APIs de voz en tiempo real para NPC: comparación 2026
OpenAI Realtime, Gemini Live, ElevenLabs Agents, Deepgram, Amazon Nova Sonic y Hume EVI comparados para personajes de juegos con voz, y lo que aún construyes encima.
Neocortex TeamThe team behind Neocortex
· Actualizado el 20 oct 2026 · 7 min de lectura

Hume ha anunciado el cierre de sus APIs de voz EVI y TTS, y todo desarrollador que creó un personaje con voz sobre ellas ahora tiene que migrar. Es un recordatorio útil de que una API de voz en tiempo real es una capa de un personaje de juego, y que esa capa puede cambiar bajo tus pies.
Los modelos de voz en tiempo real son lo bastante buenos como para que una demo de NPC que habla lleve una tarde. Elegir la API sobre la que construir un juego es más difícil, porque la mayoría se diseñaron para atención al cliente, no para juegos. Así se comparan las principales APIs de voz en tiempo real para NPC de juegos, y qué construyes encima de cada una.
¿Qué APIs de voz en tiempo real pueden dar voz a un NPC?
OpenAI Realtime. Voz de entrada y de salida por WebRTC o WebSocket, facturada por tokens de audio y de texto. Una sesión termina a los 60 minutos. No hay un SDK oficial para Unity, así que el cliente de audio y el servidor de tokens los construyes tú.
Gemini Live. La API de tiempo real de Google, también facturada por tokens. Una conexión WebSocket dura unos 10 minutos, y la reanudación de sesión permite que un cliente se reconecte y continúe. El acceso desde Unity pasa por Firebase AI Logic, cuyo SDK para Unity está en vista previa.
ElevenLabs Agents. Una plataforma de agentes centrada en la voz, facturada por minuto, con el modelo de lenguaje cobrado aparte. La concurrencia depende de tu plan. ElevenLabs ofrece SDK oficiales para frameworks web y móviles, además de un SDK para Unity en fase inicial que puede cambiar sin previo aviso.
Deepgram Voice Agent. Facturación por minuto, con opciones para traer tu propio modelo de lenguaje o tu propio TTS. Tiene un SDK para C#, pero no un paquete para Unity, y la concurrencia depende de tu plan.
Amazon Nova Sonic. Voz a voz en Amazon Bedrock, facturada por tokens, con conexiones limitadas a 8 minutos; después abres una nueva conexión y le pasas el historial. Está pensada para centros de contacto y no tiene SDK para Unity.
Hume EVI. Se cierra junto con la API TTS de Hume. Si lanzaste algo con ella, planifica la migración ya, porque los IDs de voz y las configuraciones no se transfieren a otros proveedores.
¿Cómo se comparan?
| API | Estado | Soporte en Unity | Base de facturación | Límites de sesión |
|---|---|---|---|---|
| OpenAI Realtime | Activa | Sin SDK oficial | Tokens de audio y de texto | Sesiones de 60 minutos |
| Gemini Live | Activa | Firebase AI Logic, en vista previa | Tokens de audio y de texto | Conexiones de unos 10 minutos, reanudables |
| ElevenLabs Agents | Activa | SDK oficial en fase inicial | Por minuto más LLM | Concurrencia según el plan |
| Deepgram Voice Agent | Activa | Sin paquete, SDK para C# | Por minuto | Concurrencia según el plan |
| Amazon Nova Sonic | Activa | No | Tokens | Conexiones de 8 minutos |
| Hume EVI | En cierre | No | Ya no es relevante | Migra ya |
¿Qué te deja por construir una API de voz?
Ninguna de estas APIs es un personaje de juego. Con cualquiera de ellas, aún construyes:
- Un cliente de audio para el motor. Captura, codificación, reproducción e interrupción en Unity o Unreal, incluido WebGL, donde la clase de micrófono integrada de Unity no funciona.
- Un backend que emite tokens de corta duración, para que las claves secretas nunca vayan dentro de la compilación del juego, donde los jugadores pueden extraerlas.
- El personaje. Personalidad, conocimientos, memoria y reglas de seguridad, escritos y mantenidos como prompts.
- La gestión de sesiones. Reconectar antes de los límites de tiempo, mantener el contexto entre conexiones y recuperarse cuando la red del jugador se corta a mitad de frase.
- La integración con el juego. Convertir las llamadas a funciones en acciones y devolver el estado de la escena para que el personaje sepa qué mira el jugador.
- El control de costes de la facturación por minuto o por token, incluido lo que pasa cuando un jugador deja el micrófono abierto.
- El mantenimiento cuando los modelos, los precios y las APIs cambian, se renombran o se cierran.
Para un equipo pequeño, solo los puntos 1, 2 y 4 son semanas de trabajo antes de que la primera línea de diálogo suene bien.
¿Cuánto cuesta un NPC con voz?
Dos formas de facturación dominan. La facturación por token (OpenAI, Gemini, Nova Sonic) cobra el audio de entrada y el de salida, así que las respuestas largas y los historiales largos cuestan más a medida que crece la conversación. La facturación por minuto (ElevenLabs, Deepgram) cobra el tiempo de conexión, así que el silencio mientras un jugador lee un menú también cuenta, a menos que cierres la sesión.
