Cartesia frente a ElevenLabs para agentes de voz
Ambos son muy buenos, y son buenos en cosas distintas. Cartesia es nuestro text-to-speech predeterminado; las voces de ElevenLabs vienen en la biblioteca de voces. Esto es lo que la elección supone en realidad cuando las llamadas son reales, escrito por gente que usa ambos y no por gente que lee los changelogs de ambos.
La disyuntiva
El compromiso, dicho sin rodeos
ElevenLabs se ganó su reputación con el realismo de la voz y una biblioteca de voces multilingüe muy grande, y esa reputación es merecida — para narración, contenido y cualquier sitio donde una persona escucha un pasaje largo sin interrupciones, es excepcional.
Cartesia está construido en torno al streaming para conversación en tiempo real, que es un objetivo de optimización distinto. Una llamada telefónica no quiere la mejor representación posible de un párrafo; quiere que la primera sílaba llegue antes de que el silencio se vuelva incómodo, y quiere que la síntesis se detenga al instante cuando quien llama interrumpe.
Por eso Cartesia es nuestro predeterminado y por eso la respuesta no es universal. La pregunta correcta no es qué motor es mejor, sino qué fallo prefieres tener: una voz algo menos notable, o una pausa algo más larga.
Latencia
Lo que importa en una llamada telefónica
Tres cosas, más o menos en este orden, y solo una de ellas es lo que se juzga en las demos.
Tiempo hasta el primer byte de audio. No el tiempo total de síntesis. Quien llama oye el principio de la frase mientras el final aún se está generando, así que el número que importa es cuándo empieza el audio. Pídelo en condiciones de streaming y con tu propio texto.
Comportamiento ante interrupciones. Cuando alguien habla por encima del agente, la síntesis tiene que detenerse: de verdad, no después de terminar el fragmento actual. Un agente que sigue hablando durante otro segundo y medio se siente peor que uno con una voz algo más apagada. Barge-in es un requisito, no una función.
Cómo gestiona tu vocabulario. Todo negocio tiene palabras que rompen el TTS: apellidos, nombres de medicamentos, SKU, nombres de calles, tu propio producto. Ambos motores se pueden corregir; pruébalos con tus términos reales y no con un párrafo de prosa genérica, porque el fallo será específico de tu caso.
Calidad de voz
Donde la llamada telefónica limita a ambos
Conviene saberlo antes de agonizar sobre la elección: la red telefónica remuestrea el audio a 8 kHz. Buena parte de lo que separa a dos motores premium en una escucha comparada con buenos auriculares sencillamente ya no está cuando llega al teléfono de quien llama.
Esta es la forma más común en que los equipos desperdician quince días. Las diferencias son reales en un estudio y quedan comprimidas en una línea telefónica, mientras que la latencia y el manejo de las interrupciones no se comprimen en absoluto: se notan exactamente igual a 8 kHz. Dedica esos quince días al presupuesto de latencia en su lugar; las ganancias allí son mayores y sobreviven al códec.
Cómo elegir
Preguntas frecuentes
- ¿Cuál es más rápido?
- No hemos publicado un benchmark controlado entre ambos y no citaremos uno que no hayamos hecho. Lo que sí podemos decir es arquitectónico: el tiempo hasta el primer byte de audio importa mucho más que el tiempo total de síntesis en una llamada telefónica, porque quien llama oye el inicio de la frase mientras el resto aún se está generando. Pide a cualquier proveedor el tiempo hasta el primer byte en streaming, no caracteres por segundo, y pruébalo con tu propio texto: las cifras de las páginas de marketing rara vez se miden como funciona una llamada telefónica.
- ¿Podemos usar ambos?
- Sí, y hay una razón sensata para hacerlo. La elección de TTS es por agente y no por cuenta, así que una campaña saliente de alto volumen y una línea entrante insignia no tienen por qué hacer el mismo compromiso. Cartesia es el predeterminado; las voces de ElevenLabs están disponibles en la biblioteca de voces.
- ¿La voz cambia realmente la conversión?
- Cambia cuánto tiempo se queda la gente en la llamada, que está aguas arriba de todo lo demás. Pero el efecto es menor de lo que los equipos esperan y se satura rápido: pasado cierto umbral de calidad, quien llama responde a si el agente lo entendió e hizo lo que tocaba, no al timbre. La latencia y el manejo de interrupciones suelen merecer más atención que la elección de voz, y son más baratos de arreglar.
En esta página no aparece ninguna cifra de benchmark. No hemos hecho una comparación controlada de latencia ni de calidad entre estos dos motores, y citar una que no hicimos echaría por tierra lo único que hace que valga la pena leer esta página.