Fish Audio

Fish Audio es hoy la alternativa más competitiva a ElevenLabs en voz con IA: clona una voz con solo 10-15 segundos de audio, habla 83 idiomas y su API cuesta $15 por millón de bytes UTF-8 a octubre de 2026, entre 4 y 11 veces menos que su principal rival.

Si buscas clonar voz con IA gratis, generar locuciones realistas en español o integrar texto a voz en tus propias aplicaciones sin que la factura se dispare, esta plataforma merece una prueba seria: su modelo insignia S2.1 Pro (julio de 2026) alcanza 94 puntos de naturalidad humana sobre 100, y sus pesos abiertos permiten ejecutarlo en servidores propios.

Eso sí, una excelente relación calidad-precio no la convierte en la mejor opción para todo el mundo: el plan gratuito se queda muy corto y, en inglés, ElevenLabs sigue ofreciendo un acabado más fino.

Qué es Fish Audio y cómo funciona

Fish Audio opera de tres formas complementarias:

• Plataforma web: introduces un texto, eliges una voz de su biblioteca comunitaria (más de 2 millones) o clonas la tuya, y generas el audio directamente en el navegador.
• API para desarrolladores: API REST y WebSocket con SDK para Python y JavaScript; tras el registro, la primera llamada funciona en unos cinco minutos.
• Modelos abiertos: los pesos de Fish Speech pueden desplegarse localmente con Docker sobre hardware propio.

Además ofrece una vía gratuita de experimentación: seleccionando el modelo "s2.1-pro-free" en la API se accede sin coste al mismo S2.1 Pro, sin límite estricto de caracteres y sujeto a una política de uso razonable.

Capacidades: clonación de voz, idiomas y emociones

Clonación de voz con 10-15 segundos

Es su función estrella. Con una muestra de apenas 10-15 segundos se obtiene una clonación zero-shot, sin entrenamiento ni fine-tuning, y la función está disponible incluso en el plan gratuito. La clonación es multilingüe: una grabación en español puede generar voz en inglés, chino o cualquiera de los otros 82 idiomas.

En una prueba real, un usuario clonó su voz con 15 segundos de audio y su esposa no distinguió la voz original del clon en una prueba a ciegas. Frente a esto, ElevenLabs requiere más de 30 segundos para Flash v2.5 y reserva ciertas funciones de clonación a planes de pago desde $22 al mes.

Texto a voz en español y 83 idiomas

La plataforma incluye voces masculinas y femeninas en español con acento latinoamericano neutro, de pronunciación clara y entonación natural según las muestras oficiales. En pruebas ciegas, Fish Audio logró una puntuación Bradley-Terry de 3,05 en idiomas con alfabeto latino, frente a 1,90 de ElevenLabs v3 (a octubre de 2026).

Conviene matizar: todavía no existen evaluaciones sistemáticas que comparen de forma fiable variantes regionales como el español de España, el argentino o el caribeño, y algunos análisis comparativos de mediados de 2026 siguen dando una ligera ventaja a ElevenLabs en doblaje en español.

Etiquetas de emoción

El sistema admite más de 15.000 etiquetas emocionales: basta con insertar marcas como [whisper], [laugh] o [excited] en el texto para modular la interpretación. Bien usadas, evitan que una narración de más de 10 minutos resulte monótona. La contrapartida es una curva de aprendizaje: colocarlas con criterio requiere algo de experimentación.

Benchmark y latencia: ¿qué tan real suena?

Los números de S2.1 Pro a octubre de 2026:

• Humanness Index: 94 puntos frente a 100 de grabaciones humanas reales en benchmark ciego.
• Prueba de Vapi: 94/100 en naturalidad, con 141 ms hasta el primer paquete de audio, cuando modelos similares sitúan entre 300 y 800 ms.
• Latencia TTFA: unos 70-90 ms, suficiente para agentes de voz en tiempo real.
• Idiomas: 83, con clonación multilingüe sin necesidad de reentrenar la voz.

Precio de Fish Audio a octubre de 2026

La suscripción web tiene cuatro niveles:

Plan	Precio	Créditos / generación	Características
Gratis	$0	8.000 créditos/mes (unos 7 min)	Sin licencia comercial
Plus	$11/mes (o $5,5/mes anual)	250.000 créditos (unos 200 min)	Licencia comercial + API
Pro	$75/mes	Hasta 27 horas	Equipos de hasta 3 personas
Max	$749/mes	Gran volumen	Producción a gran escala

API por uso: $15 por millón de bytes UTF-8

S2.1 Pro y S2 Pro cuestan $15 por millón de bytes UTF-8, lo que equivale aproximadamente a 180.000 palabras en inglés o unas 12 horas de voz. La concurrencia sube con el gasto acumulado: 5 solicitudes simultáneas por debajo de $100, 15 a partir de $100 y 50 a partir de $1.000.

Un detalle clave para contenido multilingüe: en chino, japonés y coreano cada carácter ocupa unos 3 bytes, así que el coste efectivo puede rondar los $45 por millón de caracteres. En español y otros idiomas latinos la relación es cercana a un byte por carácter, con un coste similar al del inglés.

