Voice.ai es una plataforma de voz de la empresa estadounidense Voice AI, Inc. que reúne un cambiador de voz en tiempo real acelerado por GPU, síntesis de voz en más de quince idiomas, clonación instantánea de voz y agentes de voz telefónicos, todo facturado con una misma bolsa de créditos y accesible mediante una API documentada.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Voice.ai es una plataforma de tecnología de voz operada por Voice AI, Inc., una empresa estadounidense cuyas marcas registradas Voice.ai® y Voice Universe® aparecen en el pie de cada página del sitio. El producto nació con una forma mucho más estrecha que la actual: una aplicación de escritorio que permitía a jugadores y creadores de directos sustituir el timbre de su propia voz, en vivo, mientras hablaban en Discord o en una sala de voz de un videojuego. Aquel cambiador de voz en tiempo real original sigue ahí y continúa siendo la razón por la que la mayoría de la gente llega a este dominio. Pero la plataforma vende hoy cuatro cosas distintas desde la misma cuenta, y averiguar cuál de las cuatro necesita realmente es lo más útil que conviene resolver antes de registrarse.
Las cuatro líneas de producto son un cambiador de voz en tiempo real, un motor de síntesis de voz, la clonación instantánea de voz y agentes de voz telefónicos. El titular de la página de inicio coloca dos de ellas juntas, al presentarse a la vez como cambiador de voz gratuito y como plataforma de agentes de voz, una combinación inusual porque esos dos públicos casi no tienen nada en común. Por un lado, un adolescente que quiere sonar como un personaje de dibujos animados en un servidor de Minecraft. Por otro, una responsable de operaciones que quiere que las llamadas comerciales de las tres de la madrugada encuentren a alguien al otro lado. Voice.ai atiende a ambos desde una sola base de código y un solo saldo de créditos, y esa identidad doble explica buena parte de cómo se siente el producto al usarlo.
La posición técnica que reivindica la empresa es más estrecha y más interesante que afirmar que puede copiar cualquier voz. El fundador y director ejecutivo Heath Ahrens lo expresó así ante TechCrunch: la propuesta de valor central de su inteligencia artificial de voz a voz no consiste en reproducir a la perfección a una persona concreta, sino en conservar los elementos esenciales del habla del usuario, es decir, su emoción, su ritmo y su acentuación, mientras se sustituye el sonido de la voz, para crear en tiempo real un resultado enteramente nuevo. Se trata de una distinción deliberada frente a las empresas de conversión vocal cuyo argumento entero descansa en la fidelidad a un hablante objetivo concreto. Voice.ai optimiza que la transformación suene natural y funcione en directo, no que el clon resulte indistinguible en un análisis forense.
La trayectoria del fundador ayuda a leer estas afirmaciones. Ahrens fundó iSpeech en 2007, que la página corporativa describe como la primera plataforma de síntesis de voz en la nube, y lanzó DriveSafe.ly en 2009, la primera aplicación que leía mensajes de texto en voz alta. También había creado Haystack, una empresa de reconocimiento facial. Hablamos de un fundador que lleva casi dos décadas entregando interfaces de voz, lo que hace que el giro reciente hacia interfaces de programación y agentes de voz corporativos parezca menos un cambio de rumbo que un regreso a su terreno.
Dos cifras dan idea de la escala, aunque ambas tienen fecha. Cuando TechCrunch cubrió la primera ronda de financiación externa en junio de 2023, Voice.ai contaba con más de 480.000 usuarios y una biblioteca de más de 50.000 filtros de voz, y había crecido por el boca a boca sobre una base de tres millones de dólares de autofinanciación, con una comunidad en Discord de más de 120.000 personas. Mucker Capital y M13 lideraron entonces una ronda de seis millones de dólares, y M13 sigue presentando a la empresa como una inversión en fase semilla. La ficha actual de la App Store, en cambio, describe una biblioteca comunitaria de más de 20.000 voces creadas por usuarios. Estas cifras cuentan cosas distintas en momentos distintos y no deben unirse en una sola línea de tendencia.
Lo que de verdad distingue a Voice.ai de un proveedor convencional de síntesis de voz es que su biblioteca de voces en buena medida no le pertenece. Voice Universe es una biblioteca comunitaria a la que los usuarios suben las voces que crean y de la que otros toman lo que necesitan. Que ese nombre esté registrado como marca indica hasta qué punto la pieza es central en la identidad de la empresa. El formato se parece más a un mercado o a una comunidad de modificaciones que a un catálogo curado de timbres oficiales, y de ahí surgen a la vez la mayor ventaja de la plataforma y su problema más delicado.
