Si la última vez que probaste ElevenLabs fue a finales de 2024, tienes que recalibrar lo que crees saber de la plataforma. En los primeros siete meses de 2026 salieron Eleven v3, ElevenAgents, Speech Engine, Scribe v2 en tiempo real, una integración con WhatsApp y precios hasta un 55% más bajos. No es el generador de TTS que conocías — es una plataforma completa de voz con IA que ya se usa en producción para atención al cliente, tutores de idiomas y asistentes de onboarding.
Eleven v3: audio tags, multi-speaker y 70 idiomas
El 2 de febrero de 2026, Eleven v3 salió de forma general. La diferencia con versiones anteriores no es solo calidad de síntesis — es control granular. Ahora puedes insertar audio tags en el texto para indicarle al modelo que haga una pausa dramática, que suba el tono, que exprese frustración o entusiasmo. Eso era algo que antes conseguías por prueba y error ajustando el texto; ahora es una instrucción directa al modelo.
Text to Dialogue es otra de las funciones que cambia cómo trabajas con la plataforma: en lugar de generar voces por separado y editarlas, puedes definir múltiples personajes en un solo prompt y ElevenLabs produce la conversación completa con prosodia, ritmo emocional y pausas naturales entre locutores. Para quien produce contenido de audio, esto elimina una capa entera de postproducción.
El soporte de idiomas también creció: más de 70 con calidad de producción. En LATAM, eso significa español con acento neutro, mexicano, peruano o argentino dependiendo del caso de uso — algo que importa mucho si estás construyendo un agente de atención al cliente para un mercado específico.
ElevenAgents: de herramienta TTS a plataforma de conversación
El salto más grande de 2026 no fue el modelo de voz — fue la plataforma de agentes. ElevenAgents convirtió a ElevenLabs en algo mