Última actualización: 2026-06-22

Qué es el coste de la síntesis de voz

El coste de síntesis de voz de una API de texto a voz es el precio que se cobra por convertir texto escrito en audio hablado, calculado a partir del número de caracteres de entrada y de la tarifa por millón de caracteres publicada por el proveedor. Quien produce locuciones, borradores de audiolibros, narración para accesibilidad o respuestas habladas de un asistente necesita esta cifra, porque la síntesis se mide por caracteres del texto de entrada y no por la duración del audio que se genera.

Cómo se factura la síntesis

Los proveedores de texto a voz cuentan los caracteres del texto que se envía —letras, espacios y signos de puntuación, todo incluido— y facturan por cada millón de caracteres. Es la imagen invertida de la transcripción, que factura por duración del audio. También difiere de los modelos de lenguaje de texto, que facturan por tokens. Como un solo carácter cuesta una fracción ínfima de céntimo, los proveedores publican la tarifa por millón de caracteres para mantener una cifra de referencia legible.

La fórmula

Con $n$ caracteres de entrada a un precio $p$ por millón de caracteres, el coste es

La división entre $10^6$ convierte la tarifa por millón en una tarifa por carácter antes de multiplicar por el número de caracteres. La relación es lineal: duplicar el texto duplica el coste.

Ejemplo resuelto

Considérese un guion de narración de 8,400 caracteres sintetizado a $15 por millón de caracteres, una tarifa publicada para un nivel de voz de mayor calidad. El coste es

de modo que dar voz al guion cuesta unos trece céntimos. El borrador de un audiolibro de 50,000 palabras —unos 300,000 caracteres— costaría alrededor de $4.50 a la misma tarifa, lo que hace que la síntesis resulte práctica para iterar sobre narraciones extensas.

Notas y variaciones

La tarifa depende del nivel de voz. Un nivel estándar cuesta menos por carácter que un nivel de alta fidelidad que produce una prosodia más natural, así que conviene fijar la tarifa al nivel que se vaya a utilizar. Algunos proveedores cuentan un carácter multibyte como un solo carácter y otros cuentan sus bytes, lo que importa en escrituras no latinas; conviene comprobar la regla de recuento antes de presupuestar en esos idiomas. Volver a sintetizar el mismo texto tras una edición se factura de nuevo por el número completo de caracteres.

Aplicación

El coste por guion es el elemento básico de los presupuestos de narración: multiplíquelo por el número de guiones para estimar el gasto recurrente. Para el sentido inverso —transcribir audio en texto en lugar de sintetizarlo— consulte la Calculadora de coste de transcripción de audio. Cuando la síntesis se combina con un modelo de lenguaje que redacta el texto, el lado del prompt y la respuesta lo cubre el Calculadora de coste de tokens.