Azure Text to Speech cobra por carácter: 15 $ por millón de caracteres con voces neuronales predefinidas y 500.000 caracteres gratis al mes en el nivel gratuito. Quien busca el precio de Azure suele estar decidiendo qué tipo de voz usar, si le basta el nivel gratuito o si debe cambiar de proveedor. Esta página cubre las dos cosas: primero los precios actuales, el nivel gratuito y el acceso a voces personalizadas de Azure, y después 10 alternativas y qué comprobar antes de cambiar.
Precios y nivel gratuito de Azure Text to Speech
Precios de pago por uso en la región US East, según la página de precios de Azure Speech y los precios minoristas de Azure de Microsoft, consultados el 5 de octubre de 2026:
| Tipo de voz | Precio por 1M de caracteres | Nivel gratuito (F0) al mes |
|---|---|---|
| Neuronal (voces predefinidas) | 15 $ | 500K caracteres |
| Neural HD | 22 $ | No incluido |
| Voz personalizada (profesional), neuronal | 24 $ | No incluido |
| Voz personalizada (profesional), HD | 48 $ | No incluido |
| Audio largo (por lotes, neuronal predefinida) | 100 $ | No incluido |
Algunas cosas que la tabla no muestra:
- El nivel gratuito no caduca, pero es pequeño. 500.000 caracteres son unas 11 horas de voz al mes a un ritmo normal, suficiente para un prototipo. Además, los recursos gratuitos están limitados a 20 solicitudes por minuto, frente a 30 por segundo en Standard (cuotas de Azure Speech).
- Las voces personalizadas cuestan más que la síntesis. El entrenamiento de una voz profesional se factura a 52 $ por hora de cómputo, y cada endpoint de voz personalizada desplegado cuesta 4,03 $ por hora mientras esté alojado, hable o no.
- La voz personalizada requiere aprobación. La voz profesional y la voz personal son de acceso limitado: se solicitan mediante el formulario de Microsoft y la persona que presta la voz graba una declaración de consentimiento antes del entrenamiento.
- El volumen alto tiene descuento. Los niveles de compromiso empiezan en 960 $ al mes por 80 millones de caracteres neuronales, es decir, 12 $ por millón, con tarifas más bajas a partir de 400 millones y 2.000 millones de caracteres.
- Los precios varían por región. Las cifras anteriores son de US East; revisa la página de precios para la región donde se ejecuta tu recurso.
Las voces neuronales predefinidas de Azure tienen un precio competitivo y, si ya trabajas en Azure, la integración de identidad y facturación tiene su valor. Normalmente se buscan alternativas por tres motivos: hace falta menos latencia para una conversación en directo, hace falta una voz clonada sin proceso de aprobación o hacen falta voces que suenen más naturales con tus propios guiones.
Una migración de texto a voz desde Azure empieza por la voz, la región y los controles de habla que usa tu aplicación. Compara las alternativas según esos requisitos antes de comparar precios de suscripción.
Qué comparar
Los servicios de voz de Azure encajan con equipos que ya gestionan recursos de Azure. Cartesia proporciona Sonic mediante su propia API. Cambiar de proveedor cambia la autenticación y la gestión de solicitudes. El acceso a voces personalizadas requiere su propia revisión.
Las siguientes opciones resuelven tareas distintas; no son una clasificación de rendimiento. Comprueba la disponibilidad, las funciones y las condiciones actuales de cada proveedor antes de comprometerte.
Las alternativas de un vistazo
| Producto | Para qué evaluarlo | Qué comprobar antes de elegir |
|---|---|---|
| Cartesia | Habla para aplicaciones de voz | Requisitos de modelo, idioma e integración |
| Speechify | Lectura de documentos en voz alta | Plan de aplicación de lectura, estudio o API |
| Amazon Polly | TTS en aplicaciones de AWS | Motor de voz, región y controles compatibles |
| Google Cloud Text-to-Speech | TTS en aplicaciones de Google Cloud | Funciones y cuotas específicas de cada voz |
| IBM Watson Text to Speech | Integración de API de TTS | Idiomas, controles y límites del servicio |
| Murf AI | Locuciones a partir de guiones | Controles de edición y derechos de exportación |
| ElevenLabs | Generación de voz y doblaje | Elección de modelo y límites de uso |
| PlayHT | Flujos TTS existentes | Disponibilidad actual del servicio y la API |
| WellSaid Labs | Locuciones empresariales | Flujo de trabajo del equipo y cobertura de idiomas |
| Synthesia | Vídeos con presentadores de IA | Requisitos de avatares y exportaciones de vídeo |
Cartesia
Desarrollamos Sonic, un modelo de texto a voz para aplicaciones de voz. Puedes transmitir el audio generado, seleccionar una voz o clonar voces a partir de grabaciones que tengas permiso para usar. Prueba tu propio texto en el entorno de pruebas antes de integrar la API.