La ventaja es la amplitud y la velocidad. Un catálogo construido por decenas de miles de personas crece más rápido y cubre más nichos de los que podría abarcar cualquier estudio de grabación interno. Las dificultades tienen que ver con la variabilidad de calidad y con la procedencia. Como cualquiera puede aportar, la calidad es desigual: un revisor independiente observó que la calidad de audio se entrecortaba de manera constante y que muchos de los timbres presentados como voces de chica de animación parecían no ser más que un ajuste de tono. Y como las subidas proceden de usuarios, la cuestión de quién consintió cada voz recae en quien sube el material y no en la plataforma, que es exactamente el motivo por el que las condiciones de uso dedican tanto espacio a este asunto.
El cambiador de voz en tiempo real es el producto original y sigue siendo el más exigente. En la aplicación de escritorio funciona con el nombre de Live Mode: el procesamiento del habla se realiza localmente en la tarjeta gráfica del equipo y después el audio transformado se encamina hacia otras aplicaciones mediante lo que Ahrens describió como un cable de audio virtual. Esa arquitectura de procesamiento local explica que la latencia sea lo bastante baja para sostener una conversación, y explica también que el requisito de hardware sea real y no simbólico.
Las preguntas frecuentes oficiales son inusualmente francas en este punto. Incluyen una entrada dedicada que pregunta cuál es la tarjeta gráfica mínima para poder usar Live Mode, y otra entrada aparte sobre el mensaje de advertencia que indica que la tarjeta gráfica no admite Live Mode. Un proveedor no redacta un mensaje de error documentado para un fallo de hardware si no lo encuentra un número apreciable de usuarios. Una reseña independiente informa de que los equipos con tarjetas gráficas por debajo de la clase Nvidia GTX 980 o AMD RX 580 sufren cortes y saltos, y cita a un usuario que comprobó que la aplicación consumía el ochenta y siete por ciento de su tarjeta gráfica. Conviene entender Live Mode como una función con un suelo de hardware y no como una capacidad universal.
El motor de síntesis de voz es la pieza que más desarrollo ha recibido últimamente y constituye la unidad de cuenta principal del modelo de precios. El sitio declara compatibilidad con más de 15 idiomas y los nombra: inglés estadounidense, francés, hindi, ucraniano, japonés, coreano, sueco, español latinoamericano, portugués brasileño, chino, neerlandés, turco, alemán e italiano. El objetivo declarado es localizar un timbre dado a cualquier acento o idioma, lo que significa que la identidad vocal y el idioma se tratan como ejes separables.
Los niveles de pago devuelven necesidades prácticas que el nivel gratuito retiene. El gratuito limita cada conversión a 500 caracteres, aproximadamente un párrafo corto; Starter eleva ese límite a 5.000 caracteres y, sobre todo, desbloquea la posibilidad misma de descargar los archivos generados. Existe además un punto de entrada más ligero llamado TTS Lite, señalado como novedad en la navegación, y un estudio de síntesis de voz incluido a partir del nivel Starter.
La clonación de voz se comercializa como una cuota por nivel y no como una capacidad ilimitada, lo que permite leer con mucha claridad cuánto uso espera la empresa de cada tipo de cliente. El nivel gratuito indica de forma explícita que no incluye clones de voz instantáneos. Starter incluye cinco, Launch diez, Core cincuenta, Scale doscientos y Business dos mil doscientos. Esa escalera de cuotas es una de las señales más nítidas sobre a quién va dirigido cada nivel.
Un detalle merece señalarse porque las propias páginas de la empresa se contradicen. La página de inicio afirma que con solo 10 segundos de audio la clonación reproduce voces con un realismo asombroso, mientras que la página dedicada a la clonación indica que clonar lleva apenas 15 segundos. Ambas son declaraciones oficiales publicadas a la vez, ninguna remite a la otra y no se ofrece explicación alguna sobre la diferencia. Conviene planificar con la cifra más larga y tratar la más corta como un mínimo comercial más que como una especificación técnica.
La línea de agentes de voz es la más reciente y la que hoy carga con más peso comercial: ocupa el primer lugar de la navegación y aparece marcada como novedad. La promesa es que los agentes se ocupen de las llamadas entrantes y salientes para que una empresa deje de perderlas; la compañía describe agentes que automatizan llamadas, responden preguntas, agendan citas y gestionan conversaciones de principio a fin. Entre los destinos de integración nombrados figuran Salesforce, HubSpot, Zendesk y Slack.
