Cartesia

Cartesia fue fundada por los investigadores detrás de los modelos de espacio de estados —la arquitectura Mamba— y se nota en el número que más importa para la voz en vivo: la latencia. Su texto a voz Sonic 3.5 encabeza con regularidad los rankings de voz en tiempo real, y el modelo de transcripción complementario Ink-2 completa un stack creado a propósito para agentes telefónicos de IA y asistentes interactivos donde cualquier retraso rompe la ilusión de una conversación. Para los desarrolladores, el atractivo es un solo equipo y API que manejan tanto la salida como la entrada de voz, más clonación de voz y un nivel gratuito generoso (unos 20k créditos al mes a $0) que facilita prototipar antes de los niveles de pago Pro/Startup/Scale. Las advertencias honestas: el precio es por créditos, así que harás algo de aritmética para mapear créditos a caracteres y coste; es un especialista en voz, no una plataforma de IA todo en uno; y su catálogo de idiomas y voces sigue siendo menor que el de ElevenLabs. Pero cuando tu producto vive o muere según lo instantánea que responda una voz, Cartesia es una de las opciones más fuertes del mercado, y vale la pena enfrentarla a ElevenLabs antes de comprometerte.