En una sola GPU NVIDIA V100, el vocoder HiFi-GAN V3 generó audio 1.186,80 veces más rápido que el tiempo real, mientras que un WaveNet autorregresivo alcanzó 0,003 veces el tiempo real en la misma tarjeta (Kong et al., HiFi-GAN 2020). Esa brecha, de más de cinco órdenes de magnitud, es la razón por la que la síntesis de voz pasó de ser un lujo de centro de datos a algo que un teléfono puede hacer. El cuello de botella se ha movido desde entonces: el artículo original de F5-TTS, un gran modelo zero-shot, informó 0,15 segundos de GPU por segundo de voz (Chen et al., F5-TTS 2024), y una prueba de streaming en una sola A100 midió el primer audio entre 102 ms y 1.643 ms según el sistema (KTH, VoXtream 2025). En cuanto a precios, los precios de lista de las grandes nubes van de $4 a $160 por millón de caracteres, una diferencia de 40 veces para la misma unidad de texto. Reunimos datos de artículos revisados por pares y de arXiv de KTH, Kyutai y Apple, de la documentación de rendimiento de NVIDIA Riva y de las páginas oficiales de precios de Google Cloud, Amazon Web Services, Microsoft Azure y OpenAI; las puntuaciones de calidad se tratan por separado en nuestras estadísticas de MOS de voz sintética.
Una nota sobre la unidad que atraviesa este artículo: el factor de tiempo real (RTF) normalmente significa el tiempo de cómputo dividido entre la duración del audio, así que un RTF de 0,1 quiere decir que un segundo de voz tarda 0,1 segundos en generarse, y cuanto menor, mejor. Varias fuentes invierten la razón e informan cuántos segundos de audio salen por cada segundo de cómputo (NVIDIA lo llama RTFX, y algunos artículos lo escriben como “veces más rápido que el tiempo real”), donde cuanto mayor, mejor. En las tablas, RTF sigue la convención de que menor es más rápido, salvo que la fila diga “veces el tiempo real”, “RTFX” o “mayor es más rápido”.
TL;DR
- FastSpeech 2 redujo el RTF de 0,932 de Transformer TTS a 0,0195, una aceleración de 47,8x (Ren et al., FastSpeech 2 2020).
- Matcha-TTS con 2 pasos de muestreo midió un RTF de 0,015 incluyendo el vocoder (Mehta et al., Matcha-TTS 2023).
- F5-TTS informó un RTF de 0,15 con 16 pasos frente a 0,92 de CosyVoice en su tabla comparativa (Chen et al., F5-TTS 2024).
- VoXtream alcanzó 102 ms de latencia del primer paquete en una A100, mientras que CosyVoice2 en modo full-stream tardó 1.643 ms en la misma prueba (KTH, VoXtream 2025).
- La latencia de DSM-TTS de Kyutai subió de 150 ms con tamaño de lote 1 a 403 ms con tamaño de lote 64, mientras que el rendimiento llegó a 137,3 veces el tiempo real (Kyutai, DSM-TTS 2025).
- El pipeline FastPitch más HiFi-GAN de NVIDIA Riva pasó de 22 ms de latencia del primer audio con 1 flujo a 323 ms con 32 flujos (documentación de NVIDIA Riva 2.16.0, ejecutado por el proveedor).
- El sistema en el dispositivo de Apple funcionó de 1,47 a 3,03 veces más rápido que el tiempo real en dos dispositivos móviles (Apple, On-device neural speech synthesis 2021).
- Mobile PresenTra, del NICT, alcanzó un RTF por lotes de alrededor de 0,3 en un Google Pixel 5 de gama media (Okamoto et al., Mobile PresenTra, Interspeech 2024).
- Reducir SupertonicTTS de 8 a 4 pasos de muestreo elevó la tasa de error de palabras de 2,818% a 11,43% (Supertone, SupertonicTTS 2025).
- Fast F5-TTS funcionó unas 4 veces más rápido que la línea base de 32 pasos, mientras que la tasa de error de palabras pasó de 2,37% a 2,45% (Zheng et al., Interspeech 2025).
- Google Cloud lista $4 por 1M de caracteres para voces Standard y $160 para voces Studio (precios de Google Cloud Text-to-Speech 2026).
- Amazon equipara 1M de caracteres con unas 23 horas y 8 minutos de voz, lo que sitúa a Polly Generative en unos $1,30 por hora de audio (precios de AWS Amazon Polly 2026).
