Voz con IA vs locutor humano: la comparación honesta de costos

Esta comparación suele escribirla alguien que tiene algo que vender. Aquí va la versión con las cuentas a la vista y las derrotas reconocidas. La voz sintética se cobra por carácter y una persona se cobra por proyecto, y esas dos unidades se comportan de forma tan distinta que la pregunta interesante no es «cuál es más barato», sino «qué modo de fallo te puedes permitir en este trabajo».

Lo que cuesta de verdad un minuto de narración

Los modelos de voz cobran por carácter, no por segundo, así que lo primero es convertir. Un ritmo de narración cómodo ronda las 150 palabras por minuto, y una palabra en inglés, con su espacio, ocupa unos seis caracteres. Así que un minuto hablado son aproximadamente 900 caracteres.

Voice One cobra 3 créditos por cada bloque de 100 caracteres empezado. Voice Turbo cobra 2.

• Voice One: 900 ÷ 100 = 9 bloques × 3 = 27 créditos por minuto. Unos 27 centavos a la tarifa del paquete de entrada y unos 22 centavos a la del plan Creator.
• Voice Turbo: 9 bloques × 2 = 18 créditos por minuto. Unos 18 centavos, o 15 con Creator.

Ahora llévalo a entregables reales:

• Un guion explicativo de 90 segundos ronda los 1,350 caracteres (14 bloques): 42 créditos con Voice One, unos 34 centavos.
• Una narración de 30 minutos ronda los 27,000 caracteres: 810 créditos con Voice One, unos $6.62 a la tarifa de Creator. Con Turbo, 540 créditos, unos $4.41.
• Los 50 créditos gratis con los que empieza una cuenta nueva cubren unos 1,600 caracteres con Voice One: un minuto y tres cuartos de voz. Suficiente para oír si la voz es la adecuada, no para narrar nada.

Una limitación práctica: una sola petición de voz admite hasta 5,000 caracteres, unos cinco minutos y medio. De todos modos, los trabajos largos se dividen por secciones, que es también la manera de que las regrabaciones sean pequeñas.

Un locutor humano cobra de otra forma: una tarifa por sesión, a menudo más los derechos de uso, y la cifra depende del mercado, del medio y de la duración de la difusión. No hay una cifra única honesta que dar, y quien la da está generalizando. Lo que sí se puede decir es la forma: es un precio por proyecto con un mínimo, así que no baja mucho para un trabajo de 30 segundos ni escala de forma lineal para uno de 30 minutos.

Los plazos de entrega, y lo que le hacen a un calendario

Un render vuelve en segundos y aterriza en tu Biblioteca. Una contratación implica disponibilidad, una sesión y una entrega, lo que en la mayoría de los proyectos significa un día o varios.

El efecto en el calendario es mayor de lo que parece. Cuando el audio tarda un día, el guion se congela antes de cerrar el montaje, y el montaje se adapta a la locución. Cuando el audio tarda segundos, puedes montar primero la imagen y grabar la narración ajustada al timing definitivo, que es el orden correcto y casi nadie consigue trabajar así.

Las correcciones son donde los dos se separan

Este es el centro honesto de la comparación.

Cambia una frase en una narración de 30 minutos. Con voz sintética vuelves a generar solo esa frase: una oración de 120 caracteres son 2 bloques, 6 créditos con Voice One, unos cinco centavos, y está lista antes de que termines de leer la nota. Con una grabación en sesión, estás programando una regrabación, y las regrabaciones pequeñas arrastran un costo desproporcionado para todos los implicados.

Esto es también lo que hace que la voz generada sea buena para trabajos intrínsecamente iterativos: textos publicitarios con varias versiones, variantes por mercado, un nombre de producto que cambia dos veces antes del lanzamiento. Diez variantes de una frase de 200 caracteres son 10 × 6 = 60 créditos. Es un error de redondeo, y significa que de verdad puedes poner a prueba el texto.

La otra cara, dicha sin rodeos: tu único canal de dirección es el texto. En eroq guías la lectura con la puntuación, con los controles de Velocidad y Expresividad, y reescribiendo la frase: las comas la frenan, un punto la cierra, un signo de interrogación eleva el final. No puedes decir «más cálido, y apóyate en la segunda palabra». Un director en una sala con un intérprete sí puede, y eso es una capacidad real, no nostalgia.

