Saltar al contenido
CSuite
Funciones · Audio

Voz, música y sonido: un solo panel.

Narra un guion con una voz natural, ponle música generada y agrega los efectos de sonido: tres tipos de generación de audio en un solo espacio de trabajo, con un editor de forma de onda integrado para los retoques. El mismo espacio de trabajo también transcribe una grabación o la banda sonora de un video a texto y subtítulos. Los modelos en la nube funcionan con tus propias claves de API, la voz y la transcripción pueden ejecutarse totalmente sin conexión, y la edición se hace en local en tu equipo.

Elección

Tres tipos de sonido, un solo selector.

Cambia la barra de prompt entre voz, música y efectos de sonido. El selector de modelos muestra solo los que admiten el tipo activo, y cada categoría conserva su propio modelo predeterminado, Auto incluido. ElevenLabs para un narrador cálido, Lyria para una banda sonora, SFX 1.5 para efectos de foley: una clave de API por plataforma (Runware, OpenRouter o Replicate) los desbloquea todos, una clave de un desarrollador como OpenAI, Google o ElevenLabs agrega los modelos propios de ese desarrollador, y Supertonic TTS habla sin conexión y sin ninguna clave. Un cuarto tipo, Transcribir, cambia el selector a modelos de voz a texto como Whisper, GPT-4o Transcribe y Scribe v2.
Narración

Entra un guion, sale una locución.

Pega el guion, elige un modelo y una voz, y genera. Las voces salen de la lista propia de cada modelo, con controles por voz (velocidad, estabilidad, similitud) en los modelos que los ofrecen. Haz clic en el botón de reproducción junto al selector para escuchar una voz antes de confiarle un guion completo: la primera escucha cuesta una fracción de centavo, y todas las siguientes quedan en caché y son gratis. En los modelos que admiten clonación, dale en su lugar una muestra y su transcripción, y leerá tu guion con esa voz.El clip debajo de la maqueta es una generación real y sin retocar de ElevenLabs v3 hecha en CSuite. Dale a reproducir. El prompt de la barra es el guion exacto que leyó.
Resultado real · ElevenLabs v3narration.mp3
0:00 / 0:10
Música

Describe el ambiente, recibe la música.

Instrumentación, tempo, textura: descríbelo como un encargo a un músico de sesión y el modelo lo compone. Lyria 3 también acepta imágenes de referencia, así que un tablero de inspiración puede marcar el tono, y en Music 2.6 y ACE-Step v1.5 un campo Letra aparte conserva tus palabras exactamente como las escribiste. Las dudas sobre regalías no te persiguen: es tu generación, hecha con tu clave.El clip de 30 segundos de abajo es una composición real de Lyria 3 a partir del prompt exacto que se muestra, el mismo encargo al que responde cada modelo de música del catálogo en su página de detalles.
Resultado real · Lyria 3ambient.mp3
0:00 / 0:30
Foley

Efectos de sonido a pedido.

El portazo, el ambiente de un bosque, el zumbido de un proyector: describe el sonido en lugar de rebuscar en bibliotecas de muestras, o dale a SFX 1.5 un video de origen y sonorizará la imagen. Coloca el resultado directamente en una composición de video o expórtalo para tu editor.Abajo: una generación real de SFX 1.5 con el prompt que se muestra, una pesada puerta de madera en un pasillo de piedra.
Resultado real · SFX 1.5impact.mp3
0:00 / 0:10
Transcripción

Entra una grabación, sale una transcripción.

Cambia el tipo a Transcribir, luego sube o suelta un archivo de audio o un video, y CSuite extrae por ti la banda sonora del video. El modelo escribe un archivo de texto junto a la grabación, además de un archivo de subtítulos SRT cuando devuelve marcas de tiempo. La transcripción aparece debajo del reproductor, y al hacer clic en una línea con tiempo, la reproducción salta a ese momento. Whisper Base, Small y Large V3 Turbo se ejecutan en tu propio equipo sin clave, y Scribe v2, con tu clave de ElevenLabs, puede etiquetar a cada hablante.En los modelos que leen una pista, como Whisper y GPT-4o Transcribe, el cuadro de prompt acepta nombres y jerga para que salgan bien escritos.
Mejora

Escribe la idea, recibe el encargo completo.

Para música y efectos, haz clic en la varita y tu propio modelo de texto convierte una línea en un encargo completo: primero de qué trata la pista, y luego género, instrumentación, tempo y ambiente. La letra va donde el modelo la lee. La voz no tiene varita, porque lo que escribes es exactamente lo que se dice.La música se factura por generación, así que las tomas que descartas son lo que sale caro.
Edición

Retócalo sin salir de la aplicación.