1. Factor de Tiempo Real por Familia de Modelos en GPU
El primer gran salto de velocidad vino de abandonar la autorregresión en el modelo acústico, la parte que convierte el texto en un espectrograma mel (una imagen tiempo-frecuencia de la voz). FastSpeech 2 midió un RTF de 0,0195 frente a 0,932 de Transformer TTS en el mismo servidor V100, una aceleración de inferencia de 47,8x (Ren et al., FastSpeech 2). Una vez que un modelo predice todos los fotogramas en paralelo, ya no tiene que esperar a su propia salida anterior, fotograma por fotograma.
Las familias más nuevas no deshicieron esa ganancia, pero sí la repartieron. Los modelos de difusión y de flow matching, como Grad-TTS y Matcha-TTS, cambian unas pasadas extra por la red a cambio de mejor calidad, y en el benchmark de Matcha-TTS con GPU RTX 3090 todos los sistemas probados se mantuvieron por debajo de un RTF de 0,08 incluyendo la vocodificación (Mehta et al., Matcha-TTS). El dato interesante ahí no es la media sino la dispersión: VITS registró 0,074 con una desviación estándar de 0,083, mayor que la propia media, lo que indica una velocidad muy irregular de una frase a otra.
| Métrica | Valor | Fuente |
|---|---|---|
| RTF de Transformer TTS, GPU V100, tamaño de lote 1 (menor es más rápido) | 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF de FastSpeech 2 y aceleración respecto a Transformer TTS, misma configuración | 0,0195 (47,8x) | Ren et al., FastSpeech 2 2020 |
| RTF y aceleración de FastSpeech 2s (texto directo a forma de onda) | 0,0180 (51,8x) | Ren et al., FastSpeech 2 2020 |
| RTF de FastSpeech 2 en la prueba de Matcha-TTS, incluido el vocoder, RTX 3090 | 0,010 (desviación estándar 0,004) | Mehta et al., Matcha-TTS 2023 |
| RTF de Matcha-TTS con 2 pasos de muestreo vs 10 pasos de muestreo | 0,015 vs 0,038 | Mehta et al., Matcha-TTS 2023 |
| RTF de Grad-TTS con 10 pasos de muestreo | 0,049 | Mehta et al., Matcha-TTS 2023 |
| RTF de VITS en la prueba de Matcha-TTS (media y desviación estándar) | 0,074 (0,083) | Mehta et al., Matcha-TTS 2023 |
| RTF de StyleTTS 2 vs RTF de VITS en la prueba de StyleTTS 2 | 0,0185 vs 0,0599 | Li et al., StyleTTS 2 2023 |
Datos más recientes disponibles: FastSpeech 2 (2020), StyleTTS 2 (2023) y Matcha-TTS (2023), todos con más de tres años de antigüedad. Los valores de RTF de distintos artículos no son directamente comparables, porque las GPU, los tamaños de lote y la inclusión o no del vocoder difieren. Los autores de Matcha-TTS también informan que su modelo de 2 pasos se vuelve competitivo con FastSpeech 2 en enunciados más largos.
2. Vocoders: Dónde Se Va el Cómputo
Un vocoder convierte el espectrograma mel en una forma de onda audible, y durante años fue la mitad costosa del pipeline. WaveNet produjo 0,07 kHz de audio en una GPU V100, lo que equivale a 0,003 veces el tiempo real, mientras que HiFi-GAN V1 produjo 3.701 kHz, o 167,86 veces el tiempo real (Kong et al., HiFi-GAN). El punto no es solo que los vocoders GAN son rápidos; es que el vocoder dejó de ser la razón por la que un producto de TTS necesitaba una GPU.
El mismo patrón ahora se repite dentro de los sistemas de streaming. El artículo SpeakStream de Apple muestra al modelo acústico tardando unos 28 ms mientras un vocoder Parallel WaveGAN (PWG) añadía 152 ms; cambiarlo por un vocoder de streaming redujo esa etapa a 13 ms (Apple, SpeakStream). En otras palabras, la elección del vocoder por sí sola decidió si el primer audio llegaba en unos 40 ms o en unos 180 ms.
