Cartesia

Cartesia es la referencia en voz IA en tiempo real cuando lo que importa es la latencia. Su modelo insignia Sonic 3.6, lanzado en agosto de 2026, lidera los dos rankings de Artificial Analysis (Provider Voice y Controlled Voice) con un Elo de 1282 puntos, 179 por encima de OpenAI TTS-1-HD, gracias a una arquitectura de modelos de espacio de estados (SSM) que genera audio a 136,1 caracteres por segundo. Si estás construyendo un agente de voz, un sistema de atención telefónica con IA o un asistente conversacional en español, es hoy una de las opciones que más merece la pena evaluar, con precios desde 5 $ al mes (a octubre de 2026).

Qué es Cartesia: infraestructura de voz API-first, no un estudio de doblaje

Cartesia es una plataforma de IA especializada en generación de voz en tiempo real. Su propuesta central es un motor de voz con enfoque API-first: no está pensada principalmente como un estudio de texto a voz para usuarios finales, sino como una infraestructura de voz que los desarrolladores integran en sus propias aplicaciones.

El problema que resuelve es muy concreto: conseguir que una IA responda por voz con una latencia tan baja que el usuario deje de percibir que está esperando a una máquina. Su diferencial técnico es el uso de modelos de espacio de estados (SSM) en lugar de Transformers. Los SSM procesan el audio como un flujo continuo en vez de generarlo por bloques, y esa es la razón estructural por la que Sonic alcanza latencias imposibles para buena parte de la competencia.

El ecosistema se completa con la familia Ink de modelos de reconocimiento de voz en streaming y Line, una plataforma gestionada para construir y desplegar agentes de voz que llaman por teléfono.

Capacidades principales: Sonic 3.6, clonación de voz y API

Sonic 3.6: el modelo de voz que lidera los rankings

El modelo principal actual es Sonic 3.6 (agosto de 2026), compatible con 44 idiomas. La generación anterior, Sonic 3.5, alcanzó la disponibilidad general en mayo de 2026 e introdujo mejoras de ritmo natural, lectura de combinaciones alfanuméricas y tratamiento de palabras heterónimas, con el español como uno de los idiomas destacados en su actualización multilingüe.

En la escucha práctica, el ritmo y las pausas resultan bastante naturales, especialmente en frases cortas y conversaciones: el modelo evita las pausas artificiales y la segmentación mecánica típicas de otros sistemas de texto a voz.

Clonación de voz desde 10 segundos de audio

La clonación de voz es otra de las capacidades centrales. La función Instant Cloning necesita aproximadamente 10 segundos de audio y está disponible a partir del plan Pro de 5 $ al mes. Para necesidades más exigentes existe la Professional Voice Cloning (PVC), que ajusta el modelo con mayor precisión para reproducir timbre, ritmo y estilo, disponible desde el plan Startup de 49 $ al mes.

Todo el proceso puede ejecutarse desde la API mediante el endpoint de clonación: se carga una muestra de audio y se obtiene directamente un identificador de voz listo para usar.

API REST, SSE y WebSocket para agentes de voz

La API es uno de los puntos fuertes de Cartesia, con documentación bien estructurada y tres modalidades:

• REST para generación síncrona.
• SSE para generación mediante streaming.
• WebSocket para comunicación de voz en tiempo real.

En pruebas desde la costa este de Estados Unidos, el endpoint WebSocket consiguió una primera transmisión de audio de unos 75-90 ms, un nivel que se acerca al ritmo natural de una conversación humana. La plataforma está además integrada en las principales soluciones de agentes de voz, como Vapi, Daily y LiveKit.

Line: agentes de voz gestionados por minutos

Line representa el paso de Cartesia de motor de voz a solución completa para productos conversacionales: infraestructura gestionada para desplegar agentes de voz a unos 0,06 $ por minuto de llamada, con número telefónico propio por 0,014 $ adicionales por minuto (a octubre de 2026). Para equipos que no quieren desarrollar desde cero la orquestación de un agente, es una vía de integración considerablemente más rápida.

