Pickles vs Unreal Speech

Pickles es una API de texto a voz diseñada para desarrolladores que necesitan voz sintetizada realista sin pagar tarifas premium por modelos de voz. Envías texto mediante una llamada HTTPS sencilla y recibes un archivo WAV alojado listo para reproducir o almacenar. Está pensada para equipos que integran voz en aplicaciones, bots, procesos de audiolibros o cualquier producto donde el costo por carácter sea la principal limitación.

Pickles se basa en la economía unitaria. La página principal afirma un costo aproximadamente 5 veces menor que OpenAI TTS, 32 veces menor que ElevenLabs y 2 veces menor que UnrealSpeech en un uso comparable. Los clips de muestra en el sitio se generan en 0,1 a 0,2 segundos, lo que indica un diseño orientado a la baja latencia para aplicaciones casi en tiempo real. Se sacrifica la gran biblioteca de voces y el acabado de estudio de marcas de TTS para consumidores por una API simplificada y planes mensuales basados en volumen.

Los desarrolladores independientes y startups en etapa inicial pueden comenzar con el plan Hobby a $9 por mes para 1 millón de caracteres (aproximadamente 200 horas de voz). Los equipos que operan a gran escala tienen Growth a $79 para 10 millones de caracteres o Enterprise a $599 para 100 millones. El pago se realiza a través de Stripe con cancelación con un clic, y la comunidad de Discord atiende preguntas sobre integración.

Unreal Speech es una API de texto a voz lista para producción, construida sobre el motor TTS de código abierto Kokoro. Ofrece a desarrolladores y empresas una síntesis de voz natural a una fracción del costo de ElevenLabs, Amazon Polly, Google Cloud y Microsoft Azure. La API transmite audio en aproximadamente 300 milisegundos y soporta trabajos de formato largo de hasta 10 horas por solicitud.

Kokoro funciona con un modelo decodificador de 82 millones de parámetros que combina ideas de StyleTTS 2 e iSTFTNet. Cuenta con 48 voces en ocho idiomas, incluyendo inglés de EE. UU. y del Reino Unido, mandarín, hindi, español, portugués, japonés, francés e italiano. Los marcas de tiempo por palabra permiten que las aplicaciones destaquen el texto sincronizado con la reproducción, lo cual ayuda en accesibilidad, interfaces tipo karaoke y lectores interactivos.

La API REST expone cuatro endpoints: /stream para síntesis subsegundos de hasta 1,000 caracteres, /speech para hasta 3,000 caracteres con URLs de marcas de tiempo, /synthesisTasks para trabajos asincrónicos de hasta 500,000 caracteres y una ruta websocket /streamWithTimestamps para audio en vivo más temporización de palabras. Se ofrecen SDKs para Python, Node.js y React Native, con código de ejemplo en la página principal.

Kokoro TTS Studio en unrealspeech.com ofrece una demo gratuita en navegador para probar las voces antes de registrarse. Los planes de pago eliminan los requisitos de atribución para audio comercial. Clientes empresariales en la plataforma procesan miles de millones de caracteres mensualmente con un tiempo de actividad del 99.9%.