| Métrica | Valor | Fuente |
|---|---|---|
| Velocidad de WaveNet (MoL) vs WaveGlow vs MelGAN en una GPU V100, veces el tiempo real (mayor es más rápido) | 0,003x vs 22,75x vs 645,73x | Kong et al., HiFi-GAN 2020 |
| Velocidad de HiFi-GAN V1 vs HiFi-GAN V3 en una GPU V100, veces el tiempo real | 167,86x vs 1.186,80x | Kong et al., HiFi-GAN 2020 |
| RTF del vocoder BigVGAN vs RTF del autoencoder de voz de SupertonicTTS, RTX 4090 (menor es más rápido) | 0,0124 vs 0,0006 | Supertone, SupertonicTTS 2025 |
| SpeakStream en un Mac mini M4 Pro, con PWG vs con el vocoder de streaming VocStream: tiempo del vocoder y tiempo total hasta el primer audio | 152 ms vs 13 ms; 180 ms vs 40 ms | Apple, SpeakStream 2025 |
Datos más recientes disponibles: Kong et al., HiFi-GAN 2020, medido en coma flotante de 32 bits y sin más optimización. En la prueba de Matcha-TTS el vocoder por sí solo funcionó con un RTF de 0,001, así que en esa configuración fue una fracción pequeña del tiempo total de síntesis (Matcha-TTS).
3. Grandes Modelos Zero-Shot: El Costo en Velocidad de la Clonación de Voz a Escala
Los modelos zero-shot, que imitan una voz nueva a partir de un prompt corto sin reentrenamiento, devolvieron la velocidad a la conversación. La tabla comparativa de F5-TTS lista a CosyVoice con un RTF de 0,92 y a FireRedTTS con 0,84, es decir, cada segundo de voz tomó la mayor parte de un segundo en calcularse (Chen et al., F5-TTS). El propio F5-TTS informó 0,15 con 16 pasos de muestreo en una RTX 3090, o unas 6,7 veces más rápido que el tiempo real (1 dividido entre 0,15). Eso es lo bastante rápido para trabajo por lotes con audiolibros, pero justo para atender a muchos usuarios en vivo desde una sola tarjeta.
Los modelos más pequeños están cerrando la brecha. SupertonicTTS, con 44M de parámetros, informó 0,02 en una RTX 4090 y 0,05 en una RTX 3090, frente a 0,31 de F5-TTS con 32 pasos en la RTX 3090 (Supertone, SupertonicTTS). Para los equipos que evalúan un generador de voz con IA, el número de parámetros por sí solo es una mala guía del costo de servicio: la tabla siguiente lista a DiTTo-TTS, con 740M de parámetros, como más rápido que Voicebox, con 330M, aunque esas dos cifras pueden no provenir del mismo hardware.
| Métrica | Valor | Fuente |
|---|---|---|
| RTF de F5-TTS, 16 vs 32 pasos de muestreo, RTX 3090, 10 s de voz (menor es más rápido) | 0,15 vs 0,31 | Chen et al., F5-TTS 2024 |
| RTF de CosyVoice (unos 300M de parámetros) vs FireRedTTS (unos 580M) | 0,92 vs 0,84 | Chen et al., F5-TTS 2024 |
| RTF de Voicebox (330M) vs VALL-E 2 | 0,64 vs 0,732 | Chen et al., F5-TTS 2024 |
| RTF de DiTTo-TTS (740M) vs NaturalSpeech 3 (500M) | 0,162 vs 0,296 | Chen et al., F5-TTS 2024 |
| RTF de SupertonicTTS (44M) en RTX 4090 vs RTX 3090 | 0,02 vs 0,05 | Supertone, SupertonicTTS 2025 |
| Múltiplo de tiempo real con tamaño de lote 1 (mayor es más rápido): DSM-TTS vs Chatterbox vs CSM | 3,2 vs 1,8 vs 1,0 | Kyutai, DSM-TTS 2025 |
| Múltiplo de tiempo real con tamaño de lote 1: Dia y Orpheus | 0,7 cada uno (más lento que el tiempo real) | Kyutai, DSM-TTS 2025 |
Nota de contexto: el artículo de F5-TTS no dice cómo se midieron los valores de RTF de las líneas base, y puede que no compartan su RTX 3090, así que conviene tomar las filas 2 a 4 como indicativas. Un artículo posterior midió el propio F5-TTS en 0,065 y 0,123 en una RTX 3090 (véase la sección 6). La tabla de Kyutai usa la convención invertida, en la que un valor por debajo de 1,0 significa que el modelo no puede seguir el ritmo de la reproducción.
