Modelos de audio en Kubeez

    Canciones, instrumentales, cuatro tipos de voz, stems y sonido para vídeo, cada uno con el modelo pensado para ese trabajo.

    Prueba V6 y SoniloComparar modelos

    Los modelos

    • Prompt: Bright modern pop. Punchy synth bass, tight claps, shimmering top line and a huge catchy hook about replaying the same memory. Confident female vocal, radio-ready polish.

      • V6
      • 194s

    • Prompt: Heroic trailer music. Massive brass theme, driving string ostinato, huge drums, choir-free, building from a quiet piano motif to a full orchestral climax.

      • V6
      • 138s

    • Prompt: Slow lo-fi beat, warm tape hiss, muted rhodes, no drums until the halfway point

      • Sonilo
      • 20s

    V6 y Sonilo

    Canciones con voz y tu letra, o instrumentales al segundo.

    V6 es la opción por defecto para voces naturales, V6 Wild para mezclas atrevidas, V6 Mini para bocetos rápidos. El modo personalizado acepta tu letra, estilo y voz masculina o femenina. Sonilo nunca canta y entrega la duración exacta.

    Ideal para

    • Jingles cantados con tu propia letra
    • Temas completos con voz para reels
    • Instrumentales para un hueco fijo (Sonilo)

    Mejor otro modelo para

    • Musicalizar un clip concreto: usa Banda sonora de vídeo.
    • Desmontar una canción existente: usa Separación de música.

    Especificaciones

    Modelos
    V6, V6 Wild, V6 Mini, Sonilo
    Modo simple
    Un prompt, 400 caracteres
    Modo personalizado, caracteres
    Título 80, estilo 1.000, letra 5.000
    Duración, familia V6
    Opcional, 10 s a 6 min
    Duración, Sonilo
    Exacta, 5 s a 6 min
    Prueba V6 y Sonilo
    Ver precios

    Precio

    OpciónTarifaUnidad
    V634créditos
    V6 Wild34créditos
    V6 Mini34créditos
    Sonilo0.75créditos / s
    Tarifas actuales en créditos.

    Text To Dialogue V3

    Una voz fija que lee el texto aprobado, literal.

    Eliges una de 26 voces, cada una con muestra, indicas el idioma y lee exactamente lo escrito. Las etiquetas entre corchetes, como [laughs], se eliminan, no se interpretan. La API y el MCP añaden estabilidad, similitud, estilo y velocidad.

    Ideal para

    • Textos aprobados de anuncios y producto
    • Narración de cursos con una voz constante
    • Locuciones en rumano, hindi o árabe

    Mejor otro modelo para

    • Risas, susurros o cambios de tono: usa Gemini.
    • Dos voces en un archivo: usa Gemini 3.8.

    Especificaciones

    Voces
    26, cada una con muestra
    Idiomas
    29, entre ellos turco y ucraniano
    Guion
    De 5 a 5.000 caracteres
    Hablantes
    Una voz por generación
    Prueba Text To Dialogue V3
    Ver precios

    Precio

    OpciónTarifaUnidad
    Text To Dialogue V326créditos
    Tarifas actuales en créditos.

    • Prompt: Style instructions: Speak like a theatrical vampire host. Slow, velvety, menacing, savoring every word. Text: [whispering] Good evening. [long pause] I have been... [laughing softly] expecting you.

      • Algenib

    • Prompt: [laughing] I can't believe you actually did that. [laughing hard] That's the funniest thing I've ever seen.

      • Puck

    • Prompt: [whispering] Ve allí. En silencio, antes de que alguien te vea.

      • Kore

    Gemini 3.1 Flash TTS

    Una voz que diriges con palabras sencillas.

    Le das el guion y un prompt de estilo como «comentarista deportivo sin aliento»; cambias la indicación y las mismas palabras vuelven con otra interpretación. Las acotaciones entre corchetes, como [sigh], [whispering] o [long pause], se actúan, no se leen.

