ElevenLabs llega a Vercel: 14 modelos de voz en AI Gateway

Vercel y ElevenLabs: 14 modelos de audio bajo una sola API

Vercel y ElevenLabs cerraron una alianza para llevar 14 modelos de audio de ElevenLabs a AI Gateway, la capa unificada de Vercel para llamar modelos. Para empujar la adopción, todos los modelos de ElevenLabs quedan al 50% de descuento durante los primeros 14 días, hasta el 9 de noviembre.

Para un founder que está construyendo producto con voz, el anuncio resuelve un problema muy concreto: hasta ahora integrar audio de calidad implicaba abrir una cuenta aparte, gestionar otra facturación y mantener otro set de credenciales separado del resto de tu stack de IA. Ahora el mismo API key que usas para tus modelos de texto sirve para transcribir, sintetizar voz, generar música y producir efectos de sonido.

¿Qué modelos de audio puedes usar en AI Gateway?

El catálogo cubre seis tipos de modelo, y esa clasificación es la parte más útil del anuncio porque te obliga a decidir qué problema estás resolviendo antes de elegir tecnología:

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Speech to text: transcribir grabaciones o generar subtítulos en vivo mientras la persona habla.
Streaming text to speech: empezar a reproducir audio mientras el modelo de lenguaje todavía está escribiendo la respuesta, para que el usuario no espere el texto completo.
Agentes de voz en tiempo real: conversación hablada de ida y vuelta en una sola sesión en vivo. Es el formato que sirve para líneas de soporte, tutores y asistentes dentro de la app.
Música: describes una pista en texto plano y recibes una canción terminada o un instrumental, con la duración que pidas.
Efectos de sonido: sonidos de juego e interfaz, o ambiente que hace loop limpio, a partir de una descripción corta.
Diálogo multi-voz: una conversación completa en una sola llamada, con una voz distinta para cada hablante.

En la práctica, los modelos concretos que quedan disponibles incluyen Scribe v2 Realtime para transcripción en vivo, Eleven Flash v2.5 como modelo de voz de baja latencia, Eleven Realtime v1 Max y Eleven Realtime v1 Mini para conversación completa, Music v2.5 y Music v2 para música, Sound Effects v2 para efectos, y Eleven v4, Eleven v4 Turbo y Eleven v3 para interpretar guiones con varios hablantes.

¿Cómo se arma un agente de voz de punta a punta?

La arquitectura que propone el anuncio es modular, y ahí está el valor real para un equipo pequeño. El ejemplo que publica Vercel encadena tres pasos: Scribe v2 Realtime transcribe un stream de micrófono a 16 kHz, ese texto alimenta un modelo de lenguaje a tu elección, y el texto resultante se envía directo a Eleven Flash v2.5, que lo lee en voz alta mientras se sigue generando.

La consecuencia práctica es que cada eslabón es un modelo independiente. Puedes cambiar el modelo de transcripción, el de razonamiento o el de voz sin tocar el resto del pipeline. Si mañana aparece un modelo de voz más barato o uno de transcripción más preciso en tu idioma, lo cambias en una línea.

Para los agentes de voz en tiempo real el flujo es distinto: Eleven Realtime v1 Max y Mini reciben el audio del usuario y devuelven la respuesta hablada sobre una única sesión WebSocket, sin pasos separados de transcripción y síntesis. El detalle de implementación que conviene mirar es que el servidor solo emite un token de corta duración y el navegador abre la conexión, así tu API key nunca queda expuesta en el cliente. Estos modelos soportan detección semántica de actividad de voz (VAD), que decide cuándo el usuario terminó de hablar, pero no soportan server-vad.

¿Por qué ElevenLabs llega a este acuerdo desde una posición de fuerza?

El timing no es casual. TechCrunch reportó que en septiembre de 2026 ElevenLabs cerró una venta secundaria de US$300 millones que duplicó su valoración a US$22.000 millones, frente a los US$11.000 millones de su Serie D de febrero de 2026. La operación fue codirigida por Wellington y T. Rowe Price, y según unite.ai los clientes empresariales ya representan el 55% de los ingresos de la compañía.

Ese giro hacia enterprise explica por qué una integración con una plataforma de despliegue como Vercel tiene sentido para ambos lados. Según unite.ai, la plataforma ElevenAgents maneja más de 15 millones de conversaciones por semana, el triple que en febrero de 2026, y su ARR se multiplicó por más de tres en el mismo período. La misma fuente señala que los modelos de la compañía hablan, escuchan y traducen en más de 90 idiomas.

El movimiento también se lee en el contexto de las alianzas corporativas. En julio de 2026, DXC Technology anunció una alianza estratégica con ElevenLabs y su participación en la Serie D de US$500 millones, según el comunicado de la compañía difundido por Yahoo Finance. Es decir: ElevenLabs está cerrando simultáneamente acuerdos con integradores enterprise y con plataformas de desarrollo, dos canales que hasta hace poco atendía por separado.

¿Qué significa esto para tu startup?

La parte que importa no es el descuento, es que el audio deja de ser una integración especial. AI Gateway ya ofrece una API unificada para llamar modelos, trackear uso y costo, y configurar reintentos, failover y optimizaciones de rendimiento. Todas las peticiones de audio caen en las mismas vistas de uso, costo y trazabilidad que el resto de tu tráfico de IA. Vercel además aclara que refleja el precio del proveedor sin markup y no cobra fee de plataforma sobre inferencia, incluidas las peticiones con Bring Your Own Key.

Para un equipo con presupuesto ajustado, eso cambia el cálculo en tres frentes:

Mide tu costo real de audio antes del 9 de noviembre. El audio suele ser el rubro más caro de un producto conversacional, y la ventana de descuento es una oportunidad barata para correr un benchmark con tu propio tráfico en lugar de con estimaciones de blog. Si tu caso de uso es música o efectos, el ahorro se nota más rápido porque las pistas son más largas.
Diseña el pipeline por capas desde el día uno. Separar transcripción, razonamiento y voz te da la libertad de cambiar de proveedor sin reescribir el producto. Los equipos que amarran las tres etapas en una sola llamada terminan pagando el costo de migración cuando aparece un modelo mejor o más barato.
Usa los presupuestos por API key y las reglas de ruteo. Si vas a exponer voz a usuarios finales, el riesgo no es solo el costo: es que un bug de reintentos te genere una factura sorpresa. Los límites por key y el failover configurado en el gateway son la red de seguridad más barata que vas a encontrar.

Hay un matiz que conviene no perder de vista. Un agente de voz en producción no se gana por calidad de síntesis, se gana por latencia percibida. La razón por la que el streaming de texto a voz importa tanto es que el usuario empieza a escuchar antes de que el modelo termine de razonar. Si tu producto espera la respuesta completa para recién ahí hablar, ninguna mejora en la voz va a arreglar la sensación de lentitud.

Conclusión

La alianza entre Vercel y ElevenLabs no es un anuncio de catálogo: es la señal de que el audio generativo se está volviendo infraestructura estándar. Para un founder, la lectura es simple. Si tenías la voz en el backlog porque implicaba otro proveedor, otra factura y otro set de credenciales, ese argumento acaba de caerse. La pregunta ya no es si puedes integrar voz, sino qué parte de tu producto se vuelve mejor cuando el usuario puede hablar en lugar de escribir.