El conversor de texto a voz con IA transforma texto escrito en audio hablado expresivo a través de 7 modelos de calidad de producción: xAI, MiniMax, Inworld y Qwen3 de Alibaba (con clonación de voz). La elección del modelo lo decide casi todo: cada uno trae su propio catálogo de voces, idiomas, límite de caracteres y tarifa por cada 1.000 caracteres. La primera diferencia audible suele ser la entonación más que el acento.
Cómo elegir el modelo
Modelos generales
- xAI TTS — 6 voces, 20+ idiomas, etiquetas en línea
<pause>y<emphasis> - Inworld TTS 2 — modelo conversacional pensado para interacción por voz en tiempo real; esta herramienta ofrece sus voces en inglés
- Inworld Max / Mini — 75 voces nombradas; Mini es más barato y rápido
Modelos especializados
- MiniMax Speech 2.8 — 300+ voces, refuerzo de idioma para fijar el idioma de salida
- Qwen3 CustomVoice — 9 voces preestablecidas con control de estilo
- Qwen3 Base — clonación de voz a partir de un fragmento de 3 segundos
Clonación de voz con Qwen3 Base
Qwen3 Base necesita un fragmento de referencia de 3 a 30 segundos. Dos modos de operación:
Modo ICL (con transcripción)
Aporta el clip de audio y la transcripción exacta de lo que se dice. Mayor similitud y prosodia más natural. Recomendado en producción cuando el clip está limpio y tienes el guion a mano.
Modo x-vector (solo audio)
Deja la transcripción vacía. El modelo usa solo la incrustación del hablante: configuración más rápida, pero la clonación es menos fiel y puede desviarse en salidas largas. Útil para pruebas rápidas.
Etiquetas en línea útiles
xAI TTS respeta etiquetas dentro del texto, por ejemplo:
Welcome to the observatory. <pause time="600ms"/> The comet streaks across the sky like a silver flame, <emphasis level="strong">brilliant</emphasis> and brief.
Qué impulsa la factura
Todos los modelos TTS del catálogo cobran por cada 1.000 caracteres de entrada. La etiqueta de precio en el selector es la tarifa por 1.000 caracteres y el coste total escala linealmente con la longitud del texto. Implicaciones prácticas:
- Con el mismo modelo, un capítulo de 20.000 caracteres cuesta unas 20 veces lo que un párrafo de 1.000
- La reserva de créditos se dimensiona con la longitud del texto enviado y el cobro final coincide con lo que el proveedor facture
Formato y descarga
El botón de descarga de cada resultado respeta el formato seleccionado (MP3, WAV, FLAC u OGG) y etiqueta el nombre del archivo en consecuencia. El historial recuerda el formato con el que se generó cada clip, así que volver a descargar uno antiguo no cambia silenciosamente la extensión.