La tecnología de voz que ha triplicado su valor en un año – ahora se examinarán miles de programas

La voz es la carrera de IA más candente del año

Es fácil quedarse absorto en los grandes modelos de lenguaje y la generación de imágenes cuando se habla del auge de la IA. Pero justo ahora es la voz la que atrae más capital – y más curiosidad.

Según TechCrunch, la empresa de síntesis de voz ElevenLabs ha realizado una llamada secundaria por valor de 300 millones de dólares, donde los empleados han tenido la oportunidad de vender partes de sus acciones a inversores externos. La transacción valúa la empresa en 22 mil millones de dólares – aproximadamente 220 mil millones de coronas suecas – arriba de 11 mil millones de dólares tan recientemente como en febrero de este año. Detrás de las compras están los gestores de capital institucionales Wellington y T. Rowe Price, dos actores conocidos por tomar posiciones a largo plazo de cara a un posible debut bursátil.

Si se ponen estas cifras en perspectiva, el resultado es casi asombroso: en septiembre de 2025, la empresa se valuaba en 6,6 mil millones de dólares. En poco más de un año, el valor se ha más que triplicado. ElevenLabs fue fundada en 2022 y aún no tiene cuatro años.

La tecnología detrás de los aplausos

¿Qué justifica estas cifras? ElevenLabs se ha forjado una reputación por generar voces sintéticas y efectos de sonido que son genuinamente difíciles de distinguir de grabaciones reales. Ya no se trata de la lectura robótica que recordamos de los primeros lectores de pantalla – se trata de voces con pausas naturales, modulaciones emocionales y prosodia.

Este tipo de tecnología abre puertas en una amplia gama de industrias: podcasting, e-learning, herramientas de accesibilidad, videojuegos, publicidad y periodismo, por nombrar algunos. Las empresas de medios que desean localizar contenido a docenas de idiomas sin necesidad de reservar tiempo de estudio – o redacciones de noticias que desean dar a los artículos una experiencia de audio – ven usos obvios.

8 000 modelos pero sin mapa

Mientras los actores comerciales avanzan rápidamente, se desarrolla un movimiento paralelo en código abierto – y allí reina el salvaje oeste.

En la plataforma Hugging Face Hub hay hoy más de 8 000 modelos de síntesis de voz disponibles. Es impresionante en sí mismo, pero crea un problema práctico: ¿cómo sabe uno qué modelo es realmente el mejor para sus propósitos?

Históricamente, las listas de ranking basadas en arena han dominado, donde los oyentes comparan dos clips de audio y votan por el que prefieren. El método es intuitivo pero se escala como un autobús diésel viejo – lleva semanas reunir suficientes votos, y el software abierto está muy subrepresentado. En una de las listas principales, solo 16 de 92 modelos son abiertos, en parte porque los actores comerciales tienen un incentivo más fuerte para participar con fines de marketing.

Ahora, Hugging Face reporta el lanzamiento de Open TTS Leaderboard, un sistema de ranking construido sobre métricas objetivas en lugar de votos subjetivos. El sistema mide tres propiedades principales:

• Inteligibilidad – qué tan bien la voz reproduce el texto, verificado mediante un sistema de reconocimiento de voz que compara la transcripción con el original
• Velocidad – qué tan rápido genera sonido el modelo, tanto en modo lote como en transmisión en tiempo real
• Similitud de locutor – qué tan bien una voz clonada se asemeja a la voz de referencia, medida mediante una comparación de similitud matemática

Es un paso bienvenido. Como desarrollador, sé lo frustrante que es navegar entre miles de modelos sin más apoyo que el número de estrellas en un repositorio. Los puntos de referencia objetivos son la base para la comparación sistemática – y un requisito previo para que el código abierto pueda competir en condiciones justas con alternativas comerciales bien financiadas.

¿Qué significa para la industria de medios?

Para los medios y creadores de contenido, la combinación de estas dos noticias es interesante. Por un lado, la enorme valuación de ElevenLabs señala que el mercado cree firmemente en la tecnología comercial de síntesis de voz. Por otro lado, Open TTS Leaderboard muestra que el ecosistema abierto está madurando – y que pronto podría convertirse en una alternativa real para quienes no quieren o pueden pagar precios premium.

Esto crea espacio para una IA de voz más democratizada: estaciones de radio locales, podcasts independientes, plataformas educativas y herramientas de accesibilidad pueden beneficiarse de una tecnología que anteriormente solo los grandes servicios podían costear.