Fish Audio S2.1 Pro: voz IA 11x más barata que ElevenLabs

Actualizado el 29/08/2026 — Este artículo fue actualizado con información reciente y secciones nuevas.

Actualizado el 29/08/2026 — Este artículo fue actualizado con información reciente y secciones nuevas.

Fish Audio cerró una ronda seed de USD 52 millones y lanzó Fish Audio S2.1 Pro, su modelo insignia de texto a voz que clona una voz con 5 segundos de muestra, habla 83 idiomas y cuesta 11 veces menos que ElevenLabs. La empresa llegó a USD 21 millones de ingresos recurrentes anuales y 8 millones de usuarios en apenas un año.

Fish Audio S2.1 Pro es el modelo de síntesis de voz (text-to-speech) de Fish Audio, empresa fundada en 2025 por Shijia Liao, exinvestigador de video en Nvidia. El modelo clona voces con muestras de audio de 5 segundos, habla 83 idiomas y permite control de emoción e intención palabra por palabra. Procesa 56,3 caracteres por segundo, cuesta USD 15 por millón de caracteres y apunta a agentes conversacionales, doblaje multilingüe, audiolibros y asistentes virtuales.

¿Qué es Fish Audio y de dónde salió?

Fish Audio es una empresa de inteligencia artificial de voz fundada en 2025 por Shijia Liao, exinvestigador de video en Nvidia. La compañía nace de un proyecto open-source llamado Fish Speech, que Liao desarrolló inicialmente con una única placa de video gamer y que rápidamente superó las 31.000 estrellas en GitHub, convirtiéndose en uno de los repositorios de voz más populares de la plataforma.

Lo más sorprendente: en menos de un año, el proyecto pasó de ser un experimento personal a una empresa con 8 millones de usuarios y USD 21 millones de ingresos recurrentes anuales. Esa tracción explica por qué la ronda seed de USD 52 millones se completó rápidamente. Los inversores no apostaban a una promesa; apostaban a métricas de negocio reales.

El origen poco convencional es parte del atractivo. Liao empezó como fan de los VTubers y el anime, frustrado porque las voces sintéticas de entonces sonaban robóticas y monótonas. Esa frustración lo llevó a entrenar modelos de voz en casa, con equipo gamer, hasta lograr resultados que rivalizaban con herramientas comerciales de cientos de miles de dólares.

Hoy la compañía opera en dos frentes. Por un lado, el modelo comercial S2.1 Pro, que se consume por API o en servidores propios. Por el otro, Fish Speech, el proyecto open-source que sigue disponible para desarrolladores. Esa combinación le da alcance masivo en la comunidad y, a la vez, ingresos empresariales que sostienen el crecimiento.

¿Por qué Fish Audio levantó USD 52 millones en seed?

Porque llegó a USD 21 millones de ARR y 8 millones de usuarios en 12 meses, con un modelo de costos muy por debajo del competidor dominante. Una ronda seed de USD 52 millones es extraordinaria: las startups típicas llegan a ese número recién en Serie A o B. El argumento ante los inversores fue directo y respaldado por métricas de negocio verificables.

Lo que los inversores vieron no fue solo tecnología prometedora, sino un mercado dispuesto a pagar por ella. En 2026, la demanda de infraestructura de voz IA crece acelerada: agentes conversacionales de atención, avatares virtuales, doblaje a escala. Cada uno de estos casos de uso depende de síntesis de voz rápida, barata y de calidad. Fish Audio ofrecía todo eso.

Además, el diferencial contra ElevenLabs es de precio, no solo de features. Cuando ofrecés calidad comparable a una fracción del costo, el mercado te empuja solo. Los números de adopción muestran exactamente eso: la gente elige Fish Audio porque el retorno es inmediato y medible en la factura mensual.

¿Cuáles son las características principales de Fish Audio S2.1 Pro?

Fish Audio S2.1 Pro es un modelo de texto a voz que combina clonación express, soporte de 83 idiomas, control emocional granular y baja latencia en una sola herramienta. Genera audio con muestras de apenas 5 segundos, permite control fino de emoción e intención a nivel de palabra con más de 15.000 etiquetas en lenguaje natural y corre con latencia baja, lo que lo hace viable para agentes conversacionales en tiempo real, no solo para grabaciones.

