La tabla publicada de texto a voz de Azure lista 82 códigos de idioma distintos, cerca del 1,1% de los 7.170 idiomas que Ethnologue contabiliza en uso hoy (82 / 7.170). La documentación de Gemini 3.8 Flash TTS afirma más de 130 idiomas, y el proyecto de investigación MMS llegó a 1.107, pero ese modelo más amplio se distribuye bajo una licencia no comercial. La profundidad es menor que la amplitud: el inglés de EE. UU. tiene 118 entradas en la tabla de Azure frente a 2 del amhárico. Reunimos datos de Ethnologue, Microsoft, Google, Amazon, Apple, Meta e investigación de voz revisada por pares, y leímos cada página de proveedor el 31 de octubre de 2026. Este informe cubre solo la síntesis; para el lado del reconocimiento de la misma brecha, consulta nuestras estadísticas de cobertura de reconocimiento de voz en idiomas con pocos recursos.
TL;DR
- 7.170 idiomas están en uso en el mundo, y 4.153 de ellos tienen un sistema de escritura desarrollado (Ethnologue 2026).
- 128 de 7.829 códigos de idioma alcanzaron los dos niveles más altos de soporte digital, cerca del 1,6% (Simons, Thomas y White, COLING 2022).
- Se afirman más de 130 idiomas para Gemini 3.8 Flash TTS, la afirmación comercial más amplia que revisamos (Google, documentación del proveedor).
- 82 códigos de idioma en 154 configuraciones regionales aparecen en la tabla de voces de Azure Speech (Microsoft, documentación del proveedor, recuento propio).
- 25 idiomas y 42 variantes aparecen en la tabla de Amazon Polly, con 2 variantes que ofrecen voces de formato largo (Amazon, documentación del proveedor, recuento propio).
- 1.107 idiomas tienen modelos de síntesis de MMS, cerca del 15,4% de los idiomas en uso (Meta AI, artículo de MMS, 2023).
- 945 de esos 1.107 modelos alcanzaron una tasa de error de caracteres de 5 o menos, pero África quedó rezagada con el 76% (Meta AI, artículo de MMS, 2023).
- 41 de las 90 voces de Aura-2 son en inglés (Deepgram, documentación del proveedor, recuento propio).
- 18 de los 22 idiomas listados oficialmente de la India aparecen en la lista de voz de accesibilidad de Apple, frente a 1 en Polly (Apple y Amazon, documentación de los proveedores, cómputo propio).
- 1.704 horas de 10.496 hablantes cubren ahora los 22 idiomas listados oficialmente de la India para síntesis de voz (AI4Bharat, IndicVoices-R, 2024).
1. El Denominador: 7.170 Idiomas, y No Todos Escritos
Toda afirmación de cobertura necesita un denominador, y la síntesis tiene uno más severo de lo que mucha gente supone. El texto a voz lee texto, así que 3.017 idiomas sin un sistema de escritura desarrollado quedan fuera de la vía normal de entrada antes de entrenar cualquier modelo.
La población cuenta una historia más amable, y las dos perspectivas nunca deben mezclarse. Una plataforma puede atender a la mayoría de las personas listando menos del 3% de los idiomas, porque más del 88% de las personas habla como lengua materna uno de apenas 200 idiomas, y 200 / 7.170 es 2,8%. Ninguna de las páginas de proveedores que revisamos indica qué porcentaje de personas alcanza su catálogo, por lo que el alcance no puede compararse de forma directa.