Lo que vuelve creíble esta línea como producto y no como simple página promocional es que se tarifica en unidades propias de la telefonía. Los planes se diferencian por llamadas simultáneas y por número de líneas telefónicas: Starter ofrece dos llamadas simultáneas y un número, Launch cuatro y tres, Core ocho y diez, Scale dieciséis y veinte, y Business treinta llamadas simultáneas y cincuenta números. Son las restricciones de una plataforma de llamadas real, no las de una demostración.
Más allá de las cuatro líneas principales, el sitio aloja nueve utilidades de audio gratuitas para el navegador: síntesis de voz, cambiador de voz en línea, mejora de audio, eliminación de voces, eliminación de eco, separación de pistas mediante inteligencia artificial, detección de tonalidad y tempo, eliminación de reverberación y conversor de formatos. Funcionan más como canal de captación que como línea de negocio y se contabilizan con los mismos créditos: el nivel gratuito las limita a cinco minutos por conversión, y ese límite asciende por niveles hasta los ciento ochenta minutos.
La interfaz de programación constituye una línea de producto real y no una promesa, y la prueba está en los detalles más que en las afirmaciones. La página para desarrolladores expone tres interfaces, para síntesis de voz, agentes de voz y clonación, respaldadas por un punto final real en dev.voice.ai/api/v1/tts/speech y un identificador de modelo denominado voiceai-tts-v1-latest dentro de un ejemplo ejecutable en Python. Hay kits de desarrollo para Python y TypeScript junto a ejemplos REST, la cobertura abarca la web además de iOS y Android, y se declara compatibilidad con LiveKit y con Pipecat, dos marcos de código abierto que los ingenieros de voz en tiempo real utilizan realmente.
La plataforma anuncia un tiempo de respuesta inferior a 150 milisegundos para interacciones conversacionales. Es una cifra facilitada por el propio proveedor, publicada sin condiciones de prueba ni mediciones independientes, de modo que conviene tomarla como objetivo de diseño y no como medición verificada. El despliegue se ofrece en cuatro formas: interfaz alojada en la nube, instalación en las instalaciones del cliente, nube privada dentro de la red virtual del cliente y una opción local de baja latencia. La interfaz admite además flujos de agentes compatibles con el protocolo MCP, integración de generación aumentada por recuperación para el acceso dinámico al conocimiento, llamadas a herramientas y avisos por HTTP que se disparan al completarse la generación de audio, en las respuestas del agente, ante actualizaciones del estado de la conversación y en notificaciones de error y reintento.
Hay un requisito previo fácil de pasar por alto y caro de descubrir tarde. Las condiciones de uso establecen que el uso empresarial, corporativo, mediante interfaz de programación o comercial de cualquier otro tipo exige un acuerdo aparte con Voice.ai. Obtener una clave de acceso desde el flujo de autoservicio no equivale a estar contractualmente autorizado a publicar un producto basado en ella.
Videojuegos, directos y vtubing. Es el núcleo histórico de la plataforma y sigue siendo su público real más numeroso. TechCrunch describió su adopción por jugadores, creadores de contenido y vtubers en TikTok, Zoom, Discord, Minecraft, GTA5, Fortnite, Valorant, League of Legends, Among Us, Skype y WhatsApp. Las preguntas frecuentes oficiales lo respaldan con guías de resolución de problemas específicas para Discord, Skype, WhatsApp, Zoom, PUBG, Fortnite, Google Meet, League of Legends, World of Warcraft, Among Us, Minecraft, TeamSpeak, Telegram y Viber. Si su caso figura en esa lista, alguien ya ha documentado los fallos posibles por usted.
Gestión de llamadas entrantes y salientes. La línea de agentes de voz apunta a empresas que pierden oportunidades por no atender el teléfono. La escala por llamadas simultáneas y números permite dimensionar con honestidad: un negocio de un solo local en fase de prueba cabe holgadamente en las dos llamadas simultáneas de Starter, mientras que una operación que necesite cincuenta números se sitúa en el terreno de Business.
Locución y narración. La página de clonación menciona pódcast, videojuegos y locución profesional, y describe la posibilidad de generar miles de horas de contenido de voz sin pronunciar palabra. El facilitador real está en el nivel Starter, donde aparecen por primera vez la descarga de archivos y una licencia comercial: sin descarga, el nivel gratuito no puede alimentar ninguna cadena de producción real.