Qué lo separa del resto:

• Clonación express: con 5 segundos de audio ya tenés una voz personalizada. Para fidelidad de estudio, la empresa recomienda 15 segundos.
• Control emocional granular: etiquetas de emoción, descripciones en lenguaje natural (como “ansiedad” o “sarcasmo”) y múltiples hablantes dentro de la misma transcripción.
• Multilingüe de verdad: 83 idiomas, con testimonios de usuarios que armaron locuciones en japonés, francés, árabe y castellano con la misma voz clonada.
• On-prem con HIPAA: despliegue en tu propia infraestructura, apuntando a salud, finanzas y sectores regulados.
• Baja latencia real: diseñado para agentes de voz conversacionales en tiempo real, no solo para locuciones pregrabadas.
• Regeneración parcial: si un fragmento no te cierra, regenerás solo esa parte sin tocar el resto del guion.

La frase que resume la propuesta es “Cinco segundos es fácil. Cinco minutos es la prueba”. Cualquiera clona una voz para una demo corta; lo difícil es sostener naturalidad y expresividad a lo largo de una conversación entera. Fish Audio dice ganar ahí.

¿Cómo funciona el motor Dual-AR de Fish Audio?

Fish Audio S2.1 Pro usa una arquitectura de dos etapas llamada Dual-AR (autoregressive dual). La primera etapa utiliza un transformer autoregresivo que predice los tokens de habla a partir del texto y las etiquetas de emoción. La segunda etapa usa un decodificador de flujo emparejado que convierte esos tokens en la forma de onda final audible.

Dual-AR resuelve dos problemas clásicos que hacen que las voces sintéticas suenen robóticas: la falta de contexto (entender qué se dice y cómo) y la rigidez prosódica (tono, velocidad, respiración). El transformer capta la semántica y la emoción; el decodificador define cómo suena el resultado.

Una forma simple de verlo: es como un traductor que trabaja en dos pasos. Primero decide qué decir y con qué intención. Después lo pronuncia. Separar esas decisiones permite ajustar cada una por separado, y de ahí sale el control palabra por palabra que el modelo ofrece.

¿Qué velocidad tiene Fish Audio S2.1 Pro?

Fish Audio S2.1 Pro procesa 56,3 caracteres por segundo, más rápido que GPT-Realtime-2 y que Gemini 3.1 Flash TTS, según los benchmarks del lanzamiento. La empresa afirma ser 2 veces más rápida que Cartesia y significativamente más veloz que otros competidores del segmento premium.

¿Por qué importa? En una locución para video, da igual si el render tarda 3 o 5 segundos. En una llamada de atención al cliente, cada milisegundo entre que el usuario termina de hablar y el bot responde se nota. Esa demora destroza la sensación de conversación natural. El throughput de 56,3 caracteres por segundo es lo que habilita casos de uso conversacionales en tiempo real.

En números prácticos: un mensaje de 200 caracteres se genera en unos 3,5 segundos. En un agente de voz, eso permite que la respuesta arranque antes de que el usuario termine de procesar lo que dijo. Es la diferencia entre un bot que se siente útil y uno que parece roto.

¿Cuánto cuesta Fish Audio frente a competidores?

Fish Audio cobra USD 15 por cada millón de caracteres; ElevenLabs cuesta USD 60 a 165 por el mismo volumen. En el peor caso, la diferencia llega a 11 veces menos caro. Eso no es un ahorro teórico: es un cambio de economía de proyecto.

Si hoy gastás USD 1.000 por mes en generación de voz con un proveedor premium, con Fish Audio el mismo volumen te sale entre USD 90 y USD 250, según la tarifa que estés pagando ahora. Para un equipo que produce contenido a escala (doblaje, tutoriales, IVR, podcasts), esa diferencia decide si el proyecto cierra o no cierra.

Ahora bien, barato no significa peor. Fish Audio reporta 67% de preferencia sobre competidores líderes en pruebas ciegas. Un usuario citado en su web comparó directamente contra ElevenLabs y dijo que Fish Audio “ganó con claridad en autenticidad de voz y matiz emocional”. Tomalo con pinzas (son testimonios curados), pero un 67% en blind test es un número difícil de maquillar.