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas en uso en el mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Idiomas con sistema de escritura desarrollado vs sin él | 4.153 (57,9%) vs 3.017 (42,1%, de 7.170 - 4.153, cálculo propio) | FAQ de Ethnologue, 29.ª edición, 2026 |
| Personas cuya lengua materna es uno de los 200 idiomas más grandes | Más del 88% | Ethnologue 200, 2026 |
| Códigos de idioma en los dos niveles más altos de soporte digital (Vital y Thriving) | 128 de 7.829 (95 + 33), o 1,6% | Simons, Thomas y White, COLING 2022 |
| Códigos de idioma en el nivel más bajo de soporte digital (Still, puntuación de 0) | 3.996 de 7.829, o 51,0% | Simons, Thomas y White, COLING 2022 |
| Códigos de idioma en los dos niveles intermedios de soporte digital (Emerging, Ascending) | 3.304 y 401 | Simons, Thomas y White, COLING 2022 |
Datos más recientes disponibles sobre los niveles de soporte digital: Simons, Thomas y White, 2022. Ese estudio recopiló listas de idiomas admitidos de 143 herramientas digitales, y el procesamiento de voz es una de sus siete categorías de herramientas. Los totales provienen del recuento de idiomas de Ethnologue y de su FAQ sobre sistemas de escritura.
2. Catálogos Comerciales Lado a Lado
Estos son recuentos de la documentación de los proveedores: el registro primario de lo que cada plataforma lista, no una prueba independiente de calidad. La distancia entre el catálogo más largo y el más corto de esta tabla va de más de 130 idiomas a 9.
La unidad importa tanto como la cifra. Una configuración regional es un idioma más una región, así que español de México y español de España cuentan como dos configuraciones regionales pero un solo idioma. La página de resumen de Azure dice “más de 100 idiomas y configuraciones regionales”, lo que mezcla ambas cosas; la propia tabla de idiomas de Azure Speech se resuelve en la fila siguiente.
Más largo tampoco significa un superconjunto de lo más corto. La tabla de idiomas de Gemini TTS no tiene fila para ucraniano, urdu ni zulú, y Azure lista los tres.
| Métrica | Valor | Fuente |
|---|---|---|
| Gemini 3.8 Flash TTS | Más de 130 idiomas declarados; 132 filas en la tabla, leída el 31 de octubre de 2026 | Google, documentación de generación de voz de Gemini API, actualizada el 28 de octubre de 2026 (afirmación del proveedor) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 idiomas | ElevenLabs, documentación de modelos (afirmación del proveedor) |
| Voces predefinidas de Azure Speech | 82 códigos de idioma en 154 configuraciones regionales; inglés, español y árabe suman 52 de las 154 (33,8%) | Microsoft, tabla de compatibilidad de idiomas, actualizada el 22 de octubre de 2026 (documentación del proveedor, recuento propio) |
| Apple VoiceOver, Live Speech y Read & Speak | 75 entradas de idioma en iOS 27 | Apple, disponibilidad de funciones de iOS (documentación del proveedor) |
| Tabla de voces de Google Cloud Text-to-Speech | 53 códigos de idioma, 61 códigos de idioma y región; solo Chirp 3: HD cubre 47 idiomas en 53 configuraciones regionales | Google Cloud, lista de voces y documentación de Chirp 3: HD (documentación del proveedor, recuento propio) |
| Sonic 3.6 | 44 idiomas | Cartesia, documentación de modelos TTS (afirmación del proveedor) |
| Amazon Polly | 25 idiomas, 42 variantes, 123 listados de voz | Amazon, voces disponibles de Polly (documentación del proveedor, recuento propio) |
| IBM Text to Speech | 9 idiomas base, 15 entradas de idioma, 48 voces | Documentación de IBM Cloud, actualizada el 4 de junio de 2026 (documentación del proveedor, recuento propio) |
Si estás eligiendo un generador de voz con IA para un idioma distinto del inglés, la tabla que vale la pena abrir es la lista por configuración regional, no la cifra destacada en la página del producto.
3. Profundidad de Voces: Dónde Están Realmente las Voces
Que un idioma esté listado dice poco sobre cuántas voces recibe. El inglés de EE. UU. tiene 118 entradas en la tabla de Azure, mientras que amhárico, afrikáans y zulú tienen 2 cada uno, una proporción de 59 a 1. Para un productor, 2 voces pueden significar ninguna opción de edad, tono o personaje.