4. Tiempo hasta el Primer Audio en Streaming y Concurrencia de Servicio
Para el uso en vivo, la cifra que importa no es el RTF sino cuánto espera el oyente hasta el primer sonido. En un benchmark en A100, VoXtream con torch.compile empezó a hablar tras 102 ms, mientras que CosyVoice2 en modo full-stream tardó 1.643 ms (KTH, VoXtream). Full-stream significa que el modelo arranca mientras el texto aún está llegando; un sistema puede tener un RTF decente y aun así una mala latencia del primer paquete si espera frases completas.
La concurrencia es la otra mitad. Agrupar más usuarios en lotes sobre una GPU eleva el rendimiento total pero alarga la espera de cada usuario. DSM-TTS de Kyutai pasó de 150 ms con tamaño de lote 1 a 403 ms con tamaño de lote 64, mientras que el rendimiento subió de 3,2 a 137,3 veces el tiempo real (Kyutai, DSM-TTS). Las propias tablas de NVIDIA Riva muestran la misma curva en un pipeline FastPitch más HiFi-GAN: la latencia del primer audio creció unas 15 veces de 1 a 32 flujos, mientras que el rendimiento creció unas 2,9 veces (NVIDIA Riva TTS performance). Cómo encajan estas cifras en un presupuesto completo de latencia de un agente de voz se trata en nuestras estadísticas de tiempo hasta el primer audio en agentes de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Latencia del primer paquete y RTF de VoXtream con torch.compile, A100, FP16 | 102 ms (RTF 0,17) | KTH, VoXtream 2025 |
| Latencia del primer paquete y RTF de VoXtream sin compilación | 171 ms (RTF 1,00) | KTH, VoXtream 2025 |
| Latencia del primer paquete de XTTS-v2, streaming de salida, sin vs con DeepSpeed | 295 ms vs 196 ms | KTH, VoXtream 2025 |
| Latencia del primer paquete y RTF de CosyVoice2, modo full-stream, misma prueba en A100 | 1.643 ms (RTF 0,85) | KTH, VoXtream 2025 |
| Latencia de DSM-TTS con tamaño de lote 1 vs 32 vs 64 | 150 ms vs 380 ms vs 403 ms | Kyutai, DSM-TTS 2025 |
| Rendimiento de DSM-TTS con tamaño de lote 64, veces el tiempo real | 137,3x | Kyutai, DSM-TTS 2025 |
| Latencia media del primer audio de Riva FastPitch más HiFi-GAN, 1 flujo vs 32 flujos | 22 ms vs 323 ms | Documentación de NVIDIA Riva 2.16.0 (ejecutado por el proveedor) |
| Rendimiento de Riva (RTFX, mayor es más rápido), 1 flujo vs 32 flujos | 150,8 vs 440 | Documentación de NVIDIA Riva 2.16.0 (ejecutado por el proveedor) |
Nota de contexto: el README del proyecto CosyVoice afirma una latencia “de apenas 150 ms” para su modelo más nuevo, Fun-CosyVoice 3.0 (FunAudioLLM CosyVoice on GitHub), una afirmación del proyecto para una versión distinta de la que midió KTH. No nombramos una GPU para las filas de Riva: son la primera tabla de resultados de la página de NVIDIA, cuya lista de GPU empieza con la A100, pero el texto de la página que pudimos leer no vinculaba cada tabla con su etiqueta de GPU.
5. Hardware de CPU, Móvil y Edge
Fuera de la GPU, los márgenes de velocidad se reducen rápido. HiFi-GAN V1, que funcionó 167,86 veces más rápido que el tiempo real en una V100, llegó a solo 1,43 veces el tiempo real en una CPU Intel i7 de portátil, mientras que WaveGlow cayó a 0,21 veces, demasiado lento para la reproducción en vivo (Kong et al., HiFi-GAN). El modelo que gana en un servidor suele ser el equivocado para un portátil, y el HiFi-GAN V3, más pequeño (13,44 veces el tiempo real en la misma CPU), muestra cuánto pesan aquí las decisiones de arquitectura.
Los modelos pequeños hechos a medida llegan mucho más lejos. EfficientSpeech, con 266k parámetros y 90 MFLOPS, generó espectrogramas mel 104,3 veces más rápido que el tiempo real en una Raspberry Pi 4, cerca del 1% del tamaño y del cómputo de modelos compactos como Mixer-TTS (EfficientSpeech). El trabajo de Apple en el dispositivo mostró el pipeline completo funcionando en dos dispositivos móviles, con el primer búfer de audio reproduciéndose de 158 a 179 ms después de la solicitud (Apple, On-device neural speech synthesis). Las tendencias de hardware detrás de este cambio se siguen en nuestras estadísticas de procesadores de voz con IA en el borde.
