Cuánto cuesta la IA en voz, video e imagen, en pesos
· 3 min de lectura
En la nota anterior calculé el texto. Aquí van voz, video e imagen, con precios oficiales del 23 de octubre de 2026 pasados a pesos con el dólar observado del Banco Central de ese día, $986,58. Cada proveedor cobra en otra unidad (tokens, caracteres, minutos, segundos), así que llevé todo a un minuto de resultado.
| Un minuto de… | Más barato | Más caro de la muestra |
|---|---|---|
| Transcribir audio | $2,5 | $15,8 |
| Leer un texto en voz | $8,9 | $78,9 |
| Conversar con un agente de voz | $11,3 | $78,9 |
| Generar video con audio | $5.919 | $23.678 |
| Una imagen de 1024×1024 | $5,9 | $208 |
TABLA 1 · Transcribir: AssemblyAI Universal-2 y Google Cloud Speech-to-Text V2. Voz: Gemini 3.8 Flash-Lite TTS y ElevenLabs v4, con unos 1.000 caracteres por minuto. Agente de voz: Gemini 3.8 Live y ElevenLabs Realtime, mitad hablando cada uno; ElevenLabs cobra el LLM aparte. Video: Gemini Omni Flash a 720p y Veo 3.1 vía Runway. Imagen: GPT Image 2 en calidad baja y alta.
Un minuto de video con el modelo más barato cuesta lo mismo que transcribir unos 2.400 minutos.
Cinco casos, en pesos al mes
| Caso | Barato | Intermedio | Alto |
|---|---|---|---|
| Doblar al español 10 videos de 3 minutos | $363 | $2.566 | $65.114 |
| Generar 20 videos de 8 segundos con audio | $15.785 | $23.678 | $63.141 |
| Transcribir 40 horas de reuniones | $5.919 | $14.207 | $37.885 |
| Agente de voz, 500 llamadas de 3 minutos | $17.019 | $71.034 | $118.390 |
| Generar 200 imágenes | $1.184 | $6.630 | $41.634 |
TABLA 2 · Doblaje: barato es gpt-4o-mini-transcribe, GPT-6 Luna para traducir y Gemini 3.8 Flash-Lite TTS; intermedio, ElevenLabs Scribe v2, Claude Sonnet 5.5 y ElevenLabs v4; alto, ElevenLabs Dubbing v2, que conserva la voz original. Video: Gemini Omni Flash, Veo 3.1 Fast y Veo 3.1, los dos Veo vía Runway. Transcripción: AssemblyAI Universal-2, gpt-4o-transcribe-diarize (separa quién habla) y Google Cloud Speech-to-Text V2. Agente de voz: Gemini 3.8 Live, gpt-realtime-2.1 y ElevenLabs Realtime. Imágenes: GPT Image 2 baja, Nano Banana 2.1 a 1K y GPT Image 2 alta.
En transcripción, la opción alta cuesta 6 veces la barata. En doblaje, 180: la alta conserva la voz de quien habla y la barata pone una voz sintética que lee la traducción.
Los videos suponen que cada clip sale bien a la primera. Con tres intentos por clip, los 20 videos baratos pasan a unos $47.000.
En los agentes de voz falta el número de teléfono y los minutos de red. En gpt-realtime y Gemini Live el historial de la conversación se vuelve a cobrar en cada turno, así que una llamada larga cuesta más que la suma de sus minutos.
Fuentes, consultadas el 23-oct-2026: precios de Claude, precios de OpenAI, generación de imágenes en OpenAI, precios de Gemini, Google Cloud Speech-to-Text, ElevenLabs API, AssemblyAI, Runway API y dólar observado del Banco Central.
Cómo se midió. Precios de las páginas oficiales de cada proveedor consultadas el 23-oct-2026, convertidos con el dólar observado del Banco Central de ese día ($986,58). Precio estándar por uso, sin planes prepagados, descuentos por volumen ni IVA. Los supuestos de cada caso están en las tablas.