    Ideal para

    • Frases de personaje con emoción real
    • Ganchos en español de México o España
    • Idiomas que V3 no cubre, como húngaro

    Mejor otro modelo para

    • Dos voces en un archivo: usa Gemini 3.8.
    • Etiquetas entre ángulos como <laugh>: solo las interpreta 3.8.

    Especificaciones

    Voces
    30
    Idiomas
    87 códigos regionales, detección automática
    Guion
    4.000 bytes de UTF-8
    Prompt de estilo
    4.000 bytes
    Hablantes
    Una voz por generación
    Etiquetas
    Entre corchetes, interpretadas
    Prueba Gemini 3.1 Flash TTS
    Ver precios

    Precio

    OpciónTarifaUnidad
    Gemini 3.1 Flash TTS26créditos
    Tarifas actuales en créditos.

    • Prompt: Okay, so we are live, and I have to ask. <short pause> Did you actually read the whole manual? / <laugh> Of course not. I read the first page, and then I just pressed every button until it worked. / That is the most honest answer we have ever had on this show. <chuckle> / <sigh> And honestly? It worked on the third try. <whispers> Do not tell the engineers.

      • Alnilam
      • Laomedeia
      • 24s
      • Kore
      • Enzo

    Gemini 3.8 Flash TTS

    Una conversación con guion para uno o dos hablantes.

    Escribes hasta 50 frases, asignas cada una a Speaker 1 o 2 y das a cualquiera su propia interpretación, como «seco, medio dormido». Cuarenta etiquetas entre ángulos, como <laugh> y <gasp>, se interpretan en lugar de leerse.

    Ideal para

    • Conversaciones entre dos presentadores, estilo pódcast
    • Guiones de soporte, reservas y menús telefónicos
    • Un narrador cuyo ánimo cambia por frase

    Mejor otro modelo para

    • Más de dos voces en un archivo.
    • Etiquetas entre corchetes: este modelo no las interpreta.

    Especificaciones

    Hablantes
    1 o 2
    Guion
    5.000 caracteres, etiquetas incluidas
    Voces
    70, en 10 grupos de uso
    Idioma
    Se lee del texto, sin ajuste
    Salida
    WAV, 24 kHz mono
    Prueba Gemini 3.8 Flash TTS
    Ver precios

    Precio

    OpciónTarifaUnidad
    Gemini 3.8 Flash TTS26créditos
    Tarifas actuales en créditos.

    Seed 1.0 Audio

    Una escena completa desde una descripción: voces, efectos, música.

    Escribes la escena como un director: lugar, música, sonidos, quién habla y cómo, y luego las frases entre comillas. Las voces se describen, no se eligen, o se clonan de hasta tres grabaciones marcadas @Voice1 a @Voice3.

    Ideal para

    • Radioteatro con música y efectos
    • Cinemáticas de videojuego y momentos de tráiler
    • Un personaje con voz de una grabación

    Mejor otro modelo para

    • Texto aprobado y literal: usa Text To Dialogue V3.
    • Rumano, árabe, hindi o ucraniano: fuera de sus 20.

    Especificaciones

    Prompt
    Hasta 2.048 caracteres
    Duración
    Según el modelo, hasta 120 s
    Referencias de voz
    Hasta 3 grabaciones de 30 s
    Referencia de imagen
    Una imagen, sin grabaciones de voz
    Idiomas
    20
    Extras por API y MCP
    Formato, velocidad, volumen, tono
    Prueba Seed 1.0 Audio
    Ver precios

    Precio

    OpciónTarifaUnidad
    Seed 1.0 Audio0.75créditos / s
    Tarifas actuales en créditos.

    Separación de música

    Divide una mezcla terminada en voz e instrumental.

    Subes una canción mezclada y recibes dos pistas: la voz, y todo lo demás como instrumental. Escucha, silencia y descarga cada una sobre la forma de onda, con el tempo detectado. Los masters densos pueden sangrar: escucha antes de publicar.

    Ideal para

    • Pistas de karaoke y versiones
    • Voces a capela para remezclas

    Mejor otro modelo para

    • Stems separados de batería, bajo o guitarra.
    • Aislar a un cantante de un dúo o coro.