Despliegue local y cumplimiento normativo

Cartesia ofrece despliegue en la nube, local y en el edge, pensado para sectores regulados como finanzas, sanidad y administración pública, con certificaciones SOC 2 Type 2, HIPAA, GDPR y PCI, y soporte de DPA y BAA. Eso sí: no publica los pesos de sus modelos. El despliegue local se realiza bajo licencia comercial en entorno privado, por lo que no equivale a un modelo open source autohospedado como Fish-Speech.

Precio de Cartesia: planes y coste real (a octubre de 2026)

Cartesia factura mediante créditos: en el TTS estándar, aproximadamente 1 crédito por carácter, y las solicitudes fallidas no consumen créditos.

Plan	Precio mensual	Créditos/mes	Funciones principales
Free	0 $	20.000	Uso personal, sin licencia comercial
Pro	5 $ (4 $ en anual)	100.000	Licencia comercial + clonación instantánea
Startup	49 $ (37 $ en anual)	1,25 M	Clonación profesional + funciones de organización
Scale	299 $ (224 $ en anual)	8 M	Soporte prioritario + mayor concurrencia
Enterprise	Personalizado	Personalizado	DPA/BAA, SSO y soporte dedicado

Usuarios ocasionales

El plan Free ofrece 20.000 créditos, aproximadamente 20.000 caracteres o unos 15-20 minutos de audio. Vale para probar o prototipar, pero no incluye licencia comercial, así que no sirve para proyectos comerciales.

Usuarios de intensidad media

El plan Pro (5 $/mes) aporta 100.000 créditos, unos 110 minutos de audio tomando como referencia una narración de 150 palabras por minuto. Para desarrolladores independientes es una cantidad notable en un plan de entrada tan barato.

Usuarios intensivos y agentes de voz

El plan Startup ofrece 1,25 millones de créditos por 49 $/mes, equivalentes a unas 23 horas de audio. Si además se usa Line, hay que sumar 0,06 $ por minuto de llamada: en implementaciones de alta frecuencia, el coste de las llamadas puede superar el de la propia generación de voz.

Coste de la API por volumen

Como referencia, Cartesia publica un precio de unos 49 $ por millón de caracteres (a octubre de 2026). Es más caro que Qwen (27,6 $) o Simba 3.2 (10 $), pero muy por debajo de Eleven v3, que ronda los 100 $ por millón.

En resumen: para voz en tiempo real, la relación calidad-precio es muy competitiva, con una barrera de entrada de 5 $ al mes poco habitual en este mercado. Si el objetivo es únicamente generar grandes volúmenes de doblaje sin interacción en directo, el coste por uso puede acumularse y un despliegue local o una alternativa open source puede salir más a cuenta a largo plazo.

Benchmark: latencia, velocidad y calidad de voz frente a la competencia

Los datos de Artificial Analysis y de integradores de terceros (a octubre de 2026) dibujan el posicionamiento real de Sonic 3.6:

• Calidad de voz: primer puesto en Provider Voice (Elo 1282) y en Controlled Voice, que neutraliza la biblioteca de voces usando las mismas voces clonadas para todos los modelos.
• Velocidad de generación: 136,1 caracteres por segundo, frente a 46,7 de ElevenLabs Eleven v3 y 24,2 de Gemini 3.1 Flash TTS. Sonic produce aproximadamente el triple de contenido que ElevenLabs en el mismo tiempo.
• Latencia: Cartesia promociona un tiempo hasta el primer audio inferior a 90 ms a nivel de modelo; las pruebas independientes miden 166-190 ms de extremo a extremo incluyendo la red. Tras integrar varios proveedores de TTS, Vapi señaló que Cartesia era el único capaz de mantener de forma consistente una latencia e2e por debajo de 200 ms en todos los idiomas evaluados.
• Calidad en español: Sonic 3.6 obtuvo un Elo de 1911 en español en el ranking Provider Voice, entre los mejor posicionados en este idioma. El español fue uno de los idiomas destacados en la actualización de Sonic 3.5, junto con alemán, francés, japonés, coreano, hindi y hebreo.

