¿Creas un audiolibro, una voz de compañía o diálogos de juego para adultos? Esta página explica cuáles de los nueve modelos de texto a voz sin censura de SpicyAPI leen tu guion tal como está, interpretan respiraciones y gemidos, y cuánto cuesta un minuto terminado, según nuestras pruebas de septiembre de 2026.
En resumen: los nueve leyeron completos los guiones explícitos de prueba, sin rechazos, clips interrumpidos ni palabras suavizadas. La elección depende de las indicaciones, las voces, el soporte de dos hablantes y de clonación, y la unidad de facturación. Empieza con Gemini 3.8 Flash TTS para interpretar indicaciones entre corchetes, con Gemini 3.8 Flash-Lite TTS o Grok TTS para el menor precio por minuto terminado, unos $0.013 y $0.015, y con Chatterbox únicamente para imitar una voz que tengas autorización para usar.
La comparación
| Modelo | Voces | Idiomas | Cómo dirigirlo | Indicaciones en el texto | Dos voces | Referencia de voz | Texto máximo | Facturación y precio |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Pro TTS | 30 | Detección automática | style, accent, pace, scene, instructions | Corchetes como [sighs], interpretados | Sí | No | 5.000 | Por segundo, $0.00045 |
| Gemini 3.8 Flash TTS | 30 | 130+, automático | Los mismos cinco campos | Corchetes, interpretados normalmente | Sí | No | 5.000 | Por segundo, $0.00032 |
| Gemini 3.8 Flash-Lite TTS | 30 | 100+, automático | Los mismos cinco campos | A veces lee los corchetes; escribe los sonidos como palabras | Sí | No | 5.000 | Por segundo, $0.00021 |
| Grok TTS | 71 | Automático o 20 códigos | speed 0.7–1.5, etiquetas | [laugh], [pause], etiquetas de respiración y envolventes como <whisper> | No | No | 15.000 | Por 1.000 caracteres, $0.018 |
| MiniMax Speech 2.8 Turbo | 472 | 40 más automático | 7 valores de emotion, speed, pitch, volume | Paréntesis (sighs), (breath) | No | No | 5.000 | Por 1.000 caracteres, $0.072 |
| MiniMax Speech 2.8 HD | 472 | 40 más automático | Igual que Turbo | Igual que Turbo | No | No | 5.000 | Por 1.000 caracteres, $0.12 |
| Seed Speech 2.0 | 41 | 10, incluido chino | Nota en instructions, speed, pitch, volume | Sin etiquetas; describe la interpretación en instructions | No | No | 5.000 | Por 1.000 caracteres, $0.072 |
| Qwen3 TTS | 9, incluidas voces de los dialectos de Pekín y Sichuan | 10, incluido chino | Nota en instructions | Sin etiquetas; describe la interpretación en instructions | No | No | 2.000 | Por 1.000 caracteres, $0.068, mínimo de 100 caracteres |
| Chatterbox | 1 integrada | Solo inglés | exaggeration, temperature, guidance_scale | Lee las etiquetas; escribe los sonidos como palabras | No | Sí, clip MP3 o WAV | 1.000 | Tarifa fija por solicitud, $0.036 |
Gemini 2.5 Pro TTS cuesta un 10% menos que la tarifa de lista de Google. Google indica más de 130 idiomas para Flash y más de 100 para Flash-Lite en su documentación de generación de voz. Gemini y Chatterbox generan WAV mono de 24 kHz; los demás, MP3 por defecto. SpicyAPI no añade un filtro de contenido propio, y las solicitudes fallidas no se cobran.
Cómo obtener gemidos, respiraciones y susurros con cada modelo
En un guion con muchas indicaciones, Gemini 2.5 Pro, Gemini 3.8 Flash, Grok y MiniMax interpretan sus etiquetas sin pronunciarlas en la mayoría de las tomas. Gemini 3.8 Flash-Lite a veces lee las palabras de las etiquetas y Chatterbox lo hace siempre; escribe allí los sonidos como palabras.
La forma de escribir el sonido depende del modelo:
- Gemini 2.5 Pro y 3.8 Flash: coloca indicaciones como
[whispering],[sighs]o[laughing]justo antes de las palabras que modifican. El ritmo, el acento y el tono emocional van en campos separados que no se leen. - Gemini 3.8 Flash-Lite: evita corchetes en el guion. Escribe el sonido como palabra ("Mmm…", "ahh…", "ha…") y el tono emocional en
instructions. Si importa interpretar las indicaciones, usa Flash. - Grok TTS: usa etiquetas en línea como
[pause],[laugh]y las de respiración, y etiquetas envolventes como<whisper>…</whisper>para frases enteras. La guía de etiquetas de voz de xAI dice que combinar etiquetas con puntuación suena más natural que apilarlas. - MiniMax Speech 2.8: coloca etiquetas entre paréntesis como
(breath),(pant)o(gasps)donde deba sonar el efecto. Elige un valor deemotionpor solicitud y divide la escena si cambia el tono emocional. - Chatterbox: lee las etiquetas en voz alta. Escribe el sonido como palabra y aumenta
exaggerationpara frases dramáticas; bajaguidance_scalesi la lectura va demasiado deprisa. - Seed Speech 2.0 y Qwen3 TTS: sin etiquetas. Describe la interpretación en
instructions("breathless, close to the microphone") y escribe los sonidos como palabras.