Localización multilingüe. Dado que la identidad vocal y el idioma se tratan como separables, un mismo timbre puede localizarse a otro acento u otro idioma entre los catorce idiomas nombrados. Para quien mantiene una misma personalidad de canal en varios mercados, resulta bastante más útil que elegir una voz de catálogo distinta por idioma.
Accesibilidad y expresión de la identidad. La página de ética nombra dos grupos de manera explícita. Describe la herramienta como una vía para que las personas trans obtengan la voz que desean sin entrenamiento vocal ni intervención médica, y señala que para personas con una discapacidad o enfermedad como el cáncer de garganta, la esclerosis lateral amiotrófica o el párkinson el producto supone una mejora potencial frente a la síntesis de voz convencional. TechCrunch confirmó de forma independiente el primero de esos públicos, junto a usuarios preocupados por la privacidad y a quienes exploran nuevas identidades en línea.
Enmascaramiento de voz por privacidad. Un caso distinto del entretenimiento: participar en chats de voz sin exponer la voz real. El planteamiento de la empresa, que conserva emoción y ritmo mientras sustituye el timbre, se ajusta mejor a este objetivo que un filtro mecánico.
Grabe material de origen limpio para los clones. La calidad del clon está acotada por el material de partida. Una habitación silenciosa, una distancia constante al micrófono y frases naturales en lugar de listas de palabras producen modelos claramente mejores que un fragmento corto grabado con ruido de fondo.
Aporte más audio que el mínimo indicado. Puesto que las dos cifras del propio sitio divergen entre diez y quince segundos, trátelas como suelos. Una muestra más larga y más variada ofrece al modelo una cobertura fonética más completa.
Decida de forma deliberada si publica un clon de su propia voz. Subirlo hace que esa voz quede disponible en una biblioteca de la que otros toman material. La recomendación central de seguridad de Comparitech es no subir un modelo entrenado con la voz propia, porque otros podrían utilizarlo en estafas por voz, si bien el mismo texto aclara que se trata de una propiedad general de las plataformas de clonación y no de una particularidad de este producto. Compruebe los ajustes de visibilidad de su cuenta antes de dar por hecho que un clon permanece privado.
Revise el ajuste de entrenamiento del metamodelo. Las condiciones indican que al usar los servicios usted consiente que la empresa emplee su hardware para el entrenamiento del metamodelo y para fines de cómputo, y que todos los usuarios pueden desactivar esta función en cualquier momento. No especifican si viene activada o desactivada por defecto, así que compruébelo usted mismo en lugar de suponerlo.
Reserve margen de tarjeta gráfica si juega y transforma a la vez. Live Mode compite por la misma tarjeta gráfica que el videojuego. En una tarjeta ajustada, el resultado combina pérdida de fluidez en el juego y artefactos en la transformación.
Verifique antes de suscribirse, no después. Varios revisores independientes critican lo mismo: precios que no se ven hasta después de la instalación. Como la página de precios es pública y detallada, léala en el navegador antes de instalar nada.
Conserve pruebas de consentimiento para voces de terceros. Si clona la voz de otra persona, las condiciones exigen una autorización legal explícita de esa persona, y la cláusula de indemnización deja en sus manos las consecuencias de equivocarse. Guardar un permiso por escrito es la forma práctica de cumplir ese requisito.
No construya un producto de voz competidor a partir de los resultados. Las condiciones prohíben expresamente usar las salidas para entrenar, desarrollar o mejorar modelos de voz, para crear nuevas voces sintéticas o productos derivados, o para respaldar un producto competidor.
Jugadores, creadores de directos y vtubers con hardware suficiente constituyen el público que mejor encaja en la parte de tiempo real. Si dispone de una tarjeta gráfica de juego de gama media o superior y pasa tiempo en Discord o en chats de voz multijugador, está en el terreno propio del producto, y la biblioteca comunitaria es aquí donde resulta más nutrida.
Creadores con un volumen moderado de locución quedan bien atendidos a partir del nivel Starter, donde aparecen la descarga y la licencia comercial. Los catorce idiomas nombrados hacen viable la herramienta para quienes publican en varios mercados.
Pequeñas empresas que pierden llamadas entrantes son el objetivo de la línea de agentes de voz. Los niveles bajos ponen al alcance una prueba piloto real: un número y dos llamadas simultáneas por cinco dólares al mes es una manera realista de comprobar si la atención automatizada encaja en un negocio concreto antes de comprometerse.