Las mediciones más recientes muestran cuánto importa la decisión de diseño en el mismo chip. En un hilo de un AMD EPYC 7413, un modelo de streaming de Samsung Research alcanzó un RTF de 0,568 y produjo su primer token acústico en 0,061 s, frente a 7,665 y 41,41 s de VALL-E X (Lee et al., Interspeech 2025). El NICT informó un RTF por lotes de alrededor de 0,3 y una latencia incremental de menos de 0,5 s en un Google Pixel 5, que describe como un teléfono de gama media (Okamoto et al., Mobile PresenTra).
| Métrica | Valor | Fuente |
|---|---|---|
| Velocidad de HiFi-GAN V1 vs HiFi-GAN V3 vs WaveGlow en una CPU Intel i7 de portátil, veces el tiempo real | 1,43x vs 13,44x vs 0,21x | Kong et al., HiFi-GAN 2020 |
| Velocidad de síntesis de extremo a extremo de Apple, dispositivo móvil A vs dispositivo B, veces el tiempo real | 1,47x vs 3,03x | Apple, On-device neural speech synthesis 2021 |
| Latencia percibida por el cliente de Apple (desde la solicitud hasta la reproducción del primer búfer de audio), dispositivo A vs dispositivo B | 179 ms vs 158 ms | Apple, On-device neural speech synthesis 2021 |
| Mobile PresenTra en un Google Pixel 5: RTF por lotes; latencia incremental | alrededor de 0,3; menos de 0,5 s | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| RTF en un hilo de CPU AMD EPYC 7413, solo generación de tokens (menor es más rápido): SMAM+INR vs Small-E vs VALL-E X | 0,568 vs 2,404 vs 7,665 | Lee et al. (Samsung Research), Interspeech 2025 |
| Tiempo hasta el primer token acústico en el mismo hilo de CPU: SMAM+INR vs Small-E vs VALL-E X | 0,061 s vs 14,34 s vs 41,41 s | Lee et al. (Samsung Research), Interspeech 2025 |
| Parámetros de EfficientSpeech y velocidad de generación de mel en una Raspberry Pi 4 | 266k parámetros, 104,3x el tiempo real | EfficientSpeech 2023 |
| Nix-TTS vs su modelo profesor VITS, RTF en una Raspberry Pi 3B (por encima de 1,0 es más lento que el tiempo real) | 1,974 vs 16,50 | Nix-TTS 2022 |
Datos más recientes disponibles: Kong et al. 2020, Apple 2021, Nix-TTS 2022 y EfficientSpeech 2023 tienen más de tres años; no encontramos cifras más nuevas revisadas por pares para esas comparaciones exactas. El resumen de Apple redondea la cifra móvil a “3x más rápido que el tiempo real”, pero su tabla muestra el dispositivo A en 1,47x. La cifra de EfficientSpeech cubre solo la generación de mel, no el vocoder, y las filas de Samsung excluyen el procesamiento del códec, así que ninguna de las dos es un pipeline de voz completo.
6. El Equilibrio entre Velocidad y Calidad
Los modelos de difusión y de flow matching exponen la velocidad como un dial: el número de pasos de muestreo (evaluaciones de la función de la red, o NFE). SupertonicTTS mantuvo su tasa de error de palabras entre 2,639% y 2,818% de 8 a 128 pasos, pero con 4 pasos la tasa de error saltó a 11,43% y la puntuación de calidad NISQA cayó a 2,623 (Supertone, SupertonicTTS). La inteligibilidad no se degrada poco a poco; se mantiene estable y luego se rompe en un precipicio, así que el ajuste seguro más barato está justo por encima de él.
Ese precipicio puede moverse sin hardware nuevo. En una RTX 3090, F5-TTS con 7 pasos espaciados uniformemente y Fast F5-TTS con 7 pasos podados funcionaron ambos con un RTF de 0,030, pero solo la elección de dónde caen los pasos llevó la tasa de error de palabras de 4,16% a 2,45%, cerca del 2,37% de la línea base de 32 pasos con 0,123 (Zheng et al., Interspeech 2025).