Qué modelo para cada tarea
Indicaciones interpretadas con dirección precisa. Gemini 3.8 Flash TTS y Gemini 2.5 Pro TTS comparten campos e interpretan indicaciones entre corchetes. Flash cuesta menos por segundo y documenta 130+ idiomas. Busca otro modelo si necesitas una referencia de voz o una solicitud larga. Ajustes: flujo de narración, prueba de 2.5 Pro.
Narración sencilla al menor precio. Gemini 3.8 Flash-Lite TTS y Grok TTS. Lite cobra por el audio devuelto, así que una lectura lenta cuesta más. Grok cobra por los caracteres del guion y acepta un capítulo entero en una solicitud. Grok es de un solo hablante; usa Lite para narración sencilla con dos hablantes mediante sus campos dialogue y speakers.
Muchas voces y control emocional. MiniMax Speech 2.8. Turbo cuesta un 40% menos que HD, así que pruébalo primero; consulta HD frente a Turbo. Si necesitas una referencia de voz, busca otro modelo: ninguno la acepta.
Personajes multilingües o que hablan chino. Seed Speech 2.0 acepta instructions en lenguaje natural (flujo de diálogo). Qwen3 TTS añade voces de los dialectos de Pekín y Sichuan, pero limita el texto a 2.000 caracteres (guía de hablantes).
Una voz que aportas tú. Chatterbox acepta un clip de referencia opcional MP3 o WAV y la lectura adopta su timbre; funcionan mejor unos segundos de una sola voz limpia. Usa únicamente voces que tengas derecho a utilizar. Consulta la guía de referencias de voz. Solo admite inglés; para otros idiomas busca otro modelo. La API de Google enumera replicación de voz para Gemini 3.8, pero las tareas de SpicyAPI no exponen un campo de referencia.
Cuánto cuesta
Las unidades de facturación difieren. Aquí comparamos un párrafo de ~270 caracteres y un capítulo de aproximadamente diez minutos.
| Modelo | Duración típica del clip | Coste de un párrafo | Coste aproximado de 10 minutos de audio |
|---|---|---|---|
| Gemini 2.5 Pro TTS | 23–29 s | $0.010–0.013 | unos $0.27 |
| Gemini 3.8 Flash TTS | 20–24 s | $0.006–0.008 | unos $0.19 |
| Gemini 3.8 Flash-Lite TTS | 22–26 s | unos $0.005 | unos $0.13 |
| Grok TTS | unos 19 s | $0.005 | unos $0.15 |
| MiniMax Speech 2.8 Turbo | 20–22 s | $0.019 | unos $0.56 |
| MiniMax Speech 2.8 HD | 20–22 s | $0.032 | unos $0.93 |
| Seed Speech 2.0 | unos 25 s | $0.019 | unos $0.47 |
| Qwen3 TTS | unos 24 s | $0.018 | unos $0.46, en cuatro solicitudes |
| Chatterbox | unos 15 s | $0.036 fijos | unos $0.40 en once solicitudes de 1.000 caracteres, unos $0.79 si divides en bloques de 500 caracteres |
Las cifras de diez minutos se ajustan al ritmo de cada modelo, así que una lectura más lenta cuesta más en Gemini, que cobra por segundo. Seed, Qwen3, Grok y MiniMax cobran por el guion enviado, incluidas las etiquetas: el precio previo a la ejecución es el definitivo. Chatterbox cuesta $0.036 con cualquier duración de clip por debajo de 1.000 caracteres.
Límites comunes a los nueve
Los nueve son asíncronos (enviar, consultar, descargar), adecuados para audiolibros, diálogos de juego y mensajes de voz, más que para llamadas en directo. Una solicitud devuelve un archivo sin marcas de tiempo por palabra, conservado durante 14 días. Solo Gemini permite dos voces en una solicitud (hasta 20 líneas de 250 caracteres); con los demás, genera cada hablante por separado y une los archivos. Limita los guiones a personajes adultos ficticios; las obligaciones legales sobre lo que publiques siguen siendo tuyas.
Los tres sistemas de cobro funcionan de forma distinta. Gemini cobra por segundo de audio devuelto, por lo que reserva durante la tarea un importe para un clip largo (unos $0.21 en Flash, $0.30 en 2.5 Pro) y reduce la retención al importe real al medir el audio. Grok, MiniMax, Seed y Qwen3 cobran por caracteres del guion: el precio que aparece antes de ejecutar es definitivo. Chatterbox cobra una tarifa fija por solicitud.
