¿Pipeline o speech-to-speech? Haz las cuentas.

Depende del modelo. Con las tarifas públicas de septiembre de 2026, un pipeline (Deepgram Nova-3 a 0,0058 $ por minuto, un LLM barato con caché, Cartesia Sonic a 0,03 $ por minuto de habla) cuesta unos 0,02 $ por minuto de llamada, sea cual sea el tamaño del prompt. GPT-Realtime-2.1-mini queda en el mismo rango. Gemini 3.1 Flash Live parte de más arriba y sube con el tamaño del prompt y la duración de la llamada, porque vuelve a facturar todo el contexto en cada turno. GPT-Live-1 tiene una tarifa fija de 0,05 $ por minuto, más los tokens del backend.

La API de Gemini Live no tiene caché de prompts: en cada turno de diálogo factura como tokens de entrada el prompt de sistema, las definiciones de herramientas y todo el audio intercambiado hasta ese momento. Un prompt de 3.000 tokens en una llamada de 2 minutos con 11 turnos se factura 11 veces, 33.000 tokens, sin contar todavía el audio. Un pipeline también envía el mismo prompt a su LLM en cada turno, pero la caché de prompts factura el prefijo repetido al 10 % del precio de entrada.

Los modelos speech-to-speech mantienen toda la conversación en contexto. Cada nuevo turno vuelve a leer el historial de audio, así que el coste de un turno crece con los minutos ya hablados: una llamada larga cuesta más por minuto que una corta. La compresión de la ventana de contexto de Gemini Live limita ese historial con una ventana deslizante. Un pipeline, en cambio, tiene un coste constante: el STT se factura por la duración de la llamada, el TTS por las palabras que dice el agente, y el historial de la transcripción es un texto ligero que la caché hace casi gratuito.

Un agente de voz envía una nueva solicitud a su modelo de lenguaje en cada turno de diálogo, y cada solicitud vuelve a llevar todo el contexto: el prompt de sistema, las definiciones de herramientas, la transcripción hasta ese momento y la nueva intervención. En una llamada de 11 turnos, un prompt de 3.000 tokens se envía 11 veces. Con la caché de prompts, el proveedor reconoce que el principio de la solicitud es idéntico al de la anterior y factura esa parte repetida a una fracción del precio: el 10 % en los modelos de texto de OpenAI y Gemini, alrededor del 3 % en el historial de audio de Realtime. Funciona automáticamente cuando el contenido estable (prompt, herramientas) va primero y el contenido variable (fecha, datos de quien llama, nuevo turno) al final. La API de Gemini Live no tiene caché, y por eso su coste sube con el tamaño del prompt. El simulador aplica tal cual la caché nativa de cada proveedor: activada para los LLM del pipeline, GPT-Realtime-mini y el backend de GPT-Live-1, nunca para Gemini Live.

Pégalo en el simulador: cuenta unos 4 caracteres por token, en tu navegador, sin enviar nada. En prosa, los tokenizadores de Gemini y OpenAI difieren entre sí en torno a un 10 %. Cada definición de herramienta añade unos 180 tokens (nombre, descripción, esquema de parámetros) que viajan en cada turno.

La de speech-to-speech, por la naturalidad: escucha full-duplex, prosodia natural, interrupciones y señales de escucha gestionadas por el modelo, y sin traspasos de STT a LLM y de LLM a TTS. La contrapartida es el control. Un modelo speech-to-speech se comporta como con una temperatura fija de 1 y ofrece poca salida estructurada, mientras que un pipeline te da temperatura 0, llamadas a herramientas deterministas y la libertad de cambiar cualquier componente o voz.

GPT-Live-1 es el modelo speech-to-speech full-duplex de OpenAI lanzado en septiembre de 2026. La capa de voz cuesta una tarifa fija de 0,05 $ por minuto, facturada por segundo, silencios incluidos, y delega el razonamiento y las llamadas a herramientas en un modelo de texto de backend (GPT-5.6 Luna, Terra, Sol o GPT-6 Astra) facturado por token con caché de prompts. Con Astra como backend, ocupa el primer puesto del Speech to Speech Index de Artificial Analysis, con unos 1,3 segundos hasta el primer audio.

Gemini 3.8 Live se factura como Gemini 3.1 Flash Live: sin caché de prompts, con el prompt, las herramientas y el historial de audio facturados de nuevo en cada turno, pero alrededor de un 44 % más barato por token. La relación procede de la evaluación del modelo de Google DeepMind, que indica el coste por hora de audio de entrada medido por Artificial Analysis en el subconjunto Big Bench Audio: 0,84 $ por hora para Gemini 3.8 Live frente a 1,50 $ para Gemini 3.1 Flash Live (Minimal) y 1,75 $ para Gemini 3.1 Flash Live (High). El simulador aplica esa relación de 0,56 a cada tarifa por token de Gemini 3.1 Flash Live. El mismo documento otorga a Gemini 3.8 Live una puntuación de 76,0 en el Speech to Speech Index de Artificial Analysis (82,6 con razonamiento extendido) frente a 71,5 de Gemini 3.1 Flash Live (High), y la mejor puntuación de experiencia en el EVA-Bench de ServiceNow. En nuestras escuchas resulta algo decepcionante en voz y naturalidad frente a Gemini 3.1 Flash Live, cuya familia de voces lidera el benchmark Pronunciation Robustness de Artificial Analysis, así que el simulador puntúa su naturalidad y su voz por debajo de las de la 3.1. Como no se ha publicado una cifra de latencia propia, se reutiliza el desglose del tiempo de respuesta de Gemini 3.1 Flash Live. Fuente: Evaluación del modelo Gemini 3.8 Audio (Live, Live Extended Thinking), Google DeepMind, septiembre de 2026.