El patrón se repite en catálogos de todos los tamaños. Polly, Aura-2 y el modelo abierto Kokoro ponen entre el 28,5% y el 51,9% de sus voces en inglés. Parte de la diferencia es estructural: las entradas de la tabla pueden repetir un mismo personaje en distintos niveles de calidad, así que son recuentos de listados, no de hablantes únicos.
| Métrica | Valor | Fuente |
|---|---|---|
| Entradas de voz en la tabla de Azure: inglés de EE. UU. vs mandarín vs alemán vs hindi | 118 vs 59 vs 23 vs 17 | Microsoft, tabla de compatibilidad de idiomas (documentación del proveedor, recuento propio) |
| Entradas de voz en la tabla de Azure para amhárico, afrikáans, árabe egipcio y zulú | 2 cada uno | Microsoft, tabla de compatibilidad de idiomas (documentación del proveedor, recuento propio) |
| Listados de voz de Polly en variantes de inglés | 35 de 123 (28,5%) | Amazon, voces disponibles de Polly (documentación del proveedor, recuento propio) |
| Voces de Aura-2: inglés vs español vs francés | 41 vs 17 vs 2, de 90 en 7 idiomas | Deepgram, documentación de modelos TTS (documentación del proveedor, recuento propio) |
| Voces de Kokoro-82M en inglés estadounidense y británico | 28 de 54 (51,9%), frente a 1 en francés | Hexgrad, lista de voces de Kokoro-82M (documentación del proyecto) |
| Entradas de Google Cloud para hindi (India) vs islandés | 46 (30 Chirp 3: HD, 4 Neural2, 6 Standard, 6 WaveNet) vs 1 voz Standard | Google Cloud, lista de voces (documentación del proveedor, recuento propio) |
| Voces integradas de OpenAI en el endpoint de voz | 13, que la documentación describe como “actualmente optimizadas para inglés” | OpenAI, guía de texto a voz (afirmación del proveedor) |
La lista de voces de Cloud muestra por qué los niveles también importan: las 30 entradas de Chirp 3: HD para hindi provienen de un único conjunto de voces compartido, y los idiomas fuera de ese conjunto conservan tipos de voz más antiguos. El recuento de Polly proviene de la tabla de voces, donde 4 nombres se repiten por ser bilingües, lo que deja 119 nombres distintos.
4. Niveles de Funciones: Listado No Significa Igual
El total del catálogo es la cifra más amplia que un proveedor puede citar, y cada función premium se apoya en un subconjunto menor. El motor generativo de Polly llega a 25 de las 42 variantes, y mandarín, japonés, árabe y ruso están entre las 17 que quedan fuera.
Azure muestra el mismo estrechamiento. Sus 154 configuraciones regionales bajan a 102 entradas con visemas (datos de la forma de la boca usados para animar un rostro) y a 42 con transferencia entre idiomas (hacer que una voz personalizada hable un segundo idioma). Los equipos que planean un despliegue multilingüe deben revisar la función, no el idioma. La velocidad y el precio por modelo son otra cuestión, tratada en nuestras estadísticas de costo de inferencia de TTS.
| Métrica | Valor | Fuente |
|---|---|---|
| Configuraciones regionales de Azure por función: voces predefinidas / entradas de visemas / voz personalizada profesional / voz personal / origen de transferencia entre idiomas | 154 / 102 / 68 / 65 / 42 | Microsoft, tabla de compatibilidad de idiomas (documentación del proveedor, recuento propio) |
| Variantes de Polly con al menos una voz generativa vs al menos una voz de formato largo | 25 de 42 (59,5%) vs 2 de 42 (inglés de EE. UU., español de España) | Amazon, voces disponibles de Polly (documentación del proveedor, recuento propio) |
| Variantes de Polly que ofrecen solo el motor de voz Standard | 6 de 42, entre ellas ruso, rumano e islandés | Amazon, voces disponibles de Polly (documentación del proveedor, recuento propio) |
| Filas de la tabla de Gemini admitidas por Flash TTS vs Flash-Lite TTS | 132 vs 103; finés, sueco, tailandés y suajili están entre los 29 que faltan en Flash-Lite | Google, documentación de generación de voz de Gemini API (documentación del proveedor, recuento propio) |
| Idiomas de Personal Voice de Apple vs entradas de la lista de voz de accesibilidad | 3 vs 75 en iOS 27 | Apple, disponibilidad de funciones de iOS (documentación del proveedor) |
La brecha de Apple es la más marcada: su página de disponibilidad de funciones lista Personal Voice solo para inglés de EE. UU., mandarín continental y español de México.
