Cartesia frente a ElevenLabs para agentes telefónicos: realiza una prueba de voz

Cartesia frente a ElevenLabs para agentes telefónicos: cómo elegir una voz que funcione en una llamada real

Todas las demos de voz suenan de maravilla. Una frase de estudio impecable, sin ruido de fondo, sin interlocutores que interrumpan a las dos palabras. Las llamadas telefónicas son otra historia: audio estrecho, gente impaciente, nombres que hay que deletrear y una factura que crece con cada minuto que el agente habla. Por eso, "Cartesia frente a ElevenLabs" es la pregunta equivocada si la respondes desde una página de aterrizaje. La pregunta correcta es: ¿qué voz aguanta bien en tus llamadas, a tu volumen y por un precio que puedas presupuestar?

Esta guía te ofrece una prueba de voz repetible para agentes telefónicos de IA. Obtendrás los precios de lista publicados de ambos proveedores, un cálculo del coste por minuto que puedes verificar tú mismo, un plan de prueba de 20 llamadas, una hoja de puntuación y una regla de decisión. Si primero quieres una visión general de los proveedores, lee nuestra comparativa anterior Cartesia frente a ElevenLabs frente a Minimax.io. Este artículo va un paso más allá: te muestra cómo decidir según tu propio caso de uso.

Qué hace realmente una voz en una llamada telefónica

El modelo de texto a voz (TTS) es el último paso de la cadena. El interlocutor habla, el reconocimiento de voz (STT) lo convierte en palabras, el modelo de lenguaje decide qué decir y el TTS convierte la respuesta en audio. Si quieres que te expliquemos la cadena completa, nuestra guía sobre TTS y STT para agentes de voz lo cubre paso a paso.

Para un agente telefónico, la voz afecta a cuatro aspectos que el interlocutor nota en cuestión de segundos:

• Tiempo hasta el primer audio. Cuánto tiempo espera el interlocutor en silencio después de terminar una frase. Más información en nuestra guía sobre latencia de agentes de voz.
• Claridad en la línea telefónica. El audio telefónico está comprimido. Una voz que suena rica con auriculares puede sonar turbia en un terminal.
• Manejo de contenido difícil. Números de teléfono, nombres de calles, direcciones de correo electrónico, códigos de producto y nombres de marcas.
• Tono. Tranquilo y amable para una consulta dental, ágil para un servicio de reparto, formal para un bufete de abogados.

Lo que publican ambos proveedores

Ambos proveedores publican sus precios de lista. Consultamos ambas páginas de precios el 1 de noviembre de 2026. Úsalas como punto de partida y vuelve a comprobar las páginas antes de firmar nada, ya que los planes cambian.

Destacan dos cosas. Primero, las unidades difieren: Cartesia vende paquetes de créditos, ElevenLabs vende caracteres. No puedes comparar las cifras principales directamente. Segundo, la única cifra de velocidad es una afirmación del proveedor para un modelo. Una afirmación no es una medición en tu línea telefónica, por eso la prueba de abajo es importante.

Coste por minuto de voz del agente, calculado

Para comparar ambos en una misma escala, convierte ambos al coste por minuto de audio. Cartesia afirma que un minuto de audio requiere entre 750 y 800 créditos. Usamos el punto medio de 775 caracteres por minuto para ambos proveedores. Esta es una suposición para la comparación, ya que la velocidad de habla varía según la voz y el idioma.

El cálculo: precio por 1.000 caracteres multiplicado por 0,775. Cartesia Scale cuesta 299 USD por 8 millones de créditos, lo que supone 0,0374 USD por 1.000. Startup cuesta 49 USD por 1,25 millones, o 0,0392 USD por 1.000. Pro cuesta 5 USD por 100.000, o 0,05 USD por 1.000.

El gráfico muestra lo que dicen los números: los modelos rápidos se sitúan a dos décimas de céntimo de diferencia entre sí. Los modelos premium de ElevenLabs cuestan aproximadamente el doble por minuto. Con poco volumen, esto es ruido. A escala, es una partida presupuestaria, así que mira un ejemplo práctico.

Imagina un servicio de atención al cliente con 1.000 llamadas al mes y cuatro minutos por llamada. Supongamos que el agente habla la mitad del tiempo, es decir, 2.000 minutos de audio del agente al mes. Con las tarifas anteriores, esto supone unos 58 USD con el plan Scale de Cartesia, 62 USD con ElevenLabs Flash y 124 USD con los modelos premium de ElevenLabs. Estos son solo costes de voz. El modelo de lenguaje, el reconocimiento de voz y la telefonía son líneas de coste independientes. Nuestro desglose de cinco líneas de coste detrás del minuto muestra cómo se suman.