Idiomas y casting

Las voces del catálogo (Aria, cálida y cercana; Orion, grave y sin prisas) leen cada una en 13 idiomas, lo que convierte la localización de un ejercicio de casting en un ejercicio de traducción. El mismo guion en seis mercados son seis renders y seis traducciones, no seis contrataciones. Hay un método completo para eso en la guía de locución multilingüe.

También puedes clonar una voz a partir de tu propio audio, que es la herramienta adecuada para una fundadora o un fundador que narra los videos de su producto y no quiere regrabar cada actualización. La regla del consentimiento es absoluta y vale la pena repetirla: clona una voz que sea tuya o que tengas permiso por escrito para usar, nunca la voz de una persona real sin ese permiso. La guía de clonación de voz explica qué hace que una muestra sirva.

Dos límites que conviene tener en cuenta: eroq no tiene sincronización labial, así que la voz generada es narración y voz en off, no un personaje hablando a cámara en sincronía, y los nombres propios poco comunes a veces hay que reescribirlos fonéticamente para que salgan bien.

Cuándo un locutor humano sigue siendo la decisión correcta

Contrata a la persona cuando:

• La voz es la marca. Una voz de campaña que va a sonar durante años, que el público reconocerá y asociará, es una decisión de casting con una persona detrás. Trátala como el casting de un actor, porque lo es.
• La lectura necesita dirección. Si el guion es cómico, irónico o emocionalmente preciso de una forma que depende del timing, un intérprete que puede recibir una indicación en tiempo real le ganará a cualquier cantidad de reescrituras del prompt.
• Hay cuestiones sindicales, de consentimiento o de derechos. La radio y la televisión, los videojuegos y muchos contextos de agencia tienen marcos contractuales en torno a la interpretación. Existen por buenas razones y no son datos opcionales.
• La identidad del intérprete forma parte del producto. Un narrador conocido en un audiolibro, un fundador que de verdad debería ser quien habla, la persona protagonista de un documental.
• El diálogo tiene que encajar en una escena. Diálogo a cámara, ADR sincronizado, dos personajes que se pisan: eso es trabajo de interpretación con imagen, no narración.

Cómo decidir en un trabajo concreto

Dos preguntas resuelven la mayoría de los encargos. Primera: ¿va a cambiar esta frase? Un texto con versiones, localizado o provisional favorece claramente la síntesis, porque el costo de corregir es casi cero. Segunda: ¿la voz está haciendo un trabajo creativo o transmitiendo información? La información (tutoriales, recorridos por un producto, audiolibros de tus propios textos, video interno, narración para redes sociales) es justo donde la síntesis es fuerte. La interpretación creativa es donde no lo es.

La buena respuesta más habitual es las dos cosas. Sintetiza la pista provisional para que el montaje se haga con el timing real, cierra el guion y, si la pieza merece una interpretación, contrata una para la versión final con el timing ya comprobado. Pagarás una sesión en lugar de tres.

Compara los dos motores de voz lado a lado en Voice One vs Voice Turbo, consulta las tarifas de los planes en la página de precios y luego escribe una frase y escúchala en el estudio de Voz. Los flujos de trabajo de formato largo están en audiolibros y podcasts.

Preguntas frecuentes

¿Cuánto cuesta un minuto de locución con IA?

Unos 27 créditos con Voice One o 18 con Voice Turbo, ya que un minuto hablado son aproximadamente 900 caracteres y los modelos cobran 3 y 2 créditos por cada 100 caracteres. En dólares, son unos 27 y 18 centavos a la tarifa del paquete de entrada, y menos con un plan.

¿Puede la voz con IA sustituir por completo a un locutor?

Para la narración que transmite información (tutoriales, videos de producto, contenido interno, localización) normalmente sí. Para una interpretación que sostiene una marca, para el diálogo en una escena o donde la dirección y el timing son lo esencial, un intérprete humano sigue siendo mejor, y el flujo de trabajo sensato usa la síntesis para las pistas provisionales y los borradores en cualquier caso.

¿Es legal clonar una voz?

Clona tu propia voz, o una que tengas permiso por escrito para usar. Clonar la voz de una persona real identificable sin su consentimiento no está permitido en eroq y conlleva una exposición legal evidente en otros lugares. Las voces del catálogo y tus propios clones son terreno seguro.

¿En cuántos idiomas pueden leer las voces?

Cada voz del catálogo lee en 13 idiomas, así que el mismo reparto puede encargarse de todo un conjunto localizado. Traduce el guion, genera cada versión y mantén una interpretación coherente entre mercados.