Un editor de forma de onda integrado en el reproductor cubre los retoques habituales, sin exportar a otra herramienta. Cada edición se procesa en local en tu equipo y se guarda en el mismo archivo o como una copia nueva, conservando el formato del archivo, así que un MP3 acortado sigue siendo un MP3.

Acorta hasta la toma buena

Elimina el silencio de ambos extremos de una grabación, o saca una toma limpia de una sesión larga. Arrastra los controladores sobre la forma de onda y todo lo que quede fuera de la selección desaparece.

Fundido de entrada y de salida

Dale a una música de fondo generada una entrada y una salida suaves antes de ponerla bajo una locución. Define la duración de los fundidos y la envolvente se aplica a la forma de onda.

Corrige el nivel

Una locución baja junto a una música de fondo fuerte es el problema de mezcla más común que existe. Sube o baja el volumen del clip hasta que los niveles queden bien.

Cambia la velocidad

Convierte la grabación de una clase de 42 minutos en 28 minutos de escucha a 1,5×, o ralentiza una toma rápida. La duración se actualiza con la velocidad.

Convierte el formato

Entrega a tu editor un WAV o FLAC sin pérdida, o reduce una sesión a MP3 u OGG para compartirla. Elige el formato de destino y se convierte directamente desde el archivo original, sin pasar por una conversión intermedia con pérdida.
Composiciones

No solo clips, episodios completos.

Las composiciones son un segundo modo de creación para podcasts, entrevistas e historias narradas: escribe un guion, dale a cada hablante su propia voz, mezcla música y efectos de sonido debajo en una línea de tiempo de varias pistas y exporta un único MP3, M4A o WAV. El guion, el reparto y el mezclador se explican a fondo en la página de composiciones.
Espacio de trabajo

El resto de la cabina.

Las pequeñas cosas alrededor del botón de generar: escuchar antes una voz, conocer el precio y volver al prompt que funcionó.

Escucha una voz antesReproduce cualquier voz de la lista directamente desde el selector antes de confiarle un guion. La primera escucha cuesta una fracción de centavo, todas las siguientes quedan en caché y son gratis, y en Supertonic TTS todas las vistas previas son gratis porque se generan en el propio equipo.
Clona una vozEn los modelos que lo admiten, adjunta una muestra y su transcripción, y el modelo lee tu guion con esa voz en lugar de una predefinida.
Escribe el encargo con IAPara música y efectos, escribe la idea general y haz clic en la varita: tu modelo de texto la amplía con tema, género, instrumentación, tempo y ambiente, y también escribe la letra en los modelos que cantan a partir del prompt. La voz no se toca, porque el texto es lo que se dice.
Conoce el costo de antemanoLa barra de prompt muestra el precio estimado antes de generar (por clip en la música y, en la voz, a partir del recuento de caracteres en vivo), y una línea de estado sigue la ejecución.
Reutiliza lo que funcionóLos prompts recientes aparecen como chips sobre la barra de prompt, y cada clip generado recuerda el modelo y los ajustes que lo crearon, que puedes volver a cargar con un clic.
Archivos que siguen siendo tuyosLos clips son archivos normales en la carpeta de tu proyecto. Arrastra grabaciones, filtra una lista larga por nombre, y ábrelos o respáldalos con la herramienta que prefieras.
Catálogo

Modelos y proveedores disponibles.

Aquí están todos los modelos de audio del catálogo: texto a voz, música, efectos de sonido y voz a texto. Funcionan en la nube a través de Runware, OpenRouter y Replicate, o directamente con desarrolladores como OpenAI, Google, ElevenLabs y otros, con tus propias claves, y en el propio equipo con el entorno de ejecución de Hugging Face incluido. Cada modelo que genera audio tiene clips de muestra reales en su página de detalles.

OpenAINube · tu clave de API
OpenRouterNube · tu clave de API
ReplicateNube · tu clave de API
GoogleNube · tu clave de API
RunwareNube · tu clave de API
xAINube · tu clave de API
ElevenLabsNube · tu clave de API
MiniMaxNube · tu clave de API
Fish AudioNube · tu clave de API
Hugging FaceLocal · tu hardware
KlingNube · tu clave de API
OllamaLocal · tu hardware
GPT-4o Mini TTS
Nube

OpenAI's steerable speech model: ten natural voices you can direct with free-text instructions for tone, accent and pacing.