Desarrolladores que construyen funciones de voz en tiempo real obtienen una interfaz documentada con kits nombrados y compatibilidad de marcos, siempre que se cierre el acuerdo comercial aparte que exigen las condiciones.
Personas que necesitan otra voz por motivos de identidad o accesibilidad aparecen mencionadas de forma explícita en la página de ética, y TechCrunch identificó de manera independiente este público como una categoría en crecimiento.
Quién debería mirar en otra parte: cualquiera con gráficos integrados o un portátil antiguo que quiera transformación en tiempo real, porque ningún plan compensa el suelo de hardware; cualquiera que necesite certeza contractual sobre la titularidad de los resultados y la ausencia de infracción, porque las condiciones excluyen precisamente eso; y cualquiera que no pueda tolerar una política estricta de no reembolso.
La aplicación de escritorio es el cliente más completo y el único lugar donde funciona la transformación en tiempo real de Live Mode; se distribuye desde el instalador del propio sitio. Sus capacidades quedan acotadas por la tarjeta gráfica del equipo tanto como por el nivel de suscripción.
La plataforma web cubre la síntesis de voz, la consola de agentes de voz y las nueve herramientas de audio en línea, y funciona sin requisitos de hardware local porque el procesamiento ocurre en el servidor. Es el punto de entrada adecuado para evaluar la herramienta.
En móviles, la aplicación para iOS la publica Voice AI Inc. Según los datos de la interfaz oficial de Apple, mantiene una valoración de 4,0 sobre 189 valoraciones, una clasificación de contenido a partir de 12 años, descarga gratuita, requisito de iOS 18.0 o posterior, primera publicación en mayo de 2023 y versión 2.0.5 de julio de 2026. Las propias preguntas frecuentes de la empresa documentan una diferencia de capacidades importante: incluyen entradas que preguntan si la aplicación móvil sirve para cambiar la voz en tiempo real y por qué todavía no dispone de esa función, de modo que móvil y escritorio no son equivalentes. La cobertura de TechCrunch en 2023 describía aplicaciones para Mac, PC, Android e iOS; las opciones de descarga actuales del sitio muestran un instalador para Windows y el enlace a la App Store, y la situación en Android no pudo confirmarse por fuentes oficiales en el momento de redactar esto, así que conviene comprobarlo directamente en el sitio.
Para el acceso programático, la interfaz cubre web, iOS y Android, con despliegue posible en nube alojada, en las instalaciones del cliente, en nube privada dentro de su propia red virtual o en local con baja latencia.
Los precios son públicos en la página de tarifas del sitio y se organizan en siete niveles medidos por una asignación mensual de créditos, con la facturación anual anunciada como dos meses gratis.
| Nivel | Precio mensual | Créditos/mes | Clones instantáneos | Llamadas simultáneas | Números |
|---|---|---|---|---|---|
| Free | 0 $ | 5k | Ninguno | — | — |
| Starter | 5 $ | 15k | 5 | 2 | 1 |
| Launch | 24 $ (primer mes 12 $) | 200k | 10 | 4 | 3 |
| Core | 99 $ | 1M | 50 | 8 | 10 |
| Scale | 330 $ | 4M | 200 | 16 | 20 |
| Business | 880 $ | 22M | 2.200 | 30 | 50 |
| Enterprise | a medida | a medida | — | — | — |
El sistema de créditos es la parte que de verdad conviene entender bien, porque los créditos son una unidad compartida que se gasta a tasas distintas según la función. En el nivel Core, ese mismo millón de créditos compra o bien 1.000 minutos de síntesis de voz, o bien 1.000 minutos de llamadas de agente, o bien 15.000 minutos de procesamiento con las herramientas de audio. La síntesis de voz y los minutos de agente tienen un precio equivalente entre sí, mientras que el procesamiento con herramientas de audio sale unas quince veces más barato por minuto. En el nivel gratuito la asignación resulta muy justa en la práctica: 5.000 créditos dan para cinco minutos de síntesis de voz o tres usos de las herramientas de audio.