La misma forma aparece en los vocoders y en el streaming. HiFi-GAN V3 funcionó unas 7,07 veces más rápido que V1 en una GPU V100 (26.169 kHz divididos entre 3.701 kHz), con una caída del MOS de 4,36 a 4,05 (Kong et al., HiFi-GAN). CosyVoice 2 calificó su modo de streaming de “casi sin pérdidas en casos de prueba típicos”, pero en su conjunto de prueba difícil la tasa de error de palabras subió de 6,83% en modo offline a 8,08% en streaming (CosyVoice 2).
| Métrica | Valor | Fuente |
|---|---|---|
| SupertonicTTS con 4 vs 8 pasos de muestreo: RTF; tasa de error de palabras; puntuación NISQA | 0,006 vs 0,011; 11,43% vs 2,818%; 2,623 vs 3,916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTS con 32 pasos (ajuste elegido) vs 128 pasos: RTF; puntuación NISQA (las grabaciones puntúan 4,070) | 0,037 vs 0,140; 4,033 vs 4,070 | Supertone, SupertonicTTS 2025 |
| RTF de F5-TTS en una RTX 3090 con 32 vs 16 vs 7 pasos de muestreo | 0,123 vs 0,065 vs 0,030 | Zheng et al., Interspeech 2025 |
| Tasa de error de palabras en LibriSpeech-PC con 7 pasos, F5-TTS espaciado uniformemente vs Fast F5-TTS (línea base de 32 pasos 2,37%) | 4,16% vs 2,45% | Zheng et al., Interspeech 2025 |
| MOS de Matcha-TTS con 2 vs 10 pasos de muestreo | 3,65 vs 3,84 | Mehta et al., Matcha-TTS 2023 |
| Tasa de error de palabras de CosyVoice 2 en el conjunto de prueba difícil, offline vs streaming | 6,83% vs 8,08% | CosyVoice 2 2024 |
| RTF de StyleTTS 2 con 4 vs 128 pasos de difusión | 0,0179 vs 0,0963 | Li et al., StyleTTS 2 2023 |
Nota de contexto: NISQA es un predictor automático y no intrusivo de la calidad de la voz que estima una puntuación al estilo de un oyente sin una grabación de referencia; no es una prueba de escucha con personas. La tabla de pasos de SupertonicTTS no indica su hardware, y su 0,037 con 32 pasos difiere del 0,02 informado en otra parte del mismo artículo.
7. Precio por Millón de Caracteres y por Hora de Audio
Los precios de lista muestran un mercado dividido en niveles y no una tarifa única. Google Cloud cobra $4 por 1 millón de caracteres para voces Standard y WaveNet, pero $160 para voces Studio, una diferencia de 40 veces para el mismo texto (Google Cloud Text-to-Speech pricing). Amazon Polly va de $4 para Standard a $100 para voces Long-Form, y su propio ejemplo equipara 1 millón de caracteres con unas 23 horas y 8 minutos de voz (AWS Amazon Polly pricing).
Con esa conversión de AWS (23 horas y 8 minutos son unas 23,13 horas), Polly Generative a $30 sale a unos $1,30 por hora de audio (30 dividido entre 23,13), y Standard a unos $0,17. Los modelos con precio por token requieren otro cálculo: Google indica que el audio de Gemini TTS son 25 tokens por segundo, así que una hora son 90.000 tokens de audio, y Gemini 2.5 Pro TTS a $20 por millón de tokens de audio resulta en $1,80 por hora de salida antes de los cargos por la entrada de texto. Los modelos de pesos abiertos lo comprimen aún más: Artificial Analysis lista a Kokoro 82M en Replicate a $0,65 por millón de caracteres (Artificial Analysis text-to-speech leaderboard). Para la economía más amplia de las GPU detrás de estos precios, véanse nuestras estadísticas de costo de inferencia de IA.