Un agente de voz completo también necesita reconocimiento de voz y gestión de conversaciones. Ink es nuestro modelo de voz a texto y Managed Agents, nuestra herramienta para crear agentes de voz. Sonic por sí solo no escucha a quienes llaman ni decide qué decir.
Comprueba la cobertura de idiomas, los requisitos de la API y los precios del modelo y el plan que quieras usar. Mide el tiempo de respuesta en tu aplicación. El recorrido por la red y los búferes de reproducción influyen en lo que oye el usuario.
Speechify
Speechify ofrece aplicaciones de lectura que convierten documentos y páginas web en audio. Si quieres escuchar texto existente, empieza por ese flujo. Evalúa por separado sus productos de lectura, estudio y API. Tener acceso a uno no indica qué incluye otro.
Amazon Polly
Amazon Polly es el servicio de texto a voz de AWS. Conviene evaluarlo si tu aplicación ya usa la identidad y la facturación de AWS. Los motores de voz difieren en cobertura de idiomas y controles compatibles. Comprueba el motor que desplegarás en lugar de la lista de funciones de todo el servicio.
Google Cloud Text-to-Speech
Google Cloud Text-to-Speech proporciona síntesis de voz mediante las API de Google Cloud. En una aplicación que ya usa Google Cloud, la integración de cuentas y facturación puede facilitar su adopción. Confirma que la voz elegida admite el idioma, el comportamiento en streaming y los controles de habla que necesita tu aplicación.
IBM Watson Text to Speech
IBM Watson Text to Speech es una API para generar voz a partir de texto. Inclúyela si comparas servicios de voz para un despliegue basado en IBM. Verifica los idiomas compatibles y los controles de pronunciación. Después prueba los formatos de salida y los límites del servicio con tu aplicación.
Murf AI
Murf AI tiene un editor de locuciones para trabajar con guiones y sincronizar la narración con contenido multimedia. Considéralo para materiales de formación y presentaciones grabadas. Prueba cuánta edición necesita tu guion y comprueba si el plan incluye las exportaciones y el acceso de equipo que necesitas.
ElevenLabs
ElevenLabs ofrece herramientas de texto a voz, clonación de voz y doblaje, además de productos para aplicaciones conversacionales. Compara el modelo y el endpoint concretos que desplegarías. Prueba la pronunciación y el tiempo de respuesta con tus propios guiones en vez de tratar todos los modelos como intercambiables.
PlayHT
PlayHT se ha usado para generar voz e integrar API de TTS. Antes de desarrollar una solución que dependa de él, confirma con el proveedor la disponibilidad actual del servicio, el acceso a la API y el soporte. Si migras una integración existente, guarda los guiones y ajustes de voz que necesitas para las pruebas comparativas.
WellSaid Labs
WellSaid Labs se centra en producir locuciones para contenido empresarial, como formación y comunicaciones internas. Evalúa cómo revisa tu equipo los guiones y gestiona los cambios de pronunciación. Comprueba la cobertura de idiomas y el acceso a la API del plan que quieras usar.
Synthesia
Synthesia crea vídeos con presentadores de IA y narración. Evalúalo cuando el resultado final necesite un presentador en pantalla. Para productos de solo audio, comprueba si una API de voz te evitaría pagar por funciones de vídeo que no usas.
Prueba antes de cambiar
Enumera las etiquetas SSML y las reglas de pronunciación de tus solicitudes actuales. Comprueba sus equivalentes en la nueva API y prueba después la codificación de audio en tu cliente telefónico o de navegador. Mide la latencia desde las regiones donde se conectan tus usuarios, incluido el pico de tráfico simultáneo.
Compara costes según tu uso previsto y las funciones que necesitas. Incluye reintentos, audio regenerado, límites de concurrencia y derechos comerciales. Un precio inicial bajo no es una estimación de tu carga de trabajo.