OpenAI
Gemini 3.8 Flash TTS
Nube

Google's most expressive Gemini speech model, for long-form narration and two-speaker scenes in 130 languages, with inline vocal cues such as sighs and laughs.

Google · OpenRouter · Replicate
Gemini 3.8 Flash-Lite TTS
Nube

A faster, lower-cost Gemini speech model for high-volume narration and voice agents in 101 languages, with the same voices and vocal cues as 3.8 Flash TTS.

Google · OpenRouter · Replicate
Grok Text-to-Speech
Nube

xAI's expressive text-to-speech model with multiple voices and 20-language support.

xAI · Runware · Replicate
Lyria 3.5
Nube

Google's music model for full-length songs with structure, vocals or instrumentals, guided by a text prompt, optional lyrics and reference images.

Google · Replicate
Lyria 3
Nube

Enhanced Lyria model with improved musical coherence and audio quality.

Google · OpenRouter · Replicate
Lyria 3 Pro
Nube

Google's professional-grade music model with enhanced fidelity and musical expression.

OpenRouter · Replicate
v4
Nube

ElevenLabs' most expressive speech model, with closer voice cloning, audio tags for delivery and more than 90 languages.

ElevenLabs · OpenRouter
v4 Turbo
Nube

The low-latency tier of ElevenLabs v4, with the same audio tags and more than 90 languages at half the per-character price.

ElevenLabs · OpenRouter
v3
Nube

ElevenLabs' most expressive voice model with rich emotional and tonal range.

ElevenLabs · OpenRouter · Replicate
v3 Conversational
Nube

A variant of ElevenLabs' v3 voice model tuned for natural dialogue in conversational agents, in more than 70 languages.

ElevenLabs · OpenRouter
Music
Nube

ElevenLabs music generation model for creating original AI-composed tracks.

ElevenLabs · Replicate
Music 2.6
Nube

MiniMax music model for full-arrangement AI compositions with rich instrumentation.

Runware · Replicate
SFX 1.5
Nube

Mirelo sound effects model for generating custom audio SFX from text prompts.

Runware
Speech 2.8
Nube

MiniMax's studio-grade speech model with 332 voices, emotion control, voice cloning, and a 50,000-character input limit.

MiniMax · Runware · Replicate
Drama 3
Nube

Fish Audio's text-to-speech model for directed voice performances: you describe how each line should be delivered in square brackets, add sounds and pauses, and script several speakers in one call.

Fish Audio · OpenRouter
Voice
Nube

HeyGen's text-to-speech model with preset voices on OpenRouter and Runware; on Runware it can also clone a voice from a recording.

OpenRouter · Runware
Voice Turbo
Nube

A lower-latency version of HeyGen Voice with the same preset voices on OpenRouter and Runware, and voice cloning on Runware.

OpenRouter · Runware
Voxtral TTS 3
Nube

Mistral's text-to-speech model with preset voices in eight languages; emotion and pace tags written into the text, such as [emotion=happy] or [pace=slow], direct the delivery. In public preview.

OpenRouter
S2.1 Pro
Nube

Fish Audio's recommended production TTS with natural-language cues in brackets, multi-speaker synthesis in one call, and zero-shot voice cloning across 83 languages.

Fish Audio · OpenRouter · Runware
S2.1 Pro Free
Nube

Fish Audio's S2.1 Pro model at $0 for development and testing under fair-use limits, with the same bracket cues, multi-speaker synthesis and voice cloning but no latency or data-processing guarantees.

Fish Audio
S2 Pro
Nube

Fish Audio's previous-generation open S2 TTS with natural-language cues in brackets, multi-speaker dialogue and zero-shot voice cloning across 80+ languages.

Fish Audio · OpenRouter
Seed Audio 1.0
Nube

ByteDance's audio generation model that reads a script word for word or builds a whole scene from one prompt, with a described voice, ambience, music and sound effects, and clones a voice from short reference clips.

OpenRouter · Runware
MAI-Voice-2.1
Nube

Microsoft AI's highest-fidelity text-to-speech model, with detailed prosody and a consistent speaker over long passages. It reads in 23 languages through preset voices across 28 locales, and the voice you pick sets the language.

OpenRouter
MAI-Voice-2.1 Flash
Nube

Microsoft AI's low-latency text-to-speech model, built for real-time responsiveness. It reads in 23 languages through the same preset voices as MAI-Voice-2.1, across 28 locales, and the voice you pick sets the language.

OpenRouter
ACE-Step v1.5
Nube

Open full-track music generation with lyric editing, remix, cover generation, and voice cloning in 50+ languages.