| Métrica | Valor | Fuente |
|---|---|---|
| Precio de lista de Google Cloud por 1M de caracteres: Standard y WaveNet vs Neural2 | $4 vs $16 | Precios de Google Cloud Text-to-Speech 2026 |
| Precio de lista de Google Cloud por 1M de caracteres: Chirp 3 HD vs Instant custom voice vs Studio | $30 vs $60 vs $160 | Precios de Google Cloud Text-to-Speech 2026 |
| Precio de lista de Amazon Polly por 1M de caracteres: Standard, Neural, Generative, Long-Form | $4, $16, $30, $100 | Precios de AWS Amazon Polly 2026 |
| Voces neuronales de Microsoft Azure, pago por uso vs precio por excedente en el nivel de compromiso de 2.000M de caracteres, por 1M de caracteres | $15 vs $7,50 | Precios de Microsoft Azure Speech 2026 |
| OpenAI tts-1 (descrito como optimizado para velocidad) vs tts-1-hd, por 1M de caracteres | $15 vs $30 | Precios de la API de OpenAI 2026 |
| Precio de salida de audio de Gemini 2.5 Pro TTS y costo derivado por hora de audio (25 tokens por segundo) | $20 por 1M de tokens de audio, unos $1,80 por hora | Precios de Google Cloud Text-to-Speech 2026 (derivado) |
| Amazon Polly Generative y Standard, costo derivado por hora de audio | unos $1,30 y unos $0,17 | Precios de AWS Amazon Polly 2026 (derivado) |
| Precio de la API alojada de Kokoro 82M por 1M de caracteres (Replicate) | $0,65 | Ranking TTS de Artificial Analysis 2026 |
Nota de contexto: son precios de lista al 31 de octubre de 2026, antes de descuentos negociados. Los niveles de compromiso de Azure empiezan en $960 por 80M de caracteres, lo que da $12 por millón (960 dividido entre 80). Los niveles gratuitos difieren mucho: Polly Standard incluye 5 millones de caracteres al mes, mientras que Polly Generative incluye 100 mil caracteres al mes durante los primeros 12 meses. La propia model card de Kokoro dice que el modelo se entrenó por unos $1.000 usando 1.000 horas de GPU A100 80GB (Kokoro-82M model card), lo que muestra lo poco cómputo de entrenamiento que necesita hoy una voz de bajo costo.
Resumen: Factor de Tiempo Real y Costo de Inferencia en Text-to-Speech en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Velocidad de HiFi-GAN V3 vs WaveNet en una GPU V100, veces el tiempo real | 1.186,80x vs 0,003x | Kong et al., HiFi-GAN 2020 |
| RTF de FastSpeech 2 vs Transformer TTS | 0,0195 vs 0,932 | Ren et al., FastSpeech 2 2020 |
| RTF de Matcha-TTS con 2 pasos de muestreo, incluido el vocoder | 0,015 | Mehta et al., Matcha-TTS 2023 |
| RTF de F5-TTS con 16 pasos vs RTF de CosyVoice | 0,15 vs 0,92 | Chen et al., F5-TTS 2024 |
| Latencia del primer paquete de VoXtream vs CosyVoice2, misma prueba en A100 | 102 ms vs 1.643 ms | KTH, VoXtream 2025 |
| Latencia de DSM-TTS, tamaño de lote 1 vs 64 | 150 ms vs 403 ms | Kyutai, DSM-TTS 2025 |
| Latencia del primer audio de Riva, 1 vs 32 flujos | 22 ms vs 323 ms | Documentación de NVIDIA Riva 2.16.0 (ejecutado por el proveedor) |
| Primer audio de SpeakStream con PWG vs vocoder de streaming | 180 ms vs 40 ms | Apple, SpeakStream 2025 |
| Velocidad de síntesis en el dispositivo de Apple, dos dispositivos móviles | 1,47x y 3,03x el tiempo real | Apple, On-device neural speech synthesis 2021 |
| Generación de mel de EfficientSpeech en una Raspberry Pi 4 | 104,3x el tiempo real | EfficientSpeech 2023 |
| RTF por lotes de Mobile PresenTra en un Google Pixel 5 | alrededor de 0,3 | Okamoto et al. (NICT), Mobile PresenTra, Interspeech 2024 |
| Tasa de error de palabras de SupertonicTTS con 4 vs 8 pasos de muestreo | 11,43% vs 2,818% | Supertone, SupertonicTTS 2025 |
| Tasa de error de palabras de F5-TTS con 7 pasos, espaciado uniforme vs calendario podado | 4,16% vs 2,45% | Zheng et al., Interspeech 2025 |
| Tasa de error de palabras de CosyVoice 2 en el conjunto difícil, offline vs streaming | 6,83% vs 8,08% | CosyVoice 2 2024 |
| Voces Standard vs Studio de Google Cloud, por 1M de caracteres | $4 vs $160 | Precios de Google Cloud Text-to-Speech 2026 |
| Voces Long-Form de Amazon Polly, por 1M de caracteres | $100 | Precios de AWS Amazon Polly 2026 |
| Voz producida por 1M de caracteres, ejemplo de precios de Amazon | unas 23 horas y 8 minutos | Precios de AWS Amazon Polly 2026 |
| Voces neuronales de Azure, pago por uso por 1M de caracteres | $15 | Precios de Microsoft Azure Speech 2026 |
| Precio alojado de Kokoro 82M por 1M de caracteres | $0,65 | Ranking TTS de Artificial Analysis 2026 |
Metodología y Fuentes
- Kong, Kim y Bae: HiFi-GAN (2020), Tabla 1 con velocidad, MOS y número de parámetros en una GPU V100 y en una CPU de portátil.