La prueba de voz de 20 llamadas

Una buena prueba es pequeña, fija y justa. Aquí tienes una configuración que lleva unas dos horas.

Paso 1: Escribe 20 guiones cortos de llamadas reales

Toma transcripciones reales de tu bandeja de entrada o registro de llamadas y elige las frases que tu agente dirá más a menudo. Cubre cinco grupos con cuatro guiones cada uno:

1. Saludo y nombre de la empresa. Incluye el nombre de tu marca exactamente como está escrito.
2. Números y códigos. Números de teléfono, números de pedido, horarios de apertura, precios.
3. Nombres y lugares. Nombres de calles, pueblos locales, apellidos comunes en tu región.
4. Empatía. Un retraso, una queja, una cancelación.
5. Cierre y traspaso. Confirmar una cita, transferir a un humano.

Paso 2: Usa el mismo agente, cambia solo la voz

Mantén el prompt, el modelo de lenguaje y el número de teléfono idénticos. Solo cambia la voz. De lo contrario, estarás probando el prompt, no la voz. En Famulor eliges la voz en la biblioteca de voces, que enumera voces de varios proveedores, incluidos Cartesia y ElevenLabs. Previsualiza primero y luego realiza las llamadas de prueba en una línea telefónica real.

Paso 3: Llama como lo haría un cliente

Llama desde un teléfono móvil, no desde unos auriculares junto a tu portátil. Llama una vez desde una habitación tranquila y otra desde la calle o un coche. Interrumpe al agente en mitad de una frase al menos cinco veces. Pídele que repita un número. Deletrea un nombre y pídele que lo confirme.

Paso 4: Puntúa cada llamada

Usa una hoja para cada voz y puntúa cada elemento del 1 (malo) al 5 (excelente). Dos personas deberían puntuar de forma independiente y luego comparar.

Los pesos son una sugerencia. Una empresa que lee muchos números debería aumentar el "contenido difícil". Una marca premium podría aumentar la "adecuación del tono".

Idioma y acentos: prueba lo que hablan tus clientes

Si tus clientes hablan alemán, holandés, español o francés, realiza toda la prueba en ese idioma. Las voces que brillan en inglés pueden sonar rígidas en otros idiomas, y los nombres regionales son un punto débil clásico. Para el alemán en particular, prueba palabras compuestas, diéresis y el trato formal ("Sie"). Nuestro benchmark de IA de voz alemán frente a inglés explica por qué la misma tecnología se comporta de forma diferente según el idioma.

Si tu negocio opera en varios países, prueba un guion por idioma y mantén una puntuación separada por idioma. La mejor voz para el inglés no es automáticamente la mejor para tu segundo idioma.

Qué proveedor se adapta a cada situación

No hay un ganador universal. Estas reglas generales te ayudarán a reducir el campo antes de probar:

• Alto volumen de llamadas, sensible al precio: empieza con los modelos rápidos. La diferencia de coste entre Cartesia y ElevenLabs Flash es pequeña, así que deja que la prueba de escucha decida.
• Voz de marca o voz clonada: preselecciona los proveedores que ofrecen un clon profesional y luego compara cómo aguanta el clon en una línea telefónica. La biblioteca de voces de Famulor también admite voces clonadas profesionales.
• Muchos idiomas: realiza primero la prueba multilingüe, ya que es la que elimina candidatos más rápido.
• Conversaciones emocionales: cobros, quejas, temas de salud. Escucha el ritmo y las pausas, y considera un modelo premium solo para estos agentes.

No tienes que usar una sola voz para todo. Un patrón común es una voz rápida y de bajo coste para llamadas entrantes rutinarias y una voz premium para los pocos flujos donde el tono es el producto.

Después de la prueba: decide y sigue midiendo

Suma las puntuaciones ponderadas y aplica una regla sencilla: elige la voz con la puntuación más alta, a menos que una voz más barata esté a menos de 0,2 puntos. En ese caso, elige la más barata. Luego, lanza una pequeña parte del tráfico y mide lo que importa en producción: finalización de llamadas, tasa de traspaso, preguntas repetidas de los interlocutores ("Perdona, ¿puedes repetir eso?") y comentarios de los clientes.