Runware
Flash v2.5
Nube

ElevenLabs' fastest speech model, with about 75 ms latency across 32 languages at half the per-character price of Multilingual v2.

ElevenLabs · OpenRouter · Replicate
Multilingual v2
Nube

ElevenLabs' previous-generation voice model for lifelike, consistent long-form narration such as voice-overs and audiobooks, in 29 languages.

ElevenLabs · OpenRouter
Flash v2
Nube

ElevenLabs' English-only speech model with very low latency, suited to conversational and real-time use.

ElevenLabs · OpenRouter
Sound Effects v3
Nube

ElevenLabs' newest text-to-sound-effects model: foley, ambiences and impacts up to 30 seconds that follow several cues in one prompt, handle music and vocals, and loop seamlessly.

ElevenLabs
GPT Transcribe
Nube

OpenAI's high-accuracy transcription model for recorded audio, which follows a hint for names and terms and returns plain text without timestamps.

OpenAI · OpenRouter
Whisper Large V3
Nube

OpenAI's open-weight Whisper Large V3, which transcribes speech in close to a hundred languages and returns timed segments for subtitles.

OpenRouter · Replicate
Whisper Large V3 Turbo
NubeLocal

A faster, slimmed-down Whisper Large V3 that keeps most of its accuracy and returns timed segments for subtitles.

OpenRouter · Hugging Face
Transcribe 1 Pro
Nube

Fish Audio's speech-to-text model for multi-speaker conversations, which labels who is speaking and keeps emotion and vocal-event cues such as laughter in the transcript.

Fish Audio · OpenRouter
Muse Voice Transcribe 1.0
Nube

Meta's speech-to-text model for push-to-talk and speaker-aware transcription, which returns plain text.

OpenRouter
MAI-Transcribe 2
Nube

Microsoft AI's multilingual transcription model, which covers 60 languages with automatic language detection and returns plain text.

OpenRouter
Voxtral Small Transcribe 3
Nube

Mistral's flagship transcription model, which returns a timestamped transcript and detects the language on its own. In public preview.

OpenRouter
Voxtral Mini Transcribe 3
Nube

Mistral's compact transcription model, a lower-cost sibling of Voxtral Small Transcribe 3 with timestamps and language detection. In public preview.

OpenRouter
Universal-3.6 Pro
Nube

AssemblyAI's speech-to-text model and the successor to Universal-3.5 Pro, served through its synchronous API for clips of up to two minutes. The app sends a longer recording in two-minute pieces and returns plain text.

OpenRouter
TTS 1
Nube

AssemblyAI's text-to-speech model for voice agents, narration and multilingual applications, with twenty preset voices here in English, Spanish, French and German.

OpenRouter
Gemini 3.5 Transcribe
Nube

Google's speech-to-text model for fast synchronous transcription with automatic language detection; this route returns plain text.

Google · OpenRouter
Scribe v2
Nube

ElevenLabs' batch transcription model, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Scribe v2 Medical
Nube

ElevenLabs' batch transcription model tuned for clinical and medical terminology, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Kling Text to Audio
Nube

Kuaishou's Kling sound effects model, generating 3 to 10 second clips from a short text description.

Kling
Kling TTS
Nube

Kuaishou's Kling text-to-speech model, reading up to 1,000 characters aloud in English or Chinese system voices.

Kling
Phonon
Local

Gradium's 31M-parameter English text-to-speech model, run on device by Ollama on Apple silicon Macs. It reads text as written, so numbers and dates are best spelled out.

Ollama
LFM3-Audio 2B
Local

Liquid AI's 2B audio model, run on device by Ollama: it speaks text in 19 languages with a female or male voice per language, and transcribes speech.

Ollama
Supertonic TTS
Local

On-device English text-to-speech that runs entirely in the app, with ten preset voices and no API key.

Hugging Face
Whisper Base
Local

A small on-device Whisper model that transcribes speech in the app with no API key, trading accuracy for speed.

Hugging Face
Whisper Small
Local

A mid-sized on-device Whisper model that transcribes speech in the app with no API key, balancing speed and accuracy.

Hugging Face
Preguntas frecuentes

Preguntas sobre audio, respondidas.

Cómo funcionan la voz, la música, los efectos de sonido y la transcripción en CSuite: voces, costos, edición y formatos.

Pago único. Tuyo para siempre.

Sin suscripciones. Sin pago por usuario. Sin renovaciones. Compra CSuite una sola vez, con las futuras actualizaciones incluidas.

Pago seguro con Stripe. ¿Ya tienes una licencia? Descarga la aplicación