En cualquier caso, el coste sigue a cuánto habla el jugador, no a cuántos jugadores tienes. Un juego en el que un NPC es un compañero constante se comporta de forma muy distinta a uno en el que los jugadores hablan con un vendedor durante treinta segundos. Calcúlalo antes del lanzamiento, con el modelo de lenguaje añadido encima cuando se factura por separado.
Neocortex usa planes mensuales fijos con una cuota de uso: Starter (9 €, uso personal y académico), Pro (29 €, uso comercial) y Team (99 €, cinco puestos).
¿Cómo sales de una API de voz que se cierra?
Si dejas Hume EVI, o quieres un plan para el día en que cambie otra API, la migración a Neocortex es así:
- Exporta lo que tienes. Descarga el audio, las transcripciones y los registros, y copia el system prompt y la configuración de voz de cada personaje antes de que termine el acceso.
- Reconstruye cada personaje en el editor. El system prompt se divide en el nodo Agent (quién es), los nodos Personality y Emotion (cómo reacciona) y un archivo de Knowledge (qué sabe).
- Recrea la voz. Clónala a partir de una muestra sobre la que tengas derechos, o descríbela con palabras y usa el diseño de voz.
- Cambia el cliente. Sustituye tu código de audio por WebSocket por el SDK de Neocortex para tu motor, o por la Web API para cualquier otro caso.
- Asigna las herramientas a acciones. Cada llamada a función que gestionabas se convierte en una acción que tu juego ejecuta cuando aparece en una respuesta.
¿API de voz o plataforma de personajes?
Neocortex está una capa más arriba. En lugar de una API de voz, obtienes el personaje completo: diseñado en un editor visual, con voz clonada o diseñada, y entregado mediante SDK para Unity, Unreal y Godot, o la Web API.
| API de voz | Neocortex | |
|---|---|---|
| SDK para el motor | Normalmente lo construyes tú | Unity, Unreal, Godot |
| Micrófono en WebGL | Lo construyes tú | Incluido en el SDK de Unity |
| Diseño del personaje | Prompts | Editor visual de nodos con Personality, Emotion, Knowledge y más |
| Voces | Voces predefinidas del proveedor | Clonación y diseño de voz (5 en Pro, 20 en Team) |
| Acciones de juego | Conectar llamadas a funciones | Acciones e interactuables integrados |
| Estructura de la historia | La construyes tú | Conversation Flows con puntos de control flowState |
| Cambios del proveedor | Tu problema | Nuestro problema |
En resumen
Cada una de estas APIs es una capa de un NPC con voz, y el cierre de Hume muestra lo rápido que puede desaparecer una capa. Neocortex es el personaje completo: voz en streaming de entrada y salida, una voz propia, acciones que tu juego ejecuta y SDK para motores que ya gestionan el audio. Construye un personaje y escúchalo hablar en tu escena.
Comparativas individuales
- OpenAI Realtime API frente a Neocortex
- Gemini Live API frente a Neocortex
- ElevenLabs Agents para NPC de juegos
- Deepgram Voice Agent frente a Neocortex
- Amazon Nova Sonic frente a Neocortex
- Hume EVI se cierra
Los detalles de las APIs se revisaron por última vez en octubre de 2026.
Preguntas frecuentes
¿Hume EVI se cierra?
Sí. Hume retira sus APIs EVI y TTS el 13 de noviembre de 2026, y elimina los datos de las cuentas después de esa fecha. Neocortex te ofrece voz a texto y texto a voz en streaming, y voces personalizadas, como parte de un personaje completo, con SDK para Unity, Unreal y Godot.
¿La API Realtime de OpenAI tiene un SDK para Unity?
No, OpenAI no publica un SDK oficial para Unity, así que tú construyes el cliente de audio, el servidor de tokens y la lógica de reconexión. Neocortex tiene un SDK para Unity 6 con seis escenas de ejemplo y compatibilidad con el micrófono en las compilaciones WebGL.
¿Cuánto puede durar una sesión de voz en tiempo real?
Depende: las sesiones de OpenAI Realtime terminan a los 60 minutos, las conexiones de Gemini Live duran unos 10 minutos a menos que se reanuden, y las de Nova Sonic duran 8 minutos. Con Neocortex, el SDK gestiona la conversación y tú envías cada turno del jugador en cuanto ocurre.
¿Qué API de voz es la más barata para NPC de juegos?
Las APIs facturadas por token y las facturadas por minuto crecen con cuánto habla el jugador, y el modelo de lenguaje suele facturarse aparte. Neocortex usa planes mensuales fijos con una cuota de uso.
¿Puedo usar una voz personalizada para un NPC?
La mayoría de las APIs de voz ofrecen voces predefinidas, y la clonación suele ser un producto aparte. En Neocortex puedes clonar una voz a partir de una muestra corta sobre la que tengas derechos, o diseñar una a partir de una descripción en texto: 5 voces personalizadas en Pro y 20 en Team.