La elección de la voz no es una decisión única. Los proveedores lanzan nuevos modelos y tu mezcla de llamadas cambia. Repite la prueba de 20 llamadas cada trimestre o cuando añadas un nuevo idioma. Si ya realizas experimentos con prompts, nuestra guía sobre pruebas A/B para agentes de IA de voz muestra cómo comparar dos versiones con tráfico real.

Errores comunes

• Elegir basándose en una demo. Una demo es el mejor escenario posible. Tus llamadas representan el escenario promedio.
• Probar con auriculares. El audio del teléfono está comprimido. Haz la prueba desde un teléfono.
• Cambiar dos cosas a la vez. Si cambias la voz y el prompt simultáneamente, no aprenderás nada.
• Ignorar el nombre de la marca. Si el agente pronuncia mal el nombre de tu empresa al saludar, nada más importa.
• Comparar precios de planes en lugar del coste por minuto. Utiliza la misma unidad para todas las opciones.

Conclusión

Cartesia y ElevenLabs son opciones sólidas para agentes telefónicos y, según sus precios de lista, los modelos rápidos cuestan prácticamente lo mismo por minuto. Por tanto, la decisión depende de lo que escuchen tus interlocutores. Realiza la prueba de 20 llamadas, puntúala con una hoja de evaluación fija y deja que sean tus propias llamadas las que elijan al ganador. Con Famulor puedes cambiar la voz de cada agente y repetir la prueba siempre que aparezca un nuevo modelo. Si revendes telefonía con IA, la misma flexibilidad se aplica a tus clientes a través de la configuración de marca blanca.

¿Listo para probarlo? Abre la biblioteca de voces, elige dos voces y realiza tu primera llamada de prueba hoy mismo. Los precios de Famulor comienzan en 0,05 € por minuto, consulta la página de precios para ver todos los planes. Los equipos con mayor volumen pueden consultar la configuración de centro de llamadas con IA.

Preguntas frecuentes

¿Es mejor Cartesia o ElevenLabs para agentes telefónicos con IA?

Ninguno gana en todos los casos. Según los precios de lista, los modelos rápidos cuestan alrededor de 3 céntimos por minuto de voz del agente en ambos. La mejor elección es la voz que obtenga una puntuación más alta en tus propias llamadas en cuanto a claridad, pronunciación y tono.

¿Cuánto cuesta un minuto de voz con IA?

Solo por la voz, cuesta unos 0,03 USD en Cartesia y ElevenLabs Flash, y unos 0,06 USD en los modelos premium de ElevenLabs, basándose en precios de lista y 775 caracteres por minuto de audio. A esto hay que sumar el modelo de lenguaje, el reconocimiento de voz y la telefonía.

¿Cuál es la diferencia de latencia entre Cartesia y ElevenLabs?

ElevenLabs afirma alcanzar unos 75 ms con Flash. Cartesia no muestra ninguna cifra de latencia en su página de precios. Considera ambas como cifras del proveedor y mide el tiempo hasta el primer audio en tu propia línea telefónica.

¿Cuántos caracteres tiene un minuto de voz?

Cartesia indica que un minuto de audio utiliza entre 750 y 800 caracteres. La cifra exacta depende de la voz, el idioma y la velocidad de habla.

¿Puedo usar más de un proveedor de voz?

Sí. En Famulor cada agente tiene su propia voz, por lo que puedes usar una voz de bajo coste para llamadas rutinarias y una voz premium para flujos sensibles.

¿Cuántas llamadas de prueba necesito?

Veinte guiones cortos por voz son suficientes para observar diferencias claras. Cubre saludos, números, nombres, empatía y transferencias, e incluye al menos cinco interrupciones.

¿La voz afecta a la calidad de la llamada o solo al coste?

A ambas cosas. La voz determina la rapidez con la que el interlocutor escucha una respuesta, la precisión con la que se entienden los números y nombres, y la confianza que transmite el agente, lo cual influye en las tasas de finalización y transferencia.

¿Puedo clonar mi propia voz para el agente?

Sí. La biblioteca de voces de Famulor admite voces clonadas profesionalmente a partir de tus grabaciones, y deberías realizar la misma prueba de 20 llamadas con el clon antes de ponerlo en marcha.

¿Con qué frecuencia debo volver a probar mi voz?

Cada trimestre, cuando un proveedor lanza un nuevo modelo o cuando añades un idioma. Una repetición rápida de los 20 guiones lleva unas dos horas.