    Especificaciones

    Entrada
    MP3, WAV, OGG, M4A, FLAC, AAC
    Salida
    Voz e instrumental, MP3 320 kbps
    Modelo
    BS Roformer
    Prueba Separación de música
    Ver precios

    Precio

    OpciónTarifaUnidad
    Separación de música6créditos / min
    Tarifas actuales en créditos.

    • Prompt: Heavy wooden door slamming shut in an empty stone hall, long tail

      • 8s

    Efectos de sonido

    Un sonido descrito con palabras, con la duración que elijas.

    Describe el sonido, no la escena: qué lo produce, el espacio, cómo se apaga. «Puerta pesada de madera que se cierra de golpe en una sala de piedra vacía, cola larga» funciona; «sonido de puerta» es una lotería.

    Ideal para

    • Impactos, whooshes y transiciones para títulos
    • Room tone con la duración del plano
    • Sonidos de interfaz y producto para demos

    Mejor otro modelo para

    • Efectos para imágenes existentes: usa Banda sonora de vídeo.
    • Música: usa el estudio de música.

    Especificaciones

    Entrada
    Texto, hasta 2.000 caracteres
    Duración
    De 1 s a 3 min
    Salida
    Un archivo de audio
    Motor
    Sonilo
    Prueba Efectos de sonido
    Ver precios

    Precio

    OpciónTarifaUnidad
    Efectos de sonido0.6créditos / s
    Tarifas actuales en créditos.

    Banda sonora de vídeo

    Efectos, banda sonora o ambos, escritos sobre tus imágenes.

    Mira el clip y escribe efectos ajustados a la acción, una banda sonora al ritmo del montaje o ambos, mezclados en una sola pasada. Recibes la pista de audio suelta o el clip con el sonido integrado.

    Ideal para

    • Vídeo de IA mudo, grabaciones de pantalla
    • Tráileres, anuncios y montajes que crecen
    • Clips hablados a cámara con música debajo

    Mejor otro modelo para

    • Acción rápida o confusa: el sonido saldrá igual.
    • Música sin imágenes: usa el estudio de música.

    Especificaciones

    Entrada
    Un vídeo, hasta 6 min
    Modos
    Efectos, música o ambos mezclados
    Salida
    Audio suelto, o clip con sonido
    Notas
    Opcionales, hasta 2.000 caracteres
    Motor
    Sonilo
    Prueba Banda sonora de vídeo
    Ver precios

    Precio

    OpciónTarifaUnidad
    Efectos de sonido3créditos / s
    Música3créditos / s
    Música y efectos6créditos / s
    Efectos de sonido, con vídeo3créditos / s
    Música, con vídeo3créditos / s
    Música y efectos, con vídeo6créditos / s
    Tarifas actuales en créditos.

    Las ocho herramientas de audio, lado a lado

    ModeloLo que le dasLo que recibesDuraciónVoces
    V6 y SoniloPrompt o letraCanción o instrumentalHasta 6 minMasculina, femenina o ninguna
    Text To Dialogue V3Un guionUna voz, lectura literalSegún el guion26 voces, 29 idiomas
    Gemini 3.1 Flash TTSGuion y prompt estilísticoUna voz interpretadaSegún el guion30 voces, 87 códigos
    Gemini 3.8 Flash TTSHasta 50 frasesUna conversación, WAVSegún el guion70 voces
    Seed 1.0 AudioUna escena descritaVoces, efectos y músicaHasta 120 sDescritas o clonadas
    Separación de músicaUna canción mezcladaVoz e instrumentalLa del originalSe mantiene la original
    Efectos de sonidoUn sonido descritoUn efectoHasta 3 minNinguna
    Banda sonora de vídeoUn vídeoEfectos, música o ambosLa del clipConserva el diálogo

    Qué herramienta de audio encaja con tu trabajo

    Cómo encaja cada modelo

    El audio se organiza por trabajo, no motor. El estudio de música junta canciones V6 e instrumentales Sonilo, exactos al segundo. El estudio Dialogue reúne cuatro modelos de voz: lectura limpia, voz dirigida, conversación a dos y escena completa. Separación de música y las herramientas de sonido usan tu material.

