Estima el coste por minuto de un agente de voz antes de comprometerte
Una hoja de cálculo por minuto convierte la cotización de un agente de voz en una estimación verificable: caracteres, tarifas TTS comprometidas, latencia, identidad y dirección.
Tienes una cotización de un agente de voz delante y la línea que importa es la que escala con cada palabra dicha. Un proveedor puede hacer que la voz suene fluida mientras el stack gasta la mayor parte de su presupuesto en síntesis de voz. Trata el minuto como unidad y obliga a cada componente a mostrar su cuota.
El TTS es la mayor partida del minuto
La síntesis de voz escala con cada palabra que dice el agente, por lo que la factura de TTS es la primera línea de la hoja de cálculo.
Inworld anunció la familia TTS-2, compuesta por Realtime TTS-2 y Realtime TTS-2 Flash, el 2 de septiembre de 2026. Realtime TTS-2 Flash registró un tiempo hasta el primer byte de 25 ms en las pruebas de Coval. El dato de Flash te da un punto de comparación de velocidad al elegir un stack.
El precio de TTS bajo demanda de Inworld parte de $25 por millón de caracteres, y su plan mensual Growth reduce la tarifa listada a $12.50 por millón de caracteres. Esa diferencia es el argumento a favor de los precios de uso comprometido: un volumen predecible puede mover la tarifa por carácter.
Una hoja de cálculo por minuto supera a una cotización de proveedor
Empieza con los caracteres por minuto de tu propio guion, no de una muestra del proveedor. Escribe la longitud probable de la respuesta del agente para un turno normal y multiplica por el número de turnos que esperas en un minuto. Estás listo cuando tienes un rango bajo y alto que tu equipo puede defender.
Convierte la línea de TTS multiplicando los caracteres por minuto por la tarifa por millón de caracteres y dividiendo entre un millón. Divide el minuto en STT, TTS y LLM. El STT captura el habla, el TTS produce el habla y el LLM elige la respuesta. La cuota del TTS cambia con la verbosidad: un agente prolijo la incrementa, mientras que un agente conciso puede dejar que la cuota del LLM domine. Mantén la división visible en lugar de una tarifa combinada.
Aplica los precios de uso comprometido solo cuando puedas defender el volumen. Un plan mensual fija el precio de un flujo predecible; no sustituye una estimación de volumen. Un piloto pequeño puede hacer que la tarifa bajo demanda sea más segura. Un tráfico constante puede hacer que la tarifa comprometida sea el coste real. Termina cuando la elección del plan derive del uso, no de una llamada comercial.
Mantén la tarifa de TTS como la línea dominante y añade las demás como comprobaciones. La hoja de cálculo debe mostrar TTS por minuto, LLM por minuto y STT por minuto. Una línea de TTS pequeña sugiere un guion o modelo inusualmente conciso. Una línea de TTS dominante señala al principal impulsor de costes.
Las especificaciones ocultas necesitan una prueba en vivo
Realiza una prueba de latencia del primer bloque con el mismo prompt, red y endpoint. Solicita el primer bloque de audio, no la frase completa. Un número bajo de latencia del primer bloque puede cambiar la sensación de la conversación incluso cuando el tiempo total de generación es similar. Realtime TTS-2 admite una latencia del primer bloque inferior a 100 ms, y los modelos TTS-2 admiten una cobertura de voz multilingüe de más de 200 idiomas y más de 500 dialectos manteniendo la misma identidad de voz.
Para agentes que cambian de idioma, prueba la identidad multilingüe. Comprueba si el mismo personaje sigue siendo reconocible al cambiar el idioma, en lugar de si la voz suena natural en cada idioma. La afirmación de cobertura anterior es la que debes verificar en tu propia prueba.
Prueba la dirección en línea con una instrucción breve al inicio del texto. Haz que el modelo entregue una línea como calma, urgente o juguetona, y escucha si la entrega cambia sin cambiar las palabras. Realtime TTS-2 permite a los desarrolladores pasar una instrucción de entrega en lenguaje natural en línea al inicio del texto. Cuando la instrucción deja la entrega sin cambios, la función de dirección no está haciendo el trabajo que necesitas.
No dejes que un número de benchmark sustituya a una prueba de producto. Un resultado de latencia puede ser cierto en un laboratorio y ser inútil en producción. Pasa la misma prueba por tu red, tu payload y tu timeout orientado al usuario. El número que conservas es el que tus usuarios escuchan.
Después de que Talkpal incorporó Inworld Realtime TTS, una prueba A/B de cuatro semanas mostró los costes de TTS un 40% más bajos, el uso de funciones un 7% más alto y la retención un 4% más alta. Ese resultado pertenece a un caso de negocio, no a un guion de demostración: el coste, el uso y la retención pueden moverse juntos cuando el TTS es más barato y más rápido.
Lleva la estimación a la reunión de decisión con la cuota de TTS, el resultado de latencia, el resultado de identidad y el resultado de dirección. Solicita la prueba que falte para cualquier laguna del proveedor en tu hoja de cálculo. Cuestiona el supuesto de volumen detrás de una tarifa comprometida que parece barata.