Comparativa rápida de precios (por millón de caracteres):

Proveedor	Precio (1M caracteres)	Velocidad (car/seg)	Clonación	Idiomas
Fish Audio S2.1 Pro	USD 15	56,3	5 segundos	83
ElevenLabs (estándar)	USD 60–165	No informado	Más lento	Menor cobertura
Gemini 3.1 Flash TTS	Modelo cerrado	Más lento que Fish	No clona	Múltiples
Otros (OpenRouter, Cartesia)	Varía / premium	Variable	Limitado	Variable

Para dimensionar el volumen: un millón de caracteres es mucho audio. Alcanza para bibliotecas completas de contenido, campañas de IVR de alto tráfico o temporadas enteras de podcast. Por eso el precio por millón es la métrica que más conviene comparar entre proveedores.

¿Qué empresas ya usan Fish Audio en producción?

Fish Audio corre en producción en HeyGen, LiveKit, Retell y Sanas, según el anuncio de la ronda. Son clientes que apuntan a agentes de voz, avatares virtuales y comunicación en tiempo real. Justo el terreno donde la baja latencia pesa más.

El pitch para estas empresas es una solución de agente de voz integral. No venden solo el TTS suelto: ofrecen streaming en tiempo real, clonación instantánea y transcripción que acepta múltiples hablantes, tags de emoción y descripciones en lenguaje natural. Todo en la misma tubería.

La capacidad on-prem compatible con HIPAA es una señal clara de expansión hacia sectores regulados: salud, finanzas, legal. Ese guiño al compliance es lo que distingue a un juguete de una herramienta que un banco o una clínica pueden aprobar y desplegar.

¿Cómo clonar una voz con Fish Audio?

Para clonar una voz con Fish Audio subís una muestra de audio de 5 segundos, el modelo la entrena al instante y generás texto con esa voz personalizada. Para fidelidad de estudio, la empresa recomienda 15 segundos de muestra.

El paso a paso:

• Grabá o subí la muestra: 5 segundos alcanzan para prototipado, 15 para calidad de estudio.
• Entrenamiento instantáneo: no hay espera de horas ni colas de procesamiento; la voz queda lista al toque.
• Generá con control: escribís el texto y le sumás tags de emoción o descripciones en lenguaje natural para ajustar el tono.
• Integrá por API: Fish Audio lanzó S2.1 Pro de forma gratuita vía API, así que podés probar sin costo antes de escalar.

La diferencia con herramientas que piden 30+ segundos de muestra es práctica: con 5 segundos, cualquier clip corto de un video o una nota de voz sirve de base. Menos fricción, más casos de uso viables.

¿Cómo usar Fish Audio por API?

Para usar Fish Audio por API creás una cuenta en fish.audio, obtenés tus credenciales y enviás el texto que querés convertir en voz. S2.1 Pro se lanzó con API gratuita, así que podés probar el modelo sin costo y pasar a pago cuando el volumen de producción lo justifique. La documentación para desarrolladores está disponible en el sitio oficial.

El flujo básico de integración tiene cuatro pasos:

• Creá la cuenta y las credenciales: el alta se hace desde el sitio oficial de Fish Audio, donde está la documentación de la API.
• Enviá el texto con etiquetas opcionales: podés mandar texto plano o sumar tags de emoción y descripciones en lenguaje natural para ajustar el resultado.
• Indicá la voz a usar: la referencia de la voz que clonaste con tu muestra o la configuración que tu integración tenga definida.
• Recibís el audio y lo conectás: el modelo devuelve el audio generado, listo para enchufar a tu agente, tu IVR o tu pipeline de contenido.

Un consejo práctico: medí la latencia de punta a punta desde tu infraestructura, no solo el throughput del modelo. Los 56,3 caracteres por segundo son del motor; la experiencia final depende también de tu hosting, tu conexión y cómo armaste la integración.

¿Qué es Fish Speech y en qué se diferencia de S2.1 Pro?

Fish Speech es el proyecto open-source que dio origen a Fish Audio; S2.1 Pro es el modelo comercial de la empresa. Fish Speech se descarga y ejecuta gratis, superó las 31.000 estrellas en GitHub y sigue siendo una de las opciones gratuitas más usadas por desarrolladores que quieren síntesis de voz sin costos. S2.1 Pro se consume por API o on-prem, con 83 idiomas, control emocional fino y soporte para sectores regulados.

