Modelos
Modelos de audio y voz
Los modelos de Clipia que ponen voz al texto y crean música, con desarrolladores, idiomas, voces, precios en créditos y consejos para elegir modelo y voz.
Las herramientas de audio de Clipia funcionan con modelos de varios desarrolladores: Google y ElevenLabs para la voz, Suno para la música. Esta página explica qué hace cada modelo, qué idiomas admite, cuánto cuesta y cómo elegir el modelo y la voz adecuados. Para los modos en sí y los flujos paso a paso, consulte Estudio de audio.
Todos los modelos
| Modelo | Desarrollador | Uso | Idiomas | Precio |
|---|---|---|---|---|
| Gemini 3.1 Flash TTS | Texto a voz rápido y controlable | Ruso, inglés | 4 créditos / 1000 caracteres | |
| Gemini 2.5 Pro TTS | Texto a voz para la versión final | Ruso, inglés | 4 créditos / 1000 caracteres | |
| ElevenLabs v4 | ElevenLabs | Voz expresiva y diálogos | Ruso, inglés | 7 créditos / 1000 caracteres |
| ElevenLabs v4 Turbo | ElevenLabs | Voz y diálogos rápidos | Ruso, inglés | 4 créditos / 1000 caracteres |
| Suno Music | Suno | Música y canciones a partir de una descripción | — | 12 créditos por ejecución |
Precios
Los precios de esta página proceden de la tarifa del servicio y se actualizan junto con la documentación. El coste exacto siempre se muestra en el botón de inicio antes de cobrarle.
El texto a voz y la música funcionan en el Estudio de audio: la locución en /create-audio y la música en /create-audio/ai-song-generator. La transcripción, la traducción de voz, la limpieza de grabaciones y las voces personales siguen en desarrollo.
Modelos de voz: cuál elegir
Los cuatro modelos de voz leen ruso e inglés. El idioma se detecta a partir del texto: si contiene caracteres cirílicos, se lee en ruso; de lo contrario, en inglés.
Gemini 3.1 Flash TTS
El predeterminado del estudio. Rápido y controlable: 30 voces más estilo, ritmo, acento y perfil del narrador. Una buena opción para vídeos cortos, anuncios y borradores.
Gemini 2.5 Pro TTS
Las mismas 30 voces y controles de dirección, con un control más fino de la interpretación. Úselo para la locución final una vez aprobado el borrador con Flash.
ElevenLabs v4
La interpretación más expresiva: emoción, indicaciones como susurros y risas, diálogos con varias voces, hasta 10 000 caracteres por solicitud.
ElevenLabs v4 Turbo
Las mismas 21 voces y diálogos, pero más rápido y casi a la mitad de precio que v4. Adecuado para grandes volúmenes en los que importa la velocidad.
| Tarea | Modelo recomendado |
|---|---|
| Locución para un vídeo corto o un anuncio | Gemini 3.1 Flash TTS |
| Locución final con dirección precisa | Gemini 2.5 Pro TTS |
| Diálogo entre varios personajes | ElevenLabs v4 o v4 Turbo |
| Grandes volúmenes de texto al menor precio | ElevenLabs v4 Turbo o Gemini |
Texto por solicitud: Gemini admite de 10 a 500 caracteres; ElevenLabs, de 10 a 10 000. En la página de Audio, los guiones largos se dividen en fragmentos automáticamente, así que el límite por solicitud no supone un obstáculo.
Ejemplo de precio: el precio es por 1000 caracteres, así que un texto de 10 000 caracteres cuesta diez veces más: con ElevenLabs v4 son 10 × 7 créditos.
Cómo elegir una voz
- Escuche las muestras. Cada voz tiene una muestra, y escucharla no cuesta créditos. En Gemini puede cambiar el idioma de la muestra entre ruso e inglés, aunque el modelo toma el idioma de su texto.
- Filtre. La biblioteca de voces se puede filtrar por género (masculino, femenino, neutro) y carácter, o buscar por nombre.
- Ajústese al género. Para anuncios, elija una voz enérgica y brillante; para clases y audiolibros, una voz tranquila y uniforme con dicción clara; para noticias, un locutor seguro.
- Pruebe con su propio texto. Ponga voz a un fragmento corto de una o dos frases antes de ejecutar todo el guion.
Voces por modelo:
- Gemini: 30 voces, 16 masculinas y 14 femeninas. La interpretación se ajusta con controles de dirección: estilo, ritmo, acento, variabilidad, perfil del narrador y escena.
- ElevenLabs v4 y v4 Turbo: 21 voces, como George, Bella, Brian, Sarah, Alice, Daniel, Laura y Matilda. La interpretación puede ser Expresiva, Equilibrada o Uniforme, además de un ajuste de similitud de voz.
Música
Suno Music (Suno) crea una pista a partir de una descripción: una base instrumental o una canción con voz. El modelo elige la duración de la pista. Una ejecución cuesta 12 créditos e incluye todas las variantes que devuelve el modelo. Las descripciones funcionan mejor cuando indican el género, el ambiente, el tempo, los instrumentos y la escena: «piano tranquilo, cuerdas cálidas, ritmo suave, sin voz».
Véase también
Modelos de vídeo
Fichas de los modelos de vídeo de Clipia (Veo, Kling, Seedance, Wan, HappyHorse, Hailuo, Grok y más): modos, duración, calidad, sonido, precios y recomendaciones por tarea.
Inicio rápido
Ejecute su primera generación de imagen con la API de Clipia en cuatro pasos, desde crear una clave hasta obtener el resultado, con ejemplos en cURL, TypeScript y Python.