--- title: Modelos de audio y voz description: 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. icon: AudioWaveform --- 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](/es/docs/studios/audio). ## Todos los modelos | Modelo | Desarrollador | Uso | Idiomas | Precio | | --- | --- | --- | --- | --- | | Gemini 3.1 Flash TTS | Google | Texto a voz rápido y controlable | Ruso, inglés | 4 créditos / 1000 caracteres | | Gemini 2.5 Pro TTS | Google | 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 | 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](/es/docs/studios/audio): la locución en [/create-audio](/es/create-audio) y la música en [/create-audio/ai-song-generator](/es/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. 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. 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. La interpretación más expresiva: emoción, indicaciones como susurros y risas, diálogos con varias voces, hasta 10 000 caracteres por solicitud. 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 Locución y música paso a paso: voces, ajustes, diálogos. Panorama de los modelos de imagen, vídeo y audio. Cómo se cobran y se devuelven los créditos.