Vercel añade 14 modelos de ElevenLabs a AI Gateway con un 50% de descuento durante 14 días
Vercel ha añadido 14 modelos de ElevenLabs a AI Gateway, de modo que una aplicación de voz ya se puede construir con una sola clave de API. El usuario habla, un modelo reconoce el habla, cualquier modelo de lenguaje escribe la respuesta y la voz de ElevenLabs la locuta conforme se genera. Hasta el 9 de noviembre, todos estos modelos del gateway cuestan un 50% menos, así que es un buen momento para probar la voz en un producto. Los modelos abarcan seis tipos: reconocimiento de voz, síntesis, agentes de voz, música, efectos de sonido y diálogos. Los modelos Realtime de Eleven mantienen la conversación en una sola sesión WebSocket, sin pasos separados. Vercel no aplica ningún margen ni comisión de plataforma, incluidas las peticiones que usan una clave propia.
Procesado por IA desde Vercel Blog; editado por Hamidun News
La interfaz de voz suele costar más de lo que parece al principio. Hace falta un servicio para el reconocimiento de voz, otro para el modelo de lenguaje y un tercero para la síntesis, y cada uno tiene su propia clave, sus propias facturas y sus propios registros. Vercel propone simplificar todo esto: AI Gateway incorpora ahora 14 modelos de ElevenLabs, y todos funcionan con una sola clave de API. Con motivo del lanzamiento, hasta el 9 de noviembre inclusive, todos los modelos de ElevenLabs del gateway tienen un descuento del 50%.
Qué se ha integrado
Hay seis tipos de modelos. El reconocimiento de voz (Scribe v2 y Scribe v2 Realtime) convierte la voz en texto, incluso mientras la persona sigue hablando. La síntesis en streaming (Eleven Flash v2.5, Flash v2, Multilingual v2, v3 Conversational) empieza a reproducir el audio mientras el modelo de lenguaje todavía termina la respuesta. Los agentes de voz (Eleven Realtime v1 Max y v1 Mini) llevan toda la conversación dentro de un mismo modelo. Además, hay generación de música (Music v2.5 y v2), de efectos de sonido (Sound Effects v2) y síntesis de diálogos con varias voces (Eleven v4, v4 Turbo, v3).
La ventaja práctica es que todas las peticiones aparecen en los mismos informes de gasto, uso y trazabilidad que el resto del tráfico que pasa por AI Gateway. No hace falta abrir una cuenta aparte para el audio ni cuadrar las facturas a mano.
Dos formas de construir un asistente de voz
La primera es una cadena de tres pasos. Tomemos el ejemplo de la documentación: un pasajero pregunta si llegará a tiempo a la conexión. Scribe v2 Realtime transcribe el habla sobre la marcha; después, el modelo de lenguaje que elija usted (en el ejemplo, un modelo de Anthropic de la familia Claude Haiku) combina el estado del vuelo y la distancia hasta la puerta de embarque, y Eleven Flash v2.5 lee la respuesta según se va generando. El usuario oye el inicio de la frase sin esperar a que termine el texto. Cada paso es un modelo independiente, de modo que el reconocimiento, el "cerebro" o la voz pueden cambiarse sin tocar el resto del código.
La segunda es un único modelo para toda la conversación. Eleven Realtime v1 Max y v1 Mini reciben el audio del usuario y responden con voz a través de una única sesión WebSocket. No hace falta conectar por separado el reconocimiento y la síntesis. Es adecuado para una línea de atención al cliente o un asistente dentro de una aplicación, donde importan las interrupciones naturales y un ritmo vivo: ante la pregunta "¿Puedo cambiar la dirección de envío?", el agente responde de inmediato: "Le ayudo; dígame el número de pedido".
El esquema de seguridad es sencillo: el servidor solo emite un token de corta duración para el modelo elegido, y es el navegador quien abre la conexión. Así la clave de API nunca llega al cliente. En el frontend, el hook useRealtime de @ai-sdk/react se encarga del micrófono, la conexión y la reproducción. Un detalle importante: los modelos Realtime determinan el final de cada turno solo mediante la detección semántica de pausas (semantic-vad); el modo server-vad no es compatible.