5. Modelos Abiertos: Gran Alcance, con Condiciones
El lado abierto tiene la cifra más amplia de este informe. MMS-TTS llegó a 1.107 idiomas, unas 8,5 veces los 130 declarados para Gemini (1.107 / 130), y cerca de 11 veces los aproximadamente 100 idiomas que cubría la tecnología de voz antes (1.107 / 100).
La amplitud tuvo un costo. El artículo de MMS entrenó un modelo VITS independiente por idioma, en su mayoría a partir de grabaciones de un solo hablante de textos religiosos, y su ficha de modelo indica una licencia no comercial. Su resultado más útil es regional: la calidad cayó más en África, algo que los autores atribuyen “en parte” a los sistemas de escritura.
La tasa de error de caracteres aquí significa que un reconocedor de voz transcribe el audio sintético y se cuentan los errores, así que menos es mejor. Mide si las palabras sobreviven, no si la voz suena natural; para ese aspecto, consulta nuestras estadísticas de prosodia y entonación en TTS neuronal.
| Métrica | Valor | Fuente |
|---|---|---|
| Cobertura de idiomas y licencia de MMS-TTS | 1.107 idiomas (15,4% de 7.170), CC-BY-NC 4.0 | Pratap et al. (Meta AI), artículo de MMS, 2023; ficha de modelo en Hugging Face |
| Idiomas de MMS que alcanzan una tasa de error de caracteres de 5 o menos en voz sintética | 945 de 1.107 (85%) | Pratap et al. (Meta AI), artículo de MMS, 2023 |
| Porcentaje de idiomas de MMS que alcanzan ese umbral, por región | África 76% (277 de 363), Asia 88%, Norteamérica 87%, Pacífico 90%, Sudamérica y Europa 95% | Pratap et al. (Meta AI), artículo de MMS, 2023 |
| Tasa de error de caracteres de MMS, voz sintética vs voz humana de referencia; puntuación media de opinión (1 a 5) en 61 idiomas | 3,5 ±0,2 vs 2,2 ±0,1; 3,52 para la sintética vs 3,33 para el audio humano de referencia fuera de los datos de entrenamiento, una diferencia que los autores atribuyen a grabaciones de referencia con ruido | Pratap et al. (Meta AI), artículo de MMS, 2023 |
| Idiomas de destino de SeamlessM4T: salida de voz vs salida de texto | 36 vs 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| Sintetizador basado en reglas eSpeak NG | Más de 100 idiomas y acentos | README del proyecto eSpeak NG |
| Lista de voces de Piper | 37 idiomas, 42 entradas de configuración regional; repositorio archivado el 6 de octubre de 2025 | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual vs XTTS-v2 | 23+ vs 17 idiomas | Resemble AI, repositorio de Chatterbox; Coqui, ficha de modelo de XTTS-v2 |
Datos más recientes disponibles sobre la calidad de síntesis por idioma: Pratap et al., 2023. Los modelos abiertos más nuevos de esta tabla listan muchos menos idiomas. El artículo de SeamlessM4T muestra la misma asimetría dentro de un solo modelo: lee y escribe muchos más idiomas de los que habla.
6. África y la India: Donde la Brecha Se Vuelve Concreta
Los recuentos regionales exponen lo que los totales globales ocultan. La tabla de Gemini tiene 22 idiomas de África, la de Azure tiene 5, y Polly y Apple no listan ninguno aparte del inglés sudafricano, mientras que solo el África subsahariana alberga más de 2.000 idiomas distintos (Google Research, WAXAL 2026).