Grok Voice Think Fast 2.0, el modelo speech-to-speech de xAI lanzado el 29 de julio de 2026, factura 0,08 $ por minuto de audio de sesión (frente a 0,05 $ en la versión 1.0), más 0,004 $ por cada elemento de texto inyectado en la conversación; los resultados de las llamadas a funciones no se facturan. Nada depende del tamaño del prompt, del historial ni del número de turnos, así que el simulador le asigna un coste constante por minuto: nunca es el más barato en una llamada corta con un prompt compacto, y gana en cuanto crecen los minutos o los tokens. Artificial Analysis mide un tiempo medio de 0,70 s hasta el primer audio, el único modelo del top 5 por debajo del segundo, y un Speech to Speech Index de 82,9 para la variante High reasoning, que fija su puntuación de control. No se ha publicado ninguna opción de residencia de datos en la UE. Fuente: Artificial Analysis, Grok Voice Think Fast 2.0 en el Speech to Speech Index, julio de 2026.

Cada modelo y cada componente del pipeline lleva una puntuación de voz, de 1 a 5, para inglés, francés, español y neerlandés: una reputación basada en benchmarks de escucha a ciegas, las listas de idiomas de los proveedores y lo que oímos en producción, no una medición, y editable en el código. Gemini 3.1 Flash Live tiene la mejor voz y la mayor naturalidad del mercado: su familia de voces, Gemini 3.1 Flash TTS, lidera el benchmark Pronunciation Robustness de Artificial Analysis con un 88,1 % (por delante de SpaceXAI TTS con un 87,6 % y ElevenLabs Eleven v3 con un 85,6 %), la prueba que comprueba si nombres, importes, fechas, códigos y emails se pronuncian correctamente. Obtiene un 5 en todos los idiomas y la máxima naturalidad, y todas las demás opciones, Gemini 3.8 Live incluido, quedan medio punto por debajo de su reputación en ambos aspectos. En francés, Gradium, ElevenLabs y Cartesia son las voces fuertes del pipeline; las voces de OpenAI conservan acento; Grok aún no tiene una reputación establecida en francés. En español, Gradium y ElevenLabs lideran el pipeline, seguidos de Gemini 3.8 Live y las voces regionales de Grok. En neerlandés y flamenco, ElevenLabs tiene voces flamencas nativas, mientras que Cartesia y Deepgram lo admiten con acento y Gradium no lo ofrece. La puntuación modifica la naturalidad (un 5 suma medio punto, un 3 resta un punto entero, un 2 resta dos: una mala voz en el idioma de quien llama es una mala experiencia, haga lo que haga el modelo en lo demás), una opción con menos de 3 no se propone como la de mejor relación calidad-precio mientras otra que suene mejor quepa en el presupuesto, la recomendación de mejor relación calidad-precio se ajusta en consecuencia, y los selectores del pipeline muestran la puntuación de cada STT y TTS en ese idioma. Bélgica queda cubierta con el francés y el neerlandés. Fuente: Benchmark Pronunciation Robustness de Artificial Analysis, septiembre de 2026.

Sí, con todas salvo Grok Voice 2.0, que no tiene una opción en la UE publicada, aunque a precios distintos. Gemini 3.1 Flash Live y los modelos de texto de Gemini funcionan en una región de la UE a través de Vertex AI con precios regionales, un 10 % por encima del endpoint global. OpenAI ofrece proyectos con residencia de datos en la UE: GPT-Realtime-mini y los modelos de texto mantienen su precio de tarifa, y la capa de voz de GPT-Live-1 cuesta un 10 % más. Un pipeline es lo más fácil de mantener en la UE porque la residencia se decide componente por componente: STT y TTS en sus endpoints de la UE, el LLM en un proyecto o una región de la UE, y cualquier proveedor que no pueda cumplir se sustituye sin tocar el resto. Marca la residencia de datos en la UE en el simulador para aplicar estos precios y adaptar la recomendación.

Tarifas públicas comprobadas el 15 de septiembre de 2026 en las páginas de precios de la API de Gemini y de Vertex AI, la página de precios de la API de OpenAI, los precios de xAI para Grok Voice, las páginas de precios de Deepgram, Cartesia y Gradium (los créditos por carácter de Gradium se convierten a razón de unos 900 caracteres por minuto hablado) y artificialanalysis.ai para la calidad y la latencia. Los descuentos por volumen, los contratos de uso comprometido y las tarifas empresariales no se modelan. Las facturas reales varían según el perfil de la conversación: ajusta los turnos por minuto, la proporción de habla y las llamadas a herramientas en los ajustes avanzados.