Música, efectos y diálogos
Music v2.5 y v2 generan a partir de una descripción de texto una pista completa de la duración indicada, con voz o sin ella. Se pueden especificar el género, el estado de ánimo y los instrumentos, y, para un mayor control, describir la canción por secciones, cada una con su estilo y su duración. Sound Effects v2 hace lo mismo con sonidos breves: pasos, un portazo, lluvia en bucle para un nivel de videojuego. En el código es la misma llamada a generateSpeech, solo que en lugar de un texto para leer se pasa la descripción del sonido, por ejemplo "un beat lo-fi tranquilo con piano suave" de 30 segundos.
Los modelos Eleven v4, v4 Turbo y v3 locutan un guion con varios personajes en una sola petición. A cada réplica se le asigna una voz, el cambio de voz inicia un nuevo turno y el resultado es una grabación continua. Para un pódcast con dos presentadores o una escena con todo el reparto no hace falta unir decenas de clips por separado.
Precio y puntos a tener en cuenta
Según Vercel, AI Gateway muestra los precios de los proveedores sin ningún margen y no cobra comisión de plataforma por la inferencia, incluido el uso de una clave propia (BYOK). Además ofrece reintentos, conmutación a una alternativa de respaldo, presupuestos por clave, reglas de enrutamiento y soporte de Zero Data Retention.
Algunas limitaciones también existen. Parte de las funciones del SDK están marcadas como experimentales (por ejemplo, streamSpeech y streamTranscribe), así que la interfaz podría cambiar. La rebaja es temporal, y Vercel no publica datos sobre latencia ni calidad frente a la conexión directa con ElevenLabs. Quien ya paga a ElevenLabs directamente debería comparar el importe final de sus facturas.
La conclusión para un desarrollador: si está creando un asistente de voz, un bot de atención al cliente o un juego con sonido, estas dos semanas son una forma barata de comprobar la hipótesis. El prototipo puede montarse en una tarde con un solo SDK, y la decisión sobre el esquema definitivo debería tomarse después de comparar latencias y costes con conversaciones reales.
- 21 nov 2026Anthropic recorta un 20 % el precio de Claude Fable 5.2 y, en una prueba de código, queda casi a la altura de Opus 5.5
- 21 nov 2026Dreamteam recauda 53 millones de dólares para un CRM que se alimenta solo a partir del correo y las llamadas
- 21 nov 2026La IA Claude Opus 5.5 completa el terror Dimension 9 a partir de 15 habitaciones del autor
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se ha integrado?
Hay seis tipos de modelos. El reconocimiento de voz (Scribe v2 y Scribe v2 Realtime) convierte la voz en texto, incluso mientras la persona sigue hablando. La síntesis en streaming (Eleven Flash v2.5, Flash v2, Multilingual v2, v3 Conversational) empieza a reproducir el audio mientras el modelo de lenguaje todavía termina la respuesta. Los agentes de voz (Eleven Realtime v1 Max y v1 Mini) llevan toda la conversación dentro de un mismo modelo.
¿Qué se sabe sobre Dos formas de construir un asistente de voz?
La primera es una cadena de tres pasos. Tomemos el ejemplo de la documentación: un pasajero pregunta si llegará a tiempo a la conexión. Scribe v2 Realtime transcribe el habla sobre la marcha; después, el modelo de lenguaje que elija usted (en el ejemplo, un modelo de Anthropic de la familia Claude Haiku) combina el estado del vuelo y la distancia hasta la puerta de embarque, y Eleven Flash v2.5 lee la respuesta según se va generando. El usuario oye el inicio de la frase sin esperar a que termine el texto.
¿Qué se sabe sobre Música, efectos y diálogos?
Music v2.5 y v2 generan a partir de una descripción de texto una pista completa de la duración indicada, con voz o sin ella. Se pueden especificar el género, el estado de ánimo y los instrumentos, y, para un mayor control, describir la canción por secciones, cada una con su estilo y su duración. Sound Effects v2 hace lo mismo con sonidos breves: pasos, un portazo, lluvia en bucle para un nivel de videojuego.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.