El yoruba muestra que la brecha no es solo de datos. Aparece en los corpus abiertos WAXAL y BibleTTS, pero no tiene entrada en las tablas de Azure, Polly, Chirp 3: HD ni Gemini que revisamos. Que existan datos públicos no significa que una plataforma haya lanzado una voz.
La India cuenta una historia mejor, porque un conjunto de datos cerró un vacío conocido. Los conjuntos anteriores se quedaban en 14 de los 22 idiomas listados oficialmente, según el artículo de IndicVoices-R, a menudo con 1 o 2 hablantes por idioma. Las comunidades pequeñas quizá necesiten menos de lo esperado: Pine y colegas cuestionaron la suposición de que la síntesis neuronal exige grandes conjuntos de datos.
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas de África, excluidas las variedades del árabe: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Catálogos de Google, Microsoft, Amazon y Apple (documentación de los proveedores, cómputo propio) |
| Idiomas y horas grabadas de WAXAL-TTS | 17 idiomas; más de 180 horas en la ficha del conjunto de datos, más de 235 en el artículo, más de 565 en la publicación del blog | Google Research, ficha del conjunto de datos, artículo y blog de WAXAL, 2026 |
| Grabaciones de calidad de estudio de BibleTTS para síntesis africana | 10 idiomas, hasta 86 horas por idioma a 48 kHz | Meyer et al., Interspeech 2022 |
| De los 22 idiomas listados oficialmente de la India, cuántos constan: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Catálogos de Apple, Google, Microsoft y Amazon (documentación de los proveedores, cómputo propio) |
| Datos anteriores de síntesis para la India: IndicTTS | 284 horas, 27 hablantes, 14 idiomas | AI4Bharat, artículo de IndicVoices-R, 2024 |
| Corpus de síntesis de voz IndicVoices-R | 1.704 horas, 10.496 hablantes, 22 idiomas | AI4Bharat, artículo de IndicVoices-R, 2024 |
| Corpus de voz en kanien’kéha tras la decisión de la comunidad de excluir grabaciones de hablantes ya fallecidos | 3,46 horas conservadas de 24 grabadas | Pine et al. 2022, según lo informado por Nigatu et al. 2024 |
| Modelo FastSpeech2 con 1 hora de inglés vs Tacotron2 con 10 horas | Naturalidad comparable | Pine et al., ACL 2022 |
Datos más recientes disponibles sobre BibleTTS y los hallazgos de Pine et al.: 2022. La cifra del kanien’kéha la recoge Nigatu et al. y es la más útil de esta tabla: el límite de ese corpus fue el consentimiento, no la tecnología.
Resumen: Cobertura de Idiomas y Voces en Texto a Voz en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas en uso en el mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Personas cuya lengua materna es uno de los 200 idiomas más grandes | Más del 88% | Ethnologue 200, 2026 |
| Códigos de idioma en los dos niveles más altos de soporte digital | 128 de 7.829 | Simons, Thomas y White, COLING 2022 |
| Idiomas de Gemini 3.8 Flash TTS | Más de 130 declarados | Google, documentación de Gemini API (afirmación del proveedor) |
| Idiomas de Eleven v4 | 90+ | ElevenLabs, documentación de modelos (afirmación del proveedor) |
| Códigos de idioma y configuraciones regionales de Azure | 82 y 154 | Microsoft, tabla de compatibilidad de idiomas (recuento propio) |
| Lista de voz de accesibilidad de Apple | 75 entradas | Apple, disponibilidad de funciones de iOS |
| Idiomas y variantes de Amazon Polly | 25 y 42 | Amazon, voces disponibles de Polly (recuento propio) |
| Entradas de voz de Azure: inglés de EE. UU. vs amhárico | 118 vs 2 | Microsoft, tabla de compatibilidad de idiomas (recuento propio) |
| Voces de Aura-2 que son en inglés | 41 de 90 | Deepgram, documentación de modelos TTS (recuento propio) |
| Variantes de Polly con voz generativa | 25 de 42 | Amazon, voces disponibles de Polly (recuento propio) |
| Idiomas de MMS-TTS | 1.107 | Pratap et al. (Meta AI), artículo de MMS, 2023 |
| Idiomas africanos de MMS con tasa de error de caracteres de 5 o menos | 277 de 363 (76%) | Pratap et al. (Meta AI), artículo de MMS, 2023 |
| Voces de Kokoro-82M en inglés estadounidense y británico | 28 de 54 | Hexgrad, lista de voces de Kokoro-82M |
| Corpus IndicVoices-R | 1.704 horas, 22 idiomas | AI4Bharat, artículo de IndicVoices-R, 2024 |
| Corpus de voz en kanien’kéha conservado vs grabado | 3,46 vs 24 horas | Pine et al. 2022, según lo informado por Nigatu et al. 2024 |
Metodología y Fuentes
Todas las páginas de proveedores se leyeron el 31 de octubre de 2026. Las cifras marcadas como “recuento propio” o “cómputo propio” son recuentos nuestros de tablas publicadas; siguen siendo afirmaciones de los proveedores sobre lo que ofrecen, no pruebas independientes de que cada voz funcione bien.