La lógica es la clásica del open-source como motor de adopción: el proyecto gratuito construye comunidad, reputación y casos de uso; el producto comercial monetiza esa tracción con infraestructura y features de nivel empresario. Para un desarrollador que recién arranca, Fish Speech sirve para experimentar sin poner plata. Para una empresa que necesita cumplimiento normativo, soporte y despliegue controlado, S2.1 Pro es el camino.

¿Cuáles son los casos de uso más prácticos de Fish Audio?

Los casos de uso más prácticos aprovechan el combo de Fish Audio: clonación rápida, 83 idiomas y control emocional fino. Acá están los más relevantes:

• Agentes de voz e IVR: sistemas de atención telefónica que no suenan a robot. La baja latencia permite que el bot responda en tiempo real sin pausas extrañas.
• Doblaje y localización: un mismo video puede tener locución en varios idiomas con la misma voz clonada. Eso baja muchísimo el costo de expandir contenido a otros mercados.
• Audiolibros y podcasts: la generación de audio largo se beneficia del control emocional por palabra y de la regeneración parcial. Si un fragmento no cierra, regenerás solo eso.
• Asistentes y avatares virtuales: productos como HeyGen y LiveKit usan Fish Audio para voces de avatares. La clonación de 5 segundos te deja probar varias voces en minutos.
• Accesibilidad: lectores de pantalla y herramientas de lectura asistida pueden usar voces más naturales que las de sistema clásicas.
• Contenido educativo a escala: tutoriales en video con voces clonadas en múltiples idiomas, sin contratar talento de doblaje en cada región.

¿Qué limitaciones tiene Fish Audio S2.1 Pro?

Fish Audio S2.1 Pro tiene límites concretos. Conocerlos te evita sorpresas en producción:

• 5 segundos no son suficientes para todo: sirven para prototipado y voces simples. Para una voz de marca con calidad de estudio, la empresa recomienda 15 segundos. Si querés fidelidad extrema, necesitás más muestra aún.
• Las etiquetas emocionales son parte del flujo: si le tirás texto plano, el resultado suena funcional pero neutro. El control fino está en las tags; hay que usarlas para sacarle jugo al modelo.
• On-prem requiere infraestructura propia: el modo compatible con HIPAA no es magia: necesitás servidores donde correr el modelo y un equipo que lo mantenga operativo.
• Consideraciones legales y éticas: clonar la voz de una persona sin consentimiento explícito puede violar leyes de protección de datos, derecho a la imagen y propiedad intelectual. En varios países de Latinoamérica, el uso indebido de una voz sintética puede generar responsabilidad civil o penal.
• La velocidad depende de tu infraestructura: 56,3 caracteres por segundo es el throughput del modelo; la latencia final también depende de tu hosting, la conexión y la integración.
• Calidad variable entre idiomas: con 83 idiomas declarados, la calidad probablemente varía entre lenguas mayores y menores. Los idiomas con menos datos de entrenamiento pueden sonar menos naturales.

¿Es seguro usar Fish Audio? Privacidad, datos y uso responsable

Fish Audio ofrece despliegue on-prem compatible con HIPAA, lo que permite ejecutar el modelo en tu propia infraestructura sin enviar datos a servidores externos. Esa opción está pensada para salud, finanzas y otros sectores regulados donde el dato no puede salir de la organización.

El otro flanco es el uso responsable de la clonación de voz. Tres reglas básicas antes de producir:

• Conseguí consentimiento explícito: clonar la voz de una persona sin su autorización puede violar leyes de protección de datos, derecho a la imagen y propiedad intelectual.
• Verificá la normativa local: en varios países de Latinoamérica el uso indebido de una voz sintética puede generar responsabilidad civil o penal.
• Documentá el uso: guardá registro de las autorizaciones y del propósito de cada voz clonada, sobre todo en campañas comerciales o atención al cliente.

Si tu caso maneja datos sensibles de clientes, el camino on-prem es el más prudente: el audio nunca sale de tus servidores y el cumplimiento depende de tu propia política de seguridad.

¿Cuál es el roadmap de Fish Audio después del funding?

