los ordinales. La solución práctica en modelos económicos consiste en expandir siempre las cifras a letras en el texto de entrada.

Es legal emplear estas voces sinteticas con fines comerciales?

Depende de cada proveedor: ElevenLabs lo autoriza en suscripciones de pago; OpenAI lo permite exigiendo la declaración de que la voz es artificial; Chatterbox opera bajo MIT permitiendo uso mercantil; XTTS v2 está restringido por Coqui a fines no comerciales; y Edge TTS carece de habilitación comercial, debiendo contratarse a través de Microsoft Azure Speech.

Cuanto cuesta generar un minuto de audio con IA?

Un minuto de discurso continuo ronda entre 700 y 900 caracteres. En Eleven v4 el coste ronda entre 0,05 EUR y 0,06 EUR (0,06-0,07 USD) por minuto según tramo tarifario; en GPT Audio Mini supone una fracción de céntimo, y en soluciones locales únicamente el gasto eléctrico del hardware.

Como se han tomado las mediciones?

Todas las pistas se capturaron el 8 de octubre de 2026 empleando el mismo texto sin edición posterior. Las llamadas en la nube se gestionaron vía API oficial o agregador, y los modelos locales corrieron sobre Windows 11 con una GPU NVIDIA GeForce RTX 4090 de 24 GB de VRAM.

// sigue leyendoMejor voz IA: comparativa y ranking de 14 modelos TTSBenchmarksGeneradores de imágenes IA: comparativa de 11 modelosBenchmarks¿Cuánto cuesta un segundo de vídeo con IA? Comparativa de 16 modelosBenchmarks

Kinetyra

El enlace a ElevenLabs es un enlace de afiliado: si compras a través de él, FULGOR recibe una comisión y tú pagas el mismo precio. No influye en el contenido, tampoco en las partes críticas.