Miso TTS autoalojado vs API: coste, latencia y VRAM

Miso TTS es una opción open-weight creíble para aplicaciones de voz expresiva en inglés, pero autoalojarlo no gana por defecto. El modelo es grande, los 110 ms publicados describen la API alojada de Miso sobre hardware H100 y la ruta de inferencia descargable necesita ingeniería de producción a su alrededor. La mayoría de productos nuevos deberían validar demanda con la API. Los equipos con volumen estable, límites estrictos de datos o requisitos on-premises deberían medir el modelo en su propio hardware.

Puede que hayas visto el nombre Miso One. El repositorio oficial y la model card de Miso Labs lo llaman Miso TTS 8B. Esta guía usa el nombre oficial y responde a la decisión de compra detrás de ambas búsquedas: pagar por minuto generado, operar el modelo o probar un híbrido.

Los datos de Miso TTS 8B que cambian la decisión

Los datos útiles son menos virales que las demos. Son los que determinan si el modelo encaja con tu producto e infraestructura.

Los 110 ms son TTFB de la API, no latencia local end-to-end

Miso publica 110 ms como latencia de su servicio alojado. La documentación oficial en GitHub añade el límite decisivo: las referencias públicas a 110 ms describen el time-to-first-byte de la API de producción sobre hardware H100, no la ruta local sin optimizar. También avisa de arranques y generación claramente más lentos en GPUs de consumo o workstation.

Time-to-first-byte es un solo reloj dentro de un agente de voz. La persona percibe captura, ASR, detección de fin de turno, generación del LLM, cola de TTS, primer audio, buffer y respuesta a interrupciones. Nuestro análisis de Nemotron 3.5 ASR para producción explica por qué un chunk de 80 ms no entrega un transcript completo en 80 ms. Aquí ocurre lo mismo: primer byte en 110 ms no equivale a conversación en 110 ms.

Mide como mínimo P50 y P95 de solicitud a primer audio, real-time factor, final de la frase y recuperación tras una interrupción. Separa arranques fríos y calientes. Una mediana rápida con cold starts largos puede seguir dando una experiencia mala.

¿De dónde sale la expresividad?

La arquitectura de Miso se inspira en Sesame CSM. Un backbone transformer de 7,7B procesa texto y audio intercalados y predice el primer índice de audio Mimi. Un decoder más pequeño, de 300M, predice el resto de índices a través de 32 codebooks de residual vector quantization. En términos prácticos, el modelo representa un rango sonoro mucho mayor que un vocabulario plano de tokens de audio y puede condicionar el siguiente turno de voz con audio anterior, no solo con texto.

Eso explica el ritmo y el tono de las muestras publicadas por Miso. No demuestra de forma independiente que supere a todos los TTS alojados con tus acentos, nombres de dominio, cifras o audio telefónico. El anuncio de arquitectura y sus muestras son evidencia del propio proveedor. Sirven para justificar una prueba, no para sustituir una evaluación auditiva a ciegas.

API de Miso TTS vs autoalojado

Una API no es menos seria por definición y autoalojar no garantiza privacidad. La privacidad depende de contratos, retención, logs y arquitectura. Autoalojar te da el control de la frontera de ejecución y te hace responsable de cada copia del audio de referencia, las voces clonadas, logs, backups y archivos generados.

¿Cuánto cuesta la API de Miso?

A 26 de julio de 2026, la tarifa mensual publicada por Miso mostraba Starter por 20 dólares con 150 minutos incluidos y 0,15 dólares por minuto adicional. Scale costaba 100 dólares con 1.000 minutos y 0,10 dólares por minuto adicional. Enterprise indicaba menos de 0,08 dólares por minuto y despliegue on-premises a medida. Los precios cambian, así que recalcula desde la página en vivo antes de comprar.

No compares ese precio por minuto solo con la electricidad de una GPU local. Usa el coste mensual completo:

TCO autoalojado = GPU o servidor + margen ocioso + almacenamiento y egress + observabilidad + redundancia + seguridad + ingeniería y guardias

TCO API = plan + minutos extra + integración + controles de riesgo de proveedor

La pregunta de break-even es:

minutos de break-even = TCO mensual autoalojado / coste efectivo de API por minuto generado

Calcula con utilización real, no con capacidad teórica. Una GPU reservada para tráfico escaso y variable puede costar más que una API aunque su coste marginal parezca mínimo. Un pool de GPU existente y bien utilizado puede hacer atractivo el autoalojado mucho antes. Nuestro modelo de break-even entre modelos locales y APIs desarrolla esta trampa de utilización.

¿El modelo es realmente gratis y open source?