- Ren et al.: FastSpeech 2 (2020), Tabla 2 con el RTF de inferencia en un servidor V100 con tamaño de lote 1.
- Mehta et al.: Matcha-TTS (2023), RTF incluyendo la vocodificación en GPU RTX 3090.
- Li et al.: StyleTTS 2 (2023), RTF global y por número de pasos de difusión.
- Chen et al.: F5-TTS (2024), RTF en una RTX 3090 para 10 s de voz, con una tabla comparativa de líneas base.
- Supertone: SupertonicTTS (2025), RTF en RTX 4090 y RTX 3090, y la ablación del número de pasos de muestreo.
- KTH Royal Institute of Technology: VoXtream (2025), latencia del primer paquete y RTF en FP16 en una A100.
- Kyutai: Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling (2025), latencia, RTF y rendimiento de DSM-TTS por tamaño de lote.
- Apple: SpeakStream (2025), latencia en un Mac mini M4 Pro con MLX; On-device neural speech synthesis (2021), mediciones en dispositivos móviles.
- FunAudioLLM: CosyVoice 2 (2024), calidad en streaming vs offline; CosyVoice GitHub README (afirmación del proyecto, 2026).
- EfficientSpeech (2023) y Nix-TTS (2022), modelos de huella reducida en CPU y Raspberry Pi.
- Artículos de Interspeech: Okamoto, Ohtani y Kawai (NICT), Mobile PresenTra (2024), RTF y latencia en smartphone; Lee et al. (Samsung Research), Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework (2025), RTF y latencia en CPU de un solo hilo; Zheng et al., Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling (2025), velocidad y tasas de error de F5-TTS por número de pasos.
- NVIDIA: Riva 2.16.0 TTS performance, tablas de latencia y RTFX ejecutadas por el proveedor.
- Páginas de precios, consultadas el 31 de octubre de 2026: Google Cloud Text-to-Speech, Amazon Polly, Microsoft Azure Speech, OpenAI API y la página del modelo OpenAI tts-1.
- Artificial Analysis text-to-speech leaderboard (2026) y la Kokoro-82M model card (Hugging Face), para el precio de modelos de pesos abiertos y el costo de entrenamiento.
- Nota sobre los datos: los números de RTF no son comparables entre artículos a menos que coincidan el hardware, el tamaño de lote, la precisión y la inclusión del vocoder; incluso dentro de un mismo artículo, SupertonicTTS informa 0,037 y 0,02 para lo que parece ser la misma configuración. El artículo de F5-TTS no indica cómo se midieron los RTF de sus líneas base, y la propia velocidad de F5-TTS entra en conflicto entre fuentes para el mismo modelo de GPU: el artículo original da 0,15 con 16 pasos y 0,31 con 32 pasos en una RTX 3090, mientras que Zheng et al. dan 0,065 y 0,123 en una RTX 3090, sin explicación de la diferencia en las páginas que leímos. La Tabla 6 de Kyutai no nombra su GPU, y el artículo imprime unos 800 ms de latencia para F5-TTS con 16 pasos y unos 400 ms con 32 pasos, lo contrario de lo que normalmente harían más pasos, así que no usamos esos dos valores. La medición de VoXtream y la cifra del README de CosyVoice cubren versiones distintas de CosyVoice, por lo que no son directamente comparables. Las dos conversiones de caracteres a audio entran en conflicto: el ejemplo de Amazon implica unos 720 caracteres por minuto (1.000.000 de caracteres divididos entre 1.388 minutos), mientras que la card de Kokoro usa unos 1.000, de modo que un costo por hora basado en la razón de Kokoro sería un 39% mayor que uno basado en la de Amazon (1.000 dividido entre 720 es cerca de 1,39). Google Cloud etiqueta sus modelos Gemini 3.8 TTS como Preview, con precios previstos para cambiar el 1 de enero de 2027. Las reglas de MLPerf Inference de MLCommons listan Whisper para voz a texto pero ninguna carga de trabajo de text-to-speech, así que la velocidad de TTS no tiene allí un benchmark neutral de la industria; varios de los artículos de hardware aquí tienen más de tres años y se marcan como datos más recientes disponibles.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando entre en vigor el cambio de precios de Gemini TTS de Google Cloud del 1 de enero de 2027.