El punto más débil en benchmarks es la expresividad emocional: Sonic admite etiquetas integradas como [laughter] para controlar expresiones no verbales, pero varias evaluaciones señalan un rango emocional más limitado que el de algunos competidores, con voces algo más planas en contenidos con muchos matices.

Ventajas de Cartesia

• Latencia como ventaja estructural. La arquitectura SSM permite generar audio en streaming con gran rapidez, y las mediciones independientes de 166-190 ms e2e la sitúan entre las soluciones comerciales más rápidas. En un agente de voz, el usuario apenas percibe pausa al esperar la respuesta de la IA.
• Barrera de entrada muy baja. Por 5 $ al mes se obtiene licencia comercial y clonación instantánea. Como contraste, ElevenLabs exige planes de 22 $/mes para ciertas funciones de clonación, y Fish Audio permite clonar gratis pero sin licencia comercial.
• API diseñada para desarrolladores. REST, SSE y WebSocket cubren desde integraciones sencillas hasta voz en streaming, con rendimiento comprobado en plataformas de agentes como Daily y Vapi.
• Flexibilidad de despliegue y cumplimiento. SOC 2 Type 2, HIPAA, GDPR y PCI, con DPA/BAA y opciones local y edge: encaja en procesos de compra de empresas de sectores regulados.
• Español entre los idiomas más optimizados. Buen resultado en benchmarks y voces nativas para España y Latinoamérica, relevante para proyectos en mercados hispanohablantes.

Limitaciones: lo que debes saber antes de elegir Cartesia

• La expresividad emocional no es su fuerte. Para audiolibros, personajes o narración dramática, ElevenLabs o Fish Audio suelen ofrecer más variedad interpretativa y bibliotecas de voces más profundas.
• Los idiomas distintos del inglés aún maduran. Con 44 idiomas admitidos, algunas opiniones señalan margen de mejora en el ritmo natural de ciertas lenguas; el español está entre los mejor optimizados, pero faltan datos públicos sobre consistencia entre variantes regionales.
• Está orientada a desarrolladores. No hay un estudio web tan completo como el de ElevenLabs: un usuario sin perfil técnico tendrá que manejar créditos, llamadas API y formatos de audio, con una curva de aprendizaje claramente superior.
• El sistema de créditos dificulta prever costes. La regla de 1 crédito por carácter parece sencilla, pero el consumo real varía por el preprocesamiento del texto; en aplicaciones de alto tráfico conviene monitorizarlo.
• Sin pesos open source. A diferencia de Fish-Speech o Voxtral, no permite descargar los modelos para ejecutarlos libremente; el despliegue local es bajo licencia comercial.

Cartesia vs ElevenLabs y alternativas: cuál elegir

Criterio	Cartesia Sonic 3.6	ElevenLabs	Fish Audio / open source
Latencia e2e	166-190 ms (referencia)	Muy superior en modelos en tiempo real	Depende del hardware
Velocidad de generación	136,1 car./s	46,7 car./s (Eleven v3)	Variable
Entrada comercial	5 $/mes con clonación instantánea	Clonación avanzada desde ~22 $/mes	Gratis sin licencia comercial
Expresividad emocional	Más limitada	Punto fuerte	Variable
Enfoque	Agentes de voz en tiempo real	Contenido, doblaje y también agentes	Autoalojamiento y control total

La elección es clara por objetivo: si tu prioridad es que la IA hable sin que suene artificial y responda al instante, Cartesia es una de las opciones más fuertes del mercado. Si tu prioridad es que la IA hable con mucha emoción y capacidad interpretativa para narración o audiolibros, conviene mirar ElevenLabs. Y si buscas control tecnológico absoluto y coste cero, un proyecto open source autohospedado es mejor punto de partida.

¿Para quién es Cartesia?

• Desarrolladores de agentes de voz: atención telefónica automatizada, asistentes conversacionales en tiempo real, IVR modernos y NPC con voz para videojuegos, donde la respuesta inmediata es crítica.
• Ingenieros de startups: con el plan Pro de 5 $/mes se integran capacidades de voz de nivel productivo con una barrera económica mínima.
• Empresas con requisitos regulatorios: sanidad, finanzas y sector público encuentran valor en los planes Enterprise con DPA/BAA y despliegue local.
• Equipos que atienden clientes en español: entre los idiomas mejor optimizados de Sonic 3.6, con buen rendimiento en benchmarks en español.

En cambio, es menos adecuada para productores de audiolibros y pódcasts que priorizan interpretación emocional, y para usuarios sin conocimientos de programación que solo quieren generar una locución desde un editor web.

Veredicto y puntuación

Cartesia destaca en latencia, experiencia de API y precio de entrada. El primer puesto de Sonic 3.6 en dos rankings independientes y sus 136 caracteres por segundo no son argumentos de marketing: son cifras contrastables mediante benchmarks. Su limitación principal es que la expresividad emocional no está al nivel de sus prestaciones de velocidad, y el producto apunta a desarrolladores más que a creadores de contenido. Si tu aplicación no necesita interacción en tiempo real, no necesariamente ofrece la mejor relación calidad-precio.

Criterio	Puntuación
Calidad de voz	4,5/5,0
Latencia	5,0/5,0
Clonación de voz	4,0/5,0
Experiencia API	4,5/5,0
Cobertura multilingüe	4,0/5,0
Relación calidad-precio	4,3/5,0
Expresividad emocional	3,0/5,0
Facilidad para no técnicos	2,5/5,0
Puntuación general	4,3/5,0

Preguntas frecuentes sobre Cartesia

¿Cuánto cuesta Cartesia?

Hay un plan Free con 20.000 créditos al mes (sin uso comercial). El plan Pro cuesta 5 $/mes con 100.000 créditos, licencia comercial y clonación instantánea; Startup, 49 $/mes con 1,25 M de créditos; Scale, 299 $/mes con 8 M. La API de TTS ronda los 49 $ por millón de caracteres y los agentes de Line, 0,06 $ por minuto (precios verificados a octubre de 2026).

¿Cartesia funciona bien en español?

Sí. Sonic 3.6 admite 44 idiomas y el español está entre los mejor optimizados, con un Elo de 1911 en español en el ranking Provider Voice de Artificial Analysis (a octubre de 2026) y voces nativas para España y Latinoamérica.

¿Cartesia o ElevenLabs: cuál es mejor para un agente de voz?

Para un agente de voz en tiempo real, Cartesia: aproximadamente el triple de velocidad de generación y una latencia de extremo a extremo consistentemente por debajo de 200 ms. Para narración expresiva, doblaje o audiolibros, ElevenLabs sigue ofreciendo mayor rango emocional y una biblioteca de voces más profunda.

¿Se puede clonar una voz con Cartesia?

Sí. La clonación instantánea requiere unos 10 segundos de audio y está disponible desde el plan Pro; la clonación profesional (PVC), desde el plan Startup, produce un ajuste mucho más fino del timbre, el ritmo y el estilo.

¿Cartesia es gratuita o de código abierto?

No es open source: no publica los pesos de sus modelos. El plan Free existe para pruebas personales sin licencia comercial, y el despliegue local se hace bajo licencia comercial en entorno privado.

¿Necesito saber programar para usar Cartesia?

Para su caso de uso principal (integrar voz en una aplicación o agente), sí: se accede vía REST, SSE o WebSocket. La plataforma Line reduce el esfuerzo de orquestación, pero sigue siendo un producto pensado para equipos técnicos, no para crear locuciones desde un editor web.