API de generación de audio con IA
18 modelos de audio para música, texto a voz, efectos de sonido y limpieza de audio, entre ellos Suno v6, Gemini 3.8 Flash TTS y MiniMax Speech 2.8 HD. Un solo formato de petición para todos.
- modelos
- 18
- fabricantes
- 9
- endpoints
- 18
- ahorro máx. frente al precio de lista
- 10%
Por dónde empezar
- Más popularesSuno v6
suno/v6/text-to-audioCanciones completas con voz a partir de tu letra o una breve ideaAudioHasta 5 imágenes de referenciaTus propias letrasDesde0,072 US$por generación - Precio más bajoGrok STT
xai/grok-stt/speech-to-textTranscripciones con tiempos por palabra en 25 idiomasAudio25 idiomasDesde0,00003 US$por segundo - Más recientesGemini 3.8 Flash TTS
google/gemini-3.8-flash-tts/text-to-speechVoz expresiva que interpreta indicaciones como [laughing]Audio70 vocesDesde0,00032 US$por segundo
- Suno v6
suno/v6/text-to-audioCanciones completas con voz a partir de tu letra o una breve ideaAudioHasta 5 imágenes de referenciaTus propias letrasDesde0,072 US$por generación - Gemini 3.8 Flash TTS
google/gemini-3.8-flash-tts/text-to-speechVoz expresiva que interpreta indicaciones como [laughing]Audio70 vocesDesde0,00032 US$por segundo - MiniMax Speech 2.8 HD
minimax/speech-2.8-hd/text-to-speechVoz de alta fidelidad con más de 400 voces y control emocionalAudio472 voces40 idiomasDesde0,12 US$por 1.000 caracteres - MiniMax Music 3.0
minimax/music-3.0/text-to-audioCanciones estéreo terminadas, con voz o instrumentalesAudioTus propias letrasDesde0,18 US$por generación - Seed Audio 1.0
bytedance/seed-audio-1.0/text-to-audioEscenas de audio con varias voces, música y efectosAudioDesde0,36 US$por generación - Gemini 3.8 Flash-Lite TTS
google/gemini-3.8-flash-lite-tts/text-to-speechVoz rápida y ligera con 30 vocesAudio70 vocesDesde0,00021 US$por segundo - Suno v6 Mini
suno/v6-mini/text-to-audioDos canciones rápidas con voz a partir de una fraseAudioHasta 5 imágenes de referenciaTus propias letrasDesde0,072 US$por generación - Suno v6 Wild
suno/v6-wild/text-to-audioCanciones experimentales y con textura, con vozAudioHasta 5 imágenes de referenciaTus propias letrasDesde0,072 US$por generación - HeartMuLa Transcribe
heartmula/transcribe/speech-to-textLetras extraídas de voces cantadas, en muchos idiomasAudioDesde0,05 US$por generación - Grok STT
xai/grok-stt/speech-to-textTranscripciones con tiempos por palabra en 25 idiomasAudio25 idiomasDesde0,00003 US$por segundo - Grok TTS
xai/grok-tts/text-to-speech71 voces en 20 idiomas, con etiquetas de expresiónAudio71 voces20 idiomasDesde0,018 US$por 1.000 caracteres - Seed Speech 2.0
bytedance/seed-speech-2.0/text-to-speech41 voces cuyo tono defines con palabras sencillasAudio41 voces10 idiomasDesde0,072 US$por 1.000 caracteres - MiniMax Speech 2.8 Turbo
minimax/speech-2.8-turbo/text-to-speechVoz rápida con más de 400 voces y control emocionalAudio472 voces40 idiomasDesde0,072 US$por 1.000 caracteres - Qwen3 TTS
alibaba/qwen-3-tts/text-to-speechVoz de código abierto con tono y ritmo en palabras simplesAudio9 voces10 idiomasDesde0,068 US$por 1.000 caracteres - Chatterbox
resemble-ai/chatterbox-v1/text-to-speechVoz en inglés que puede imitar una muestra breveAudioDesde0,036 US$por generación - Gemini 2.5 Pro TTS
google/gemini-2.5-pro-tts/text-to-speech−10%Voces que se dejan dirigir, para narración y diálogos a dos vocesAudio30 vocesDesde0,00045 US$0,0005 US$por segundo - Video Sound Effects
popnow/foley-v1/video-to-audioEfectos y ambiente ajustados a tu videoAudioClips de 1 a 30 sDesde0,006 US$por un clip de 5 segundos - Vocal Isolator
popnow/vocal-isolator-v1/audio-separationNuevoUna grabación, pistas separadas de voz y fondoAudioDesde0,0012 US$por segundo
Por tarea
Otros tipos de modelo
Explorar por fabricante
Todos los fabricantes de modelos de PopNow API, con cuántos de sus modelos puedes llamar.
- Alibaba40 modelos−33%Wan 3.0 · Qwen Image 2.1 Pro · Qwen Image 2.1 Turbo · Qwen Image 2.1Desde 0,01 US$ por imagen
- ByteDance17 modelos−30%Seedance 2.5 · Seedream 5.0 Pro · Seed Audio 1.0 · Seedream 5.0 FlashDesde 0,026 US$ por imagen
- PopNow14 modelosBackground Remover · Image Upscaler · Object Eraser · Video UpscalerDesde 0,0012 US$ por segundo
- MiniMax10 modelos−55%MiniMax H3 · MiniMax Speech 2.8 HD · MiniMax Music 3.0 · MiniMax H3 Singularity LoRADesde 0,042 US$ por imagen
- Google6 modelos−20%Nano Banana 2.1 · Nano Banana Pro · Gemini 3.8 Flash TTS · Gemini 3.8 Flash-Lite TTSDesde 0,00021 US$ por segundo
- Suno3 modelosSuno v6 · Suno v6 Mini · Suno v6 WildDesde 0,072 US$ por generación
- xAI2 modelosGrok STT · Grok TTSDesde 0,00003 US$ por segundo
- HeartMuLa1 modeloHeartMuLa TranscribeDesde 0,05 US$ por generación
- Resemble AI1 modeloChatterboxDesde 0,036 US$ por generación
Preguntas frecuentes
¿Cómo se cobra el audio con IA?
La voz suele cobrarse por cantidad de texto, y la música y los efectos de sonido por pista o por segundo. Cada página de modelo enumera su unidad y todos sus niveles de precio.
¿Qué voces e idiomas están disponibles?
Cada modelo de texto a voz enumera sus voces e idiomas en su página. Elige una voz por su nombre en la petición.
¿Puedo usar el audio en mi producto?
Las condiciones de uso se rigen por las condiciones del servicio de PopNow y por los límites del modelo que llames. Revisa la página del modelo y las condiciones antes de publicar.
¿Te falta un modelo que necesitas? Escribe a support@popnow.ai y dinos cuál.
Empieza a crear en minutos
Una clave para todos los modelos, un saldo en USD que recargas cuando lo necesitas y un precio exacto antes de cada ejecución.