Precios de modelos de texto a voz comparados
Todas las voces con las que BibiGPT puede narrar, con precio por millón de caracteres y una muestra oficial para escuchar. Los modelos que cobran por token se convierten a unos 15 caracteres por segundo de habla.
Precios verificados el 2026-10-26. Son precios de lista del proveedor, no los precios de BibiGPT.
| Modelo | Escuchar | por 1M de caracteres | 1M de caracteres | Precio de lista | Puntos fuertes | En BibiGPT |
|---|---|---|---|---|---|---|
Kokoro-82M (en el navegador) Código abierto · en el dispositivo kokoro-jsGratis; el texto se queda en el navegador. Los idiomas no soportados recurren a la voz del sistema. | $0 | $0 | Gratis (se ejecuta en tu navegador, descarga única de ~86MB) | zh/en/ja Baja latencia | En el dispositivo Lectura en voz alta en el navegador | |
Qwen-Audio-3.1 TTS FlashMás barato Alibaba Qwen qwen-audio-3.1-tts-flash3.1 pasó a cobrar por tokens; BibiGPT sigue usando 3.0 Flash. | $2.87Est. | $2.87 | ¥1.5 de entrada / ¥12 de salida por 1M de tokens (región de Pekín) | zh/en + voces con dialecto Diseño de voz | No está en BibiGPT | |
xAI TTS xAI (alojado en fal) xai/tts/v1La opción por carácter más barata que usamos. | $15 | $15 | $0.015 por 1K caracteres | Multilingüe, chino bajo petición Baja latencia | En BibiGPT | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen (OpenRouter) qwen/qwen-audio-3.0-tts-flashNarración en chino barata y estable. | $15 | $15 | $15 por 1M de caracteres (OpenRouter); sitio de China ¥1 por 10K caracteres, un carácter chino cuenta como 2 | zh/en + voces con dialecto | En BibiGPT | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proSe cobra por byte: $15 por millón de caracteres en inglés, unos $45 por millón de caracteres en chino. Buena clonación de voz. | $15 | $15 | $15 por 1M de bytes UTF-8 (un carácter chino son unos 3 bytes) | Más de 80 idiomas Clonación de vozEtiquetas expresivas | En BibiGPT | |
Voz de HeyGen HeyGen (OpenRouter) heygen/heygen-voice-1Lee chino e inglés; la voz por defecto es Nadine. | $15 | $15 | $15 por 1M de caracteres (OpenRouter; nivel turbo $4) | Multilingüe | En BibiGPT | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-ttsVoz de narración por defecto. Varios hablantes en una sola llamada; el tono se guía con indicaciones en lenguaje natural. | $15.1Est. | $15.1 | $0.50 de texto de entrada / $9 de audio de salida por 1M de tokens (se duplica a $1 / $18 desde 2027) | Más de 80 idiomas Varios hablantesEtiquetas expresivas | En BibiGPT | |
GPT-4o mini TTS OpenAI gpt-4o-mini-ttsEl tono se puede guiar con instrucciones; el chino tiene un ligero acento. | $16.2Est. | $16.2 | $0.60 de texto de entrada / $12 de audio de salida por 1M de tokens (unos $0.015/minuto) | Multilingüe Etiquetas expresivas | No está en BibiGPT | |
DeepSeek POST /v1/tools/ttsSolo dos voces (Stella, Tide), sin control de velocidad ni emoción. En nuestra prueba, unos 1 s hasta el primer audio y ~5× tiempo real. El chino cuenta doble, así que sale a unos 45 $ por millón de caracteres chinos. | Sin muestra oficial | $22.5 | $22.5 | 0,45 $ por 10.000 caracteres (50 % de descuento por tiempo limitado: 0,225 $); un carácter chino cuenta como 2 | Mandarín, cantonés, inglés, japonés, coreano y 5 más Baja latencia | En BibiGPT |
Deepgram Aura-2 Deepgram aura-2TTS en inglés de baja latencia pensado para agentes de voz. | $30 | $30 | $0.030 por 1K caracteres | Inglés y algunos más Baja latencia | No está en BibiGPT | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo~75–100 ms hasta el primer audio. Elígelo en el menú de modelos de ElevenLabs al narrar. | Sin muestra oficial | $40 | $40 | $0.04 por 1K caracteres | 32 idiomas (v4 Turbo: más de 90) Clonación de vozBaja latencia | En BibiGPT |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3El nivel más expresivo; la calidad en chino depende de la voz. | $80 | $80 | $0.08 por 1K caracteres | Más de 70 idiomas Clonación de vozEtiquetas expresivasVarios hablantes | En BibiGPT | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hdLa entonación más natural en chino; el nivel Turbo cuesta $60 por millón de caracteres. | $100 | $100 | $100 por 1M de caracteres (internacional); sitio de China ¥3.5 por 10K caracteres, un carácter chino cuenta como 2 | 40 idiomas, mejor en chino Clonación de vozDiseño de vozEtiquetas expresivas | En BibiGPT | |
Seed Audio 1.0 ByteDance Seed (alojado en fal) bytedance/seed-audio-1.0Se cobra por minuto de audio. Describe la voz en una frase; no hace falta un clip de referencia. | $208Est. | $208 | $0.1875 por minuto de audio (fal); Volcengine China ¥1/minuto | Chino, inglés Diseño de voz | En BibiGPT | |
MiMo V2 TTS Xiaomi mimo-v2-ttsChino hablado natural. | Por definir | — | No publicado (la página oficial de precios solo lista v2.5 TTS como gratis por tiempo limitado) | Chino, inglés Etiquetas expresivas | En BibiGPT |
- TTS de Gemini / Qwen con cobro por token: 25 tokens de audio por segundo, unos 15 caracteres por segundo de habla.
- El texto en chino suele cobrarse por carácter; algunos proveedores cuentan un carácter chino como 2. Lo que cuenta es tu factura.
- CNY ↔ USD a 7.1.
Preguntas frecuentes
¿Qué modelo de transcripción es el más barato?
En nuestras muestras, la transcripción de archivos con Qwen-Audio-3.1 salió en unos ¥0.075–0.10 por hora, por debajo de StepAudio 2.5 (¥0.15/h) y Paraformer v2 (¥0.288/h). Los modelos en el dispositivo de la app de escritorio Bibi Local no cuestan nada.
¿Qué diferencia hay entre STT, en vivo y TTS?
STT convierte una grabación terminada en texto y se cobra por hora de audio. Los modelos en vivo hacen lo mismo mientras hablas, o te responden con voz, y cuestan más. TTS va en sentido contrario: entra texto, sale voz, y suele cobrarse por carácter.
¿Por qué algunos precios llevan la marca “Est.”?
Esos modelos cobran por tokens, no por minutos. Convertimos con las densidades de tokens indicadas bajo la tabla; tu factura real varía con la velocidad del habla y el idioma.
¿Puedo usar estos modelos en BibiGPT?
Los modelos marcados “En BibiGPT” están cubiertos por la membresía. Los de “tu clave” se pueden elegir una vez que pegas tu propia clave de API. Los modelos “En el dispositivo” funcionan gratis en la app de escritorio Bibi Local. Las filas “No está en BibiGPT” se listan solo como referencia.
Escucha estas voces con tu propio contenido
Convierte un resumen en un video de imágenes narrado en BibiGPT y elige allí el motor de voz.