Pruébalo primero en Playground
- Abre la página de Gemini 3.8 Flash TTS y quédate en la pestaña Playground, vista Form. Inicia sesión con una cuenta con saldo para ejecutar.
- Pega el guion en Text o pulsa Sample script. Pon indicaciones entre corchetes como
[whispers]o[sighs]justo antes de las palabras que modifican. - Elige una Voice (Kore por defecto) y, si quieres, Style, Pace o Accent. Delivery instructions y Scene moldean la lectura y nunca se pronuncian.
- Ejecuta el modelo, reproduce Preview y pulsa Download para guardar el archivo.
En Grok TTS son los mismos pasos, con Voice, Language y Speed, y etiquetas como <whisper>…</whisper> dentro de Text. Cambia un campo por reintento.
Después ejecútalo desde código
Instala el Python SDK (pip install spicyapi), configura SPICY_API_KEY en el entorno y ejecuta:
import uuid
from spicyapi import SpicyClient, output_assets
client = SpicyClient() # reads SPICY_API_KEY from the environment
task = client.create_task(
model="google/gemini-3.8-flash-tts/text-to-speech",
input_data={
"text": "[whispering] You made it. I was starting to think you had changed your mind. [sighs] Stay a little longer.",
"voice_id": "Kore",
"instructions": "Quiet and warm, speaking to one adult listener.",
},
idempotency_key=str(uuid.uuid4()),
)
print("Resume task:", task["taskId"], flush=True)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(a.get("pending") or a.get("unavailable") or not a.get("url") for a in assets):
raise RuntimeError(f"Task {task['taskId']} has no ready output; check this task before a new run")
print(assets[0]["url"]) # copy the audio to your own storage nowPara usar Grok TTS, cambia model a xai/grok-tts/text-to-speech y la entrada a {"text": "<whisper>You made it.</whisper> [pause] I was starting to think you had changed your mind. [sigh] Stay a little longer.", "voice_id": "eve", "language": "en"}. La creación, la espera, la descarga y los reintentos se explican en la guía de tareas y la referencia del Python SDK.
O deja que lo ejecute un Agent
Si quieres que un asistente dé voz a tus guiones, las tres herramientas oficiales muestran el precio y preguntan antes de una llamada de pago.
- CLI. Guarda el objeto
inputeninput.jsony ejecuta:
``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``
Consulta la documentación de CLI; npx @spicyapi/cli funciona sin instalarlo.
- Servidor MCP. Añade el servidor MCP al asistente y pide: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Llama a
spicyapi_task_create, que se detiene para confirmar el precio, y después aspicyapi_task_wait. - Skill.
npx skills add spicyapi-ai/spicy-skillinstala el Agent Skill, que hace que el asistente de programación lea el esquema actual del modelo en vez de adivinar los campos.
Preguntas frecuentes
¿Alguno rechaza o suaviza los guiones explícitos?
No. Los nueve leyeron completos los guiones explícitos de prueba.
¿Funciona con guiones en otros idiomas?
Sí, salvo Chatterbox, que solo admite inglés. Gemini Flash y Flash-Lite detectan 130+ y 100+ idiomas; MiniMax enumera 40, Grok 20, y Seed Speech y Qwen3, 10 cada uno.
¿Qué modelo interpreta indicaciones como [moaning] con más fiabilidad?
Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS y MiniMax Speech 2.8 interpretan sus etiquetas como sonidos en la mayoría de las tomas. Gemini 3.8 Flash-Lite TTS a veces lee la palabra de la etiqueta y Chatterbox siempre; escribe los sonidos como palabras con esos dos.
¿Cuál es el más barato?
Por minuto terminado, Gemini 3.8 Flash-Lite TTS (unos $0.013) y Grok TTS (unos $0.015) son los más baratos. Las unidades de facturación difieren: compara con la tabla de costes anterior, no solo con la tarifa anunciada.
¿Puedo clonar una voz o usar dos voces en un clip?
Clonación: solo Chatterbox, con un clip corto de referencia que tengas derecho a usar. Dos voces en una solicitud: solo los tres Gemini. Con los demás, genera cada hablante por separado y une los archivos.
¿Merece la pena Chatterbox con una voz integrada y solo inglés?
Sí, si quieres imitar una voz autorizada o una voz inglesa expresiva por una tarifa fija de $0.036 por solicitud, con cualquier duración de clip.
En resumen: Flash para interpretar indicaciones, Flash-Lite o Grok por precio, MiniMax para elegir voces y Chatterbox para una voz que aportas.
¿Quieres que una cara pronuncie el resultado? Consulta el flujo de sincronización labial. Si usas Grok, consulta el flujo de voz de Grok.