Otros límites ligados al nivel moldean la experiencia tanto como la cantidad de créditos. Los caracteres por conversión pasan de 500 en el gratuito a 5.000 a partir de Starter. La duración por conversión de las herramientas de audio sube desde cinco minutos en el gratuito hasta diez, veinte, sesenta y finalmente ciento ochenta minutos. Las generaciones simultáneas de síntesis de voz aumentan de tres en Starter a quince en Scale y Business. El nivel Enterprise añade condiciones a medida sobre acuerdos de tratamiento de datos y niveles de servicio, acuerdos específicos para clientes sujetos a la normativa HIPAA, inicio de sesión único personalizado, límites de simultaneidad elevados y soporte prioritario.
Dos cuestiones sobre el pago merecen énfasis antes de suscribirse. Las condiciones establecen que, salvo indicación en contrario en el momento de la compra o exigencia legal, todos los pagos son no reembolsables, tanto cuotas de suscripción como cargos por uso y compras puntuales, con excepciones discrecionales que la empresa no está obligada a conceder. Además, varios revisores independientes señalan que los precios no aparecen hasta después de instalar, algo que la página pública de tarifas vuelve innecesario aceptar: léala antes.
ElevenLabs es la referencia en fidelidad de clonación y síntesis de voz expresiva, y la cobertura de TechCrunch situaba a Voice.ai en la misma categoría amplia al tiempo que señalaba la reputación de ElevenLabs por una clonación inquietantemente buena. Si su necesidad es narración sintética de la máxima calidad y no requiere transformación en directo, esa es la opción más directa.
Respeecher ocupa el extremo profesional de la conversión de voz a voz, con trayectoria en producción cinematográfica y televisiva. Es la comparación pertinente cuando se trata de reproducir a un hablante objetivo concreto con calidad de emisión en lugar de transformar una voz en directo.
Voicemod es el competidor más directo en el terreno del tiempo real para videojuegos, y el recuadro de servicios relacionados de Trustpilot los coloca juntos, mostrando a Voicemod con 1,7 sobre 5 en 456 reseñas frente al 2,0 sobre 233 reseñas de Voice.ai. Ambas notas son bajas y ambas fichas arrastran las reservas de muestreo que se comentan más abajo.
Murf y Acapela fueron citados por TechCrunch entre los proveedores establecidos de simulación de voz, y se sitúan más cerca de la producción de locución tradicional que de la transformación en directo.
Las plataformas especializadas en agentes de voz son la comparación pertinente solo para la vertiente telefónica. Si lo único que hace falta es automatizar llamadas y el cambio de voz resulta irrelevante, compare el nivel de agentes de Voice.ai con plataformas conversacionales dedicadas atendiendo a simultaneidad, funciones de telefonía y documentación de cumplimiento normativo, y no al tamaño de la biblioteca de voces.
La transformación en tiempo real tiene un suelo de hardware. Live Mode depende del procesamiento local en la tarjeta gráfica. La empresa documenta tanto un requisito mínimo como una advertencia específica para tarjetas no compatibles, y las pruebas independientes informan de cortes por debajo de la clase aproximada de una GTX 980 o una RX 580, con un usuario que reportó una ocupación del 87 % de su tarjeta gráfica. Ningún nivel de suscripción levanta esta restricción.
El móvil no iguala al escritorio. Las preguntas frecuentes oficiales plantean y responden ellas mismas por qué la aplicación móvil todavía no ofrece cambio de voz en tiempo real. Quien persiga ese uso en el teléfono debería confirmar el estado actual antes de pagar.
Dos cifras oficiales sobre la duración de la clonación se contradicen. Diez segundos en la página de inicio, quince en la de clonación, publicadas en paralelo y sin conciliar.
Las valoraciones de la comunidad son bajas y el muestreo no es neutral. Trustpilot muestra 2,0 sobre 5 en 233 reseñas, con una distribución marcadamente bimodal: 82 % de una estrella, 14 % de cinco estrellas y casi nada en medio. La ficha está reclamada desde agosto de 2023, la empresa invita activamente a sus clientes a valorar y ha respondido al 100 % de las reseñas negativas. Una muestra formada por invitación difiere sistemáticamente de una espontánea, de modo que esta nota debe leerse junto a los demás canales y no en su lugar. La valoración de la App Store, de 4,0 sobre 189 valoraciones, resulta bastante más favorable con un tamaño de muestra comparable, y el resumen de Trustpilot sobre 59 reseñas recientes se centra en suscripciones automáticas, cargos de renovación inesperados y falta de respuesta del soporte, más que en la calidad del audio en sí.