El código y los pesos se pueden descargar, y el autoalojado ordinario no paga una tarifa del modelo por minuto. Aun así, la etiqueta precisa importa. Miso TTS tiene una licencia MIT modificada. Permite usar, modificar y vender el software. Si un producto supera 50 millones de usuarios activos mensuales o 10 millones de dólares de ingresos mensuales, exige mostrar “Miso Labs” de forma visible en la interfaz.

La condición no afectará a la mayoría de equipos, pero “MIT” y “MIT modificada” no son lo mismo en due diligence. Registra versión, texto de licencia y licencias de dependencias al aprobar el stack. Esta guía trata compra técnica, no sustituye asesoramiento legal.

Miso TTS es un componente, no un agente de voz completo

El modelo publicado genera voz. No incluye ASR de producción, detección de turnos, interrupciones, política de diálogo, herramientas, prevención de abuso ni telefonía. La propia nota de investigación de Miso dice que el sistema actual modela turnos individuales y audio half-duplex. El turn-taking y la conversación full-duplex quedan como trabajo futuro.

Un agente de voz para producción todavía necesita:

• ASR en streaming y detección de fin de turno;
• un LLM o sistema de diálogo con controles de herramientas y políticas;
• serving TTS con colas, cancelación y voces de fallback;
• barge-in y comportamiento de interrupción;
• consentimiento, retención y control de acceso a voces;
• monitorización de calidad, latencia, abuso y coste.

Si el producto debe hablar más de un idioma, Miso TTS 8B no puede ser hoy la única ruta de voz. Enruta idiomas a alternativas probadas o aplaza la decisión hasta tener calidad multilingüe demostrada.

La clonación de voz cambia el riesgo

El repositorio demuestra generación condicionada pasando audio y su transcript como contexto. Es útil y sensible a la vez. Una grabación de diez segundos deja de ser un archivo multimedia cualquiera cuando puede crear una identidad sintética reutilizable.

Exige permiso explícito para cada voz clonada. Vincula el asset con su titular y propósito permitido, restringe exportaciones, registra generaciones, rota claves de watermark y ofrece revocación rápida. El código público marca el audio por defecto. Conserva esa protección salvo que un requisito documentado y una revisión de riesgo justifiquen cambiarla.

En la UE, las obligaciones de transparencia del artículo 50 empiezan a ser aplicables a los sistemas cubiertos el 2 de agosto de 2026. La guía de transparencia y el Código de Buenas Prácticas de la Comisión Europea abordan marcado legible por máquinas, disclosure de deepfakes e información cuando una persona interactúa con IA. El alcance y las excepciones dependen del caso. Usa nuestra checklist de implementación del artículo 50 del AI Act como punto de partida técnico y valida la interpretación final con asesoría legal.

¿Quién debería elegir cada ruta?

Una evaluación de dos semanas que termina en decisión

1. Congela el test set. Usa voces autorizadas y entre 100 y 300 guiones reales con nombres, cifras, siglas, emociones, turnos largos y pronunciación difícil.
2. Ejecuta el mismo corpus por API y local. Mantén idénticos prompts, contexto de voz y ajustes de salida.
3. Mide toda la curva. Registra P50, P95 y P99 en frío y caliente para solicitud a primer audio, real-time factor y frase completa.
4. Evalúa calidad a ciegas. Puntúa naturalidad, similitud, pronunciación, ajuste emocional y consistencia sin revelar la ruta.
5. Prueba fallos con carga. Testea concurrencia, crecimiento de cola, cancelación, pérdida de GPU, caída del proveedor y calidad del fallback.
6. Pon precio a producción. Modela tres bandas de volumen e incluye margen ocioso, redundancia e ingeniería.
7. Revisa consentimiento y disclosure. Define quién clona qué voz, dónde vive, cómo se revoca y cómo se marca el audio.

Fija umbrales de éxito y descarte antes de probar. Así una demo sorprendente no puede imponerse al modelo operativo. Si necesitas un formato comercial acotado, nuestra guía sobre piloto pagado, prueba de concepto y design partner convierte incertidumbre técnica en una decisión explícita.

Fuentes y límites de las afirmaciones

Tamaño, arquitectura, inglés, generación condicionada, requisitos locales, descarga, límite de la latencia alojada y watermark por defecto proceden del repositorio MisoTTS. El diseño RVQ, backbone de 7,7B, decoder de 300M y límite half-duplex proceden de la nota de lanzamiento de Miso. Precios y funciones vienen de la página de precios. La licencia viene del texto publicado del modelo. Las fechas y medidas europeas vienen de la Comisión Europea. Datos comprobados el 26 de julio de 2026. Wavect no reprodujo de forma independiente la calidad ni los 110 ms de la API.