    Consejos de trabajo

    • Para un fondo bajo una narración, genera primero la locución y pide a Sonilo exactamente esos segundos.
    • En Banda sonora de vídeo, prueba primero sin nota: el modelo escribe sobre lo que ve.
    • En Seed 1.0 Audio, escribe las acotaciones en prosa dentro de la escena, no como etiquetas.

    Elige un plan

    Un solo saldo de créditos cubre imagen, vídeo y audio. Elige el tamaño que encaje con lo que produces.

    Más popular

    Studio Pro

    Valor de estudio con mayor margen.

    49 EURmes
    6,400créditos / mes
    Puestos de equipo

    2 puestos incluidos

    Lo que generarás

    • Imágenes~1600
    • Canciones~492
    • Vídeos~640
    • Separaciones~1066
    • Minutos de subtítulos~213
    • Todos los modelosIncluido
    Seleccionar plan

    Starter

    Generaciones de nivel básico para uso regular.

    10 EURmes
    1,100créditos / mes

    Lo que generarás

    • Imágenes~275
    • Canciones~84
    • Vídeos~110
    • Separaciones~183
    • Minutos de subtítulos~36
    • Todos los modelosIncluido
    Seleccionar plan

    Pro

    Accede a la experiencia completa.

    20 EURmes
    2,600créditos / mes

    Lo que generarás

    • Imágenes~650
    • Canciones~200
    • Vídeos~260
    • Separaciones~433
    • Minutos de subtítulos~86
    • Todos los modelosIncluido
    Seleccionar plan

    Powerhouse

    La opción más rentable.

    99 EURmes
    13,000créditos / mes

    13.000 créditos/mes

    Puestos de equipo
    3 puestos

    Puestos extra 19 €/puesto/mes

    Lo que generarás

    • Imágenes~3250
    • Canciones~1000
    • Vídeos~1300
    • Separaciones~2166
    • Minutos de subtítulos~433
    • Todos los modelosIncluido
    Seleccionar plan

    Enterprise

    Para equipos que superan los planes estándar.

    Personalizado

    Precios adaptados a tu equipo

    Qué incluye

    • Número de puestos personalizado
    • Volumen de créditos personalizado
    • Pago por factura
    • Soporte prioritario
    Contactar con ventas
    O paga por uso

    Prueba cualquier modelo con packs de créditos de un solo pago

    Los créditos nunca caducan y no requieren suscripción — compra un pack, genera, comprueba si Kubeez encaja contigo.

    Recarga rápida

    Recarga rápida para ráfagas cortas de generación.

    Créditos

    500

    Pagas

    6 €

    Pack estándar

    Pack mediano al tipo estándar por crédito.

    Créditos

    1500

    Pagas

    18 €

    −5 %

    Pack de volumen

    Pack mayor con descuento por volumen incluido.

    Créditos

    5000

    Pagas

    60 €57 €

    −10 %

    Pack de producción

    Mejor precio por crédito para producción sostenida.

    Créditos

    15.000

    Pagas

    180 €162 €

    Preguntas frecuentes

    • Sí. Crea una Persona a partir de una canción tuya y elígela al escribir la siguiente. Una Persona canta tu letra, así que añade letra cuando la uses.

    • Sí. Sepárala con Separación de música, quédate con el instrumental y dale una parte cantada nueva con Add Vocals en el estudio de música. Add Vocals acepta MP3, WAV u OGG de hasta 20 MB.

    • Su límite cuenta bytes, no caracteres. El cirílico, el griego, el árabe y las escrituras asiáticas ocupan más de un byte por carácter, así que caben menos caracteres por generación.

    • No. No se sintetiza nada: las voces originales se quedan y la música puede ir más baja por debajo. Para traducir o redoblar voces, usa Video dubbing.

    • Sí, por API y MCP. Text To Dialogue V3 acepta el texto anterior y posterior a la frase, así que el fragmento conserva el ritmo natural del guion completo.

    Elige el modelo adecuado y empieza

    Cada modelo de arriba lleva directo a la herramienta donde se usa.

    Prueba V6 y SoniloTodas las familias de modelos