Las quejas sobre facturación coinciden entre fuentes independientes. Comparitech señala precios ocultos hasta después de la instalación y un proceso de reembolso estricto y engorroso que exige un registro aparte. Onerep informa de precios y límites de prueba poco claros, así como de usuarios a los que se cobró tras cancelar. Las propias condiciones confirman que el no reembolso es la regla por defecto.
El producto se describe todavía como versión beta. La evaluación de Onerep de enero de 2026 indica que Voice.ai sigue en beta en 2026, y lo plantea como explicación de los fallos que encuentran los usuarios.
Los derechos comerciales se enuncian de forma incoherente. La página de tarifas incluye una licencia comercial a partir de Starter, mientras que las condiciones afirman en dos ocasiones que los servicios se prestan solo para uso personal y no comercial y que el uso empresarial, corporativo o mediante interfaz de programación exige un acuerdo aparte. El sitio no explica cómo encajan ambas cosas. Quien planee un despliegue comercial debería obtener la posición por escrito.
Sin garantía sobre resultados ni sobre las voces. Las condiciones establecen que la empresa no garantiza que ningún resultado o activo de voz esté libre de infracción, autorizado para el uso previsto o sea apto para un fin concreto, y que todas las voces las generan los usuarios, sin que la empresa asuma responsabilidad por ellas. La cláusula de indemnización deja las reclamaciones de terceros en manos del usuario.
Sus aportaciones entrenan los modelos. El material subido concede una licencia perpetua, irrevocable, mundial, libre de regalías y sublicenciable que cubre expresamente el entrenamiento y la mejora de los modelos de la empresa y el desarrollo de nuevos productos. La empresa se compromete a no comercializar su voz de forma autónoma sin permiso explícito, pero ese compromiso es mucho más estrecho que la promesa de no usarla para entrenar.
Aportar capacidad de cómputo forma parte de las condiciones. El uso de los servicios lleva aparejado el consentimiento a que su hardware se destine al entrenamiento del metamodelo, desactivable en cualquier momento pero sin valor por defecto declarado.
La documentación sobre privacidad carece de concreción. Onerep informa de que no se especifica método de cifrado, no se indica plazo de conservación y no se ofrece opción de eliminación fuera de California. Comparitech observa que el servicio no atiende la señal Do Not Track. Aun así, el veredicto global de Comparitech es que el producto resulta seguro con precauciones, al no haber hallado filtraciones de datos ni acciones legales.
Las afirmaciones de cumplimiento no vienen respaldadas. El sitio declara cumplimiento pleno del Reglamento General de Protección de Datos y de los marcos SOC 2 y HIPAA, además de toda la normativa corporativa relevante, sin publicar informes de auditoría ni identificadores de certificación. Los compradores corporativos deberían solicitar la documentación subyacente.
Edad y jurisdicción. El uso exige tener al menos 18 años. La ley aplicable es la de Delaware, con jurisdicción exclusiva de sus tribunales, algo relevante para usuarios fuera de Estados Unidos.
Existe un nivel realmente gratuito, pero es estrecho. Ofrece 5.000 créditos mensuales, equivalentes a unos cinco minutos de síntesis de voz o tres usos de las herramientas de audio; limita las conversiones a 500 caracteres; no incluye ningún clon de voz instantáneo; y no permite descargar los archivos generados. Los niveles de pago arrancan en cinco dólares al mes. Varios revisores independientes han criticado la distancia entre la promoción como cambiador de voz gratuito y el alcance de lo que queda tras el muro de pago, así que conviene tratar el nivel gratuito como un mecanismo de evaluación y no como un plan de trabajo.
Este punto es genuinamente ambiguo y merece aclararse por escrito antes de confiar en él. La página de tarifas incluye una licencia comercial como prestación a partir del nivel Starter. Las condiciones de uso, por su parte, afirman en dos lugares distintos que los servicios se prestan solo para uso personal y no comercial y que el uso empresarial, corporativo o mediante interfaz de programación exige un acuerdo aparte con la empresa. El sitio no concilia esas formulaciones. Además, las condiciones excluyen toda garantía de que los resultados estén libres de infracción o autorizados para el uso previsto.
Sí. Las condiciones solo permiten subir o generar contenido de audio en tres supuestos: que use su propia voz, que cuente con autorización legal explícita de la persona cuya voz se emplea, o que su uso esté claramente permitido por la ley aplicable, por ejemplo como parodia o sátira. Usar el software para suplantar a personas reales, vivas o fallecidas, con intención de engañar, defraudar o inducir a error está prohibido y puede acarrear la terminación inmediata del acceso, acciones legales y colaboración con las autoridades. Conviene advertir la tensión con la descripción de la App Store, que promociona la posibilidad de sonar como cualquiera, desde celebridades hasta personajes de ficción: lo que obliga son las condiciones y no el texto de la tienda.