Con los USD 52 millones en el banco, Fish Audio planea dos movimientos grandes: speech-to-speech (voz a voz directo, sin pasar por texto) y voice-native LLMs (modelos de lenguaje nativos de voz, no adaptados de texto). También va a expandir capacidades on-prem con HIPAA, según el anuncio de la ronda.

El salto a speech-to-speech es lo más interesante. Hoy el pipeline típico es: voz entra → transcribe a texto → un modelo procesa → sintetiza de vuelta a voz. Cada paso agrega latencia y pierde matices (tono, duda, emoción). Un modelo voz a voz directo se salta esos intermediarios y preserva la información acústica y emocional original.

Los voice-native LLMs son especulativos, pero el concepto es claro: un modelo de lenguaje que nace pensado para voz desde el inicio, no un adaptador de arquitecturas pensadas para texto. Eso podría cambiar los agentes conversacionales, aunque entregarlos con la calidad que muestran en TTS es otra cosa.

¿Van a cumplir el roadmap? Habría que ver. Prometer es fácil, entregar con calidad es otro tema. Pero viniendo de un equipo que pasó de una placa de video gamer a USD 21 millones de ARR en un año, el beneficio de la duda se lo ganaron.

¿Qué significa Fish Audio para empresas en Latinoamérica?

Para equipos en la región, el diferencial más claro es el precio y el soporte multilingüe. Si estás armando un agente de voz para atención al cliente en español rioplatense, o doblando contenido a idiomas locales, la diferencia entre USD 15 y USD 165 por millón de caracteres decide si el proyecto es viable o queda en el cajón.

Caso de uso obvio: IVR y bots de voz en español que no suenen a robot de los 2000. Con las etiquetas emocionales podés darle calidez a un cobro, urgencia a una alerta, paciencia a un soporte técnico. Eso cambia la percepción del cliente.

Otra oportunidad concreta: localización sin estudios de doblaje. Una empresa argentina que vende a México, Colombia o España puede generar locuciones con la misma voz en las variantes locales del español, sin contratar estudios en cada país. El costo es una fracción.

Si vas por el camino on-prem (por regulación de datos o por control total), vas a necesitar infraestructura propia donde correr el modelo. Para alojar ese backend en Argentina, con datos que no cruzan la frontera y latencia baja para tus usuarios locales, conviene un proveedor local como Donweb antes que armar todo en un cloud del hemisferio norte.

Errores comunes al evaluar Fish Audio S2.1 Pro

Al evaluar Fish Audio S2.1 Pro, estos son los errores que más se repiten y cómo evitarlos:

• Creer que 5 segundos dan la misma calidad que 15. La clonación express sirve para prototipado, pero para fidelidad de estudio necesitás la muestra larga. Aplicá la regla de los 5 segundos solo en MVP.
• Elegir solo por precio e ignorar latencia. Un TTS baratísimo pero lento arruina un agente conversacional. Mirá los 56,3 caracteres por segundo tanto como el costo.
• Ignorar las etiquetas emocionales. Mucha gente engancha el modelo, le tira texto plano y se queja de que suena neutro. El diferencial de S2.1 Pro está en el control palabra por palabra; sin eso, dejás valor sobre la mesa.
• Asumir que barato = peor. El 67% de preferencia en pruebas ciegas dice lo contrario. No descartes la opción económica sin escuchar las muestras vos mismo.
• Confundir Fish Speech con S2.1 Pro. Uno es el proyecto open-source para experimentar; el otro es el modelo comercial con soporte y cumplimiento. Definí cuál necesitás antes de arrancar.
• Omitir consideraciones legales. Clonar voces sin consentimiento trae riesgos. Verificá la legalidad en tu jurisdicción antes de desplegar en producción.

Preguntas Frecuentes

¿Qué es Fish Audio?

Fish Audio es una empresa de inteligencia artificial de voz que llegó a 8 millones de usuarios y USD 21 millones de ingresos anuales en su primer año de operación (2025-2026). Su modelo principal, S2.1 Pro, genera voz en 83 idiomas y clona voces con muestras de apenas 5 segundos.

¿Quién fundó Fish Audio?

