Google y Alibaba desatan una guerra de precios en la voz con IA
El mismo día, dos de las compañías más grandes del mundo movieron el precio de la voz con IA en direcciones que se refuerzan. Google lanzó modelos de síntesis con más de dos mil voces y más de cien idiomas, con español mexicano nombrado explícitamente. Alibaba recortó sus tarifas de audio hasta un 95%.
La voz con IA que lanzó Google
Además, no es un ajuste menor de catálogo. Son dos modelos: Gemini 3.8 Flash TTS, orientado a dirección creativa, y Gemini 3.8 Flash-Lite TTS, pensado para volumen alto y costo bajo.
El salto en catálogo es grande: de 30 voces en la generación anterior a más de 2.000 voces listas para producción, con soporte de más de 100 idiomas y variantes regionales. La compañía nombra el español mexicano, el francés de Quebec y el inglés de Escocia, que es justo el tipo de detalle que decide si una locución suena local o suena a doblaje neutro.
La replicación de voz necesita una muestra de 30 segundos y exige consentimiento verbal del dueño de la voz, verificable contra el hablante de referencia. Todo el audio generado lleva marca de agua SynthID. Hay una restricción geográfica que conviene conocer: la replicación de voz no está disponible en Illinois, Texas, el Espacio Económico Europeo, Reino Unido, Suiza ni India.
Están disponibles hoy en la API de Gemini y en Google AI Studio; la versión empresarial llega después.
Lo que hizo Alibaba con el precio
Por su parte, Qwen-Audio 3.1 llegó con cinco modelos: ASR y ASR-Next para entender audio, TTS y TTS-Next para generarlo, y un modelo Realtime para conversación.
Sin embargo, los recortes de precio son el titular: alrededor de 70% en síntesis de voz, cerca de 85% en el modelo de tiempo real y hasta 95% en reconocimiento de voz.
En capacidades, ASR-Next suma identificación de varios hablantes con marcas de tiempo y detecta emociones y sonidos de ambiente. TTS-Next genera voz, efectos de sonido y audio de fondo en una sola pasada. Y el modelo Realtime permite hablar y escuchar a la vez, con interrupción inmediata.
Conviene una advertencia de método: circulan precios absolutos por millón de tokens que no aparecen en la documentación oficial. Los porcentajes de recorte sí están confirmados; las cifras exactas hay que verificarlas en el sitio de Qwen antes de meterlas en una cotización.
Qué significa para América Latina
El acento dejó de ser un lujo. Durante tres años, quien quería una locución en español para Colombia o México se conformaba con una voz neutra que sonaba a nadie. Que Google nombre el español mexicano entre sus variantes es la señal de que los dialectos empiezan a ser una casilla de producto y no un caso especial. Por eso la prueba que hay que hacer es concreta: generar treinta segundos de voz con IA usando tu propio guion y oírlo con alguien de tu público.
Los BPO y los call centers son los más expuestos. Colombia tiene una industria grande de tercerización de servicios que vive de atender en español desde acá. Un modelo que escucha, entiende emoción y responde en tiempo real, a un precio 85% menor que hace una semana, cambia la conversación con cualquier cliente que negocie tarifas.
Y baja el piso para producir contenido en audio. Audiolibros, pódcast, doblaje de video corporativo, mensajes de voz automatizados: todo eso tenía un costo de entrada que acaba de caer. La barrera se mueve de «cuánto cuesta» a «qué tan bueno es tu guion», que es una competencia mucho más abierta.
Cómo leer esta guerra de precios en la voz con IA
Ahora bien, dos movimientos el mismo día no son casualidad. El mercado de voz estaba dominado por compañías especializadas que cobraban una prima por calidad, y dos gigantes acaban de atacarlo por los dos flancos: uno por catálogo y control creativo, otro por precio.
Para quien compra, la conclusión práctica es no firmar nada a largo plazo. Un estudio reciente calcula que el costo de alcanzar un nivel dado de desempeño en inteligencia artificial cae cerca de la mitad cada trimestre. Si eso se sostiene en voz, el precio de hoy es el techo, no el piso.
Ahora bien, hay algo que el precio no resuelve. La replicación de voz con consentimiento verificado y la marca de agua no son detalles legales: son lo que separa una herramienta que puedes usar con un cliente de una que te mete en un problema. Antes de elegir por tarifa, vale la pena revisar qué exige cada proveedor para clonar una voz y qué deja demostrado por escrito.
Sitios oficiales:
Anuncio de Google ·
Qwen
Reportado por: SiliconANGLE — The Decoder — MarkTechPost
Lee también:
Cómo hacer un audiolibro con IA
Tencent lanza Hy Image 3.5 a US$0,024 por imagen