No, y aquí tropieza mucha gente. Las condiciones incluyen una cláusula titulada «No License to Voices» que establece que no se concede ningún derecho sobre voces, modelos de voz, clones o identidades vocales disponibles a través de los servicios, incluidas las voces subidas por otros usuarios, y que el hecho de que un activo de voz esté disponible públicamente no otorga permiso para usarlo, reproducirlo, distribuirlo ni comercializarlo. Ser visible en Voice Universe no equivale a una licencia.
Una tarjeta gráfica dedicada, y razonablemente capaz. Live Mode procesa el audio localmente en la tarjeta gráfica, y las preguntas frecuentes oficiales documentan tanto un requisito mínimo como una advertencia explícita para tarjetas no compatibles. Las pruebas independientes informan de que el hardware situado aproximadamente por debajo de la clase Nvidia GTX 980 o AMD RX 580 produce una salida entrecortada, y un usuario reportó una ocupación del 87 % de su tarjeta gráfica. Las funciones del lado del servidor, es decir, síntesis de voz, herramientas de audio y agentes de voz, no imponen restricciones de este tipo.
El sitio declara más de 15 idiomas y nombra el inglés estadounidense, el francés, el hindi, el ucraniano, el japonés, el coreano, el sueco, el español latinoamericano, el portugués brasileño, el chino, el neerlandés, el turco, el alemán y el italiano, con la capacidad declarada de localizar un timbre dado a otro acento u otro idioma.
La empresa responde directamente a ambas acusaciones en su página de seguridad, indicando que la aplicación se envía con regularidad a fabricantes de antivirus entre los que están McAfee, Google y Avast, con publicación de los resultados de VirusTotal, y que su función de cómputo distribuido no guarda relación alguna con criptomonedas ni minería, pues la capacidad aportada se usa únicamente para construir voces, entrenar modelos y procesar la voz de usuarios con dispositivos menos potentes. Dos evaluaciones independientes coinciden en lo esencial: Comparitech concluyó que el producto es seguro con precauciones, sin hallar filtraciones de datos ni acciones legales, y Onerep concluyó que no es un virus, ni un minador, ni ilegal de usar. Ambas, no obstante, plantean reservas distintas sobre la transparencia de la facturación y la documentación de privacidad, y la principal recomendación de seguridad de Comparitech es evitar subir un modelo entrenado con la voz propia.
El material subido concede a la empresa una licencia perpetua, irrevocable, mundial, libre de regalías, sublicenciable y no exclusiva que abarca el funcionamiento del servicio, el entrenamiento y la mejora de sus modelos y el desarrollo de nuevas funciones y productos. La empresa declara que no comercializará su voz de forma autónoma sin permiso explícito. Por separado, usar el servicio conlleva consentir que su hardware se destine al entrenamiento del metamodelo, función desactivable en cualquier momento. Revisores independientes observan que la política de privacidad no especifica métodos de cifrado ni plazos de conservación y que el derecho de supresión solo se ofrece a residentes en California.
Por defecto, no. Las condiciones establecen que, salvo indicación en contrario en el momento de la compra o exigencia de la ley aplicable, todos los pagos son no reembolsables, incluidas cuotas de suscripción, cargos por uso y compras puntuales, quedando las excepciones a la sola discreción de la empresa sin obligación alguna por su parte. Revisores independientes describen el proceso de reembolso como estricto y con registro aparte, y las quejas sobre suscripción y renovación constituyen el tema más frecuente en el resumen de reseñas recientes de Trustpilot.
Sobre todo en aquello que optimiza. Ahrens formuló la diferencia de manera explícita: la propuesta central no es reproducir a la perfección a una persona concreta, sino conservar la emoción, el ritmo y la acentuación de quien habla mientras se sustituye el timbre, y hacerlo en tiempo real. ElevenLabs y Respeecher están construidos en torno a la fidelidad a una voz objetivo para contenido acabado. Voice.ai está construido en torno a la transformación en directo, una biblioteca de voces alimentada por la comunidad y, ahora, agentes telefónicos. Si necesita reproducir a un hablante concreto con calidad de emisión, los especialistas encajan mejor; si necesita sonar distinto en directo en una partida o en una llamada, este es el terreno propio de este producto.