Fish Audio fue fundada en 2025 por Shijia Liao, exinvestigador de video en Nvidia. Liao creó antes el proyecto open-source Fish Speech, que superó las 31.000 estrellas en GitHub y dio origen a la empresa.

¿Qué es Fish Speech?

Fish Speech fue el proyecto open-source que dio origen a Fish Audio, creado por Shijia Liao. Superó las 31.000 estrellas en GitHub y sigue siendo una de las opciones gratuitas más usadas por desarrolladores que quieren síntesis de voz sin costos.

¿Cuánto cuesta Fish Audio S2.1 Pro?

Fish Audio S2.1 Pro cuesta USD 15 por millón de caracteres procesados en su API. La API se lanzó de forma gratuita para probar, así que podés experimentar antes de pagar. Es entre 4 y 11 veces más barato que ElevenLabs.

¿En cuántos idiomas genera voz Fish Audio?

Fish Audio S2.1 Pro genera voz en 83 idiomas. Usuarios reportaron haber creado locuciones en japonés, francés, árabe, castellano y otras lenguas con la misma voz clonada, manteniendo la expresividad entre idiomas.

¿Fish Audio S2.1 Pro habla español?

Sí. El castellano está entre los 83 idiomas que soporta Fish Audio S2.1 Pro, y usuarios generaron locuciones en español con la misma voz clonada que usaron en otras lenguas.

¿Cómo clonar una voz con Fish Audio?

Subís una muestra de audio de 5 segundos, el modelo la entrena al instante y generás texto con esa voz. Para fidelidad de estudio, la empresa recomienda 15 segundos. Se integra por API gratuita.

¿Fish Audio S2.1 Pro es gratis?

Fish Audio lanzó S2.1 Pro gratis vía API para desarrolladores. La plataforma es gratuita para empezar a probar y ofrece opciones pagas para volúmenes mayores de producción.

¿Cuál es la diferencia entre Fish Audio y ElevenLabs?

La diferencia principal es el precio: Fish Audio cobra USD 15 por millón de caracteres, hasta 11 veces menos que ElevenLabs (USD 60–165). Fish Audio también ofrece clonación con 5 segundos de muestra, 83 idiomas y reporta 67% de preferencia en pruebas ciegas.

¿Puedo usar Fish Audio para doblaje comercial?

Sí. Fish Audio S2.1 Pro está diseñado para doblaje, localización, audiolibros y locución comercial. El control emocional por palabra y el soporte multilingüe permiten mantener la misma voz en varios idiomas, reduciendo costos de producción.

¿Necesito saber programar para usar Fish Audio?

No necesitás programar para probar Fish Audio desde su web: subís la muestra, escribís el texto y escuchás el resultado. Para integrarlo en un producto o servicio, sí necesitás usar la API y saber algo de código.

¿Qué es una voz clonada y cómo se usa?

Una voz clonada es una réplica sintética de una voz humana real, generada por IA a partir de una muestra de audio. Se usa para producir locuciones, asistentes virtuales o doblajes sin necesidad de que la persona original grabe cada frase.

¿Fish Audio es mejor que ElevenLabs?

No hay una respuesta única. Fish Audio es más barato y rápido, con 83 idiomas y clonación en 5 segundos. ElevenLabs tiene una trayectoria más larga y una calidad de voz que muchos consideran de referencia. En pruebas ciegas, Fish Audio ganó con 67% de preferencia, pero la elección depende de tu caso de uso y presupuesto.

¿Puedo usar Fish Audio para un bot de WhatsApp?

Sí. Fish Audio se puede integrar por API a cualquier bot de mensajería o asistente virtual que maneje audio. La baja latencia lo hace adecuado para conversaciones en tiempo real, incluyendo respuestas de voz en WhatsApp.

¿Qué es el control emocional en Fish Audio?

Es la capacidad de definir la emoción o intención de cada palabra o frase generada. Podés etiquetar el texto con términos como “alegría”, “tristeza”, “urgencia” o descripciones en lenguaje natural, y el modelo ajusta el tono, ritmo y expresión en consecuencia.

¿Fish Audio tiene límite de uso en la API gratuita?

Fish Audio lanzó S2.1 Pro con una API gratuita para pruebas, pero no se especificaron límites exactos de caracteres o requests. Para uso intensivo en producción, la empresa ofrece planes pagos basados en volumen.