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, FAQ sobre idiomas sin escritura.
- Simons, Thomas y White: Assessing Digital Language Support on a Global Scale, COLING 2022.
- Microsoft: Compatibilidad de idiomas y voces de Azure Speech, resumen de texto a voz.
- Google: Generación de voz de Gemini API, lista de voces de Cloud, Chirp 3: HD, blog de WAXAL, artículo de WAXAL, ficha del conjunto de datos WAXAL.
- Amazon: Voces disponibles de Polly.
- Apple: Disponibilidad de funciones de iOS.
- Documentación de proveedores: modelos de ElevenLabs, modelos TTS de Cartesia, modelos TTS de Deepgram, voces de IBM, guía de texto a voz de OpenAI.
- Meta: artículo de MMS, ficha de modelo de MMS-TTS, SeamlessM4T en Nature.
- Proyectos abiertos: voces de Kokoro-82M, voces de Piper, eSpeak NG, Chatterbox, XTTS-v2.
- Investigación: BibleTTS, Meyer et al., IndicVoices-R, Pine et al., ACL 2022, Nigatu et al., Zeno’s Paradox of Low-Resource Languages.
- Nota sobre los datos: los catálogos de los proveedores cambian sin aviso, así que conviene tratar cada recuento como una instantánea. Las entradas de Azure repiten personajes en distintos niveles de calidad, y el grupo de inglés de EE. UU. incluye entradas con varios hablantes cuyos nombres remiten al francés y al chino. La tabla de Gemini tiene 132 filas, pero 5 idiomas aparecen dos veces por escritura, lo que deja 127 nombres, y no vimos datos de calidad por idioma en la página. El suajili aparece en la tabla de Chirp 3: HD, pero no lo encontramos en la lista de voces más amplia, así que el recuento de 53 códigos podría estar corto por uno. El FAQ de sistemas de escritura de Ethnologue cita una cifra de la 28.ª edición bajo una referencia a la 29.ª edición, y Simons et al. usan 7.829 códigos ISO en lugar de 7.170 idiomas vivos, por lo que los dos denominadores no son intercambiables. Las tres fuentes de WAXAL no coinciden (27 idiomas y más de 565 horas en el blog, 24 idiomas y más de 235 horas en el artículo, 17 idiomas de síntesis y más de 180 horas en la ficha). El artículo de SeamlessM4T dice 36 idiomas de voz en sus resultados, pero “35 en forma de voz” en sus métodos. La guía de OpenAI menciona tanto 11 como 13 voces integradas, y indica que sus modelos de voz actuales se cerrarán el 6 de enero de 2027. La lista de Apple agrupa tres funciones bajo un mismo encabezado. Nuestros recuentos regionales son coincidencias de nombres de idiomas, no auditorías lingüísticas, y las comparaciones de 8,5x y 15,4% usan el total de 7.170 y una afirmación de más de 130, por lo que ambas son aproximadas.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y se espera la próxima revisión cuando Ethnologue publique su 30.ª edición.