¿Merece la pena según tu volumen?

Para un usuario ocasional, los 7 minutos del plan gratuito no bastan para evaluar un proyecto real y además carecen de licencia comercial. Para un usuario medio, el plan Plus es de lo más generoso de su rango: unos 200 minutos y uso comercial por $11. Para producción intensiva, Pro ofrece hasta 27 horas por $75, y el despliegue local puede reducir el coste marginal a largo plazo, sumando GPU, electricidad y mantenimiento. Frente a ElevenLabs Creator ($22/mes, 100.000 caracteres), Fish Audio Plus cuesta aproximadamente la mitad y da más del doble de volumen.

Ejecución local con Fish Speech open source

Los pesos abiertos permiten ejecutar el modelo en infraestructura propia, algo que casi ninguna plataforma comercial ofrece. Como referencia mínima hace falta una GPU con 12 GB de VRAM (una RTX 3060), Linux o WSL, Docker y el runtime de NVIDIA; para producción se recomienda una RTX 4090 de 24 GB y para entornos empresariales una A100. La ventaja: los datos no salen de tu servidor y mantienes control total del modelo. El coste: requiere conocimientos técnicos y añade gastos de mantenimiento.

Ventajas e inconvenientes

✅ Ventajas

• Clonación con barrera de entrada mínima: 10-15 segundos de audio, disponible incluso en el plan gratuito.
• API muy económica: $15 por millón de bytes más una vía gratuita de S2.1 Pro; prototipar puede costar prácticamente cero.
• Cobertura multilingüe amplia: 83 idiomas combinados con etiquetas emocionales, ideal para contenido en varios idiomas.
• Ejecución local: pesos abiertos para empresas con requisitos estrictos de privacidad.
• Baja latencia: TTFA de unos 90 ms, viable para agentes de voz.

❌ Limitaciones

• Plan gratuito insuficiente para proyectos reales: unos 7 minutos al mes y sin licencia comercial.
• Etiquetas emocionales con curva de aprendizaje: la documentación sobre cómo colocarlas sigue siendo limitada.
• Biblioteca de voces irregular: más de 2 millones de voces no garantiza calidad uniforme; búsqueda y filtrado mejorables.
• Sin aplicación de escritorio nativa: el acceso se hace por web, API y apps móviles.

Fish Audio vs ElevenLabs: cuál elegir

Criterio	Fish Audio	ElevenLabs
Clonación mínima	10-15 s, también en plan gratis	30+ s (Flash v2.5); funciones pro desde $22/mes
Precio de entrada de pago	$11/mes, ~200 min, uso comercial	$22/mes Creator, 100.000 caracteres
API (octubre de 2026)	$15/millón de bytes UTF-8 + vía gratuita	Entre 4 y 11 veces más cara por volumen
Idiomas	83	Amplia cobertura, con más años de trayectoria
Inglés de máximo acabado	Muy bueno	Sigue ganando en consistencia
Open source / local	Sí, Fish Speech con Docker	No

Si produces solo contenido en inglés y buscas el máximo refinamiento, ElevenLabs justifica el sobrecoste. Si necesitas volumen, multilingüismo, clonación barata o control total con despliegue local, Fish Audio es la opción más racional. Su posicionamiento está más cerca de un motor de voz que de un estudio completo de producción y doblaje.

¿Para quién es Fish Audio?

• Creadores de contenido: productores de YouTube, podcasts y audiolibros que necesitan locuciones en varios idiomas con presupuesto ajustado.
• Desarrolladores: agentes de voz e integraciones TTS gracias a la baja latencia, la API barata y la vía gratuita.
• Empresas preocupadas por la privacidad: el despliegue local mantiene los datos en infraestructura propia.
• Usuarios sensibles al precio: el plan Plus ofrece una capacidad difícil de igualar por $11/mes.

Preguntas frecuentes

¿Fish Audio es gratis?

Tiene un plan gratuito con 8.000 créditos mensuales (unos 7 minutos de audio, sin licencia comercial) y una API gratuita de S2.1 Pro para desarrolladores mediante el modelo "s2.1-pro-free". Los planes de pago empiezan en $11 al mes a octubre de 2026.

¿Puedo clonar mi voz gratis?

Sí: la clonación zero-shot con 10-15 segundos de muestra está disponible incluso en el plan gratuito, aunque para uso comercial necesitas el plan Plus.

¿Cómo funciona en español?

Ofrece voces nativas con acento latinoamericano neutro y una puntuación Bradley-Terry de 3,05 en idiomas latinos frente a 1,90 de ElevenLabs v3. La calidad de variantes regionales específicas (España, Argentina, Caribe) aún no está evaluada sistemáticamente.

¿Cuánto cuesta la API?

$15 por millón de bytes UTF-8 para S2.1 Pro y S2 Pro, sin mínimo de suscripción. En idiomas CJK el coste efectivo por carácter triplica el del español o el inglés.

¿Puedo ejecutar Fish Audio en mi servidor?

Sí: los pesos de Fish Speech se despliegan con Docker. El mínimo recomendado es una GPU de 12 GB de VRAM; para producción, una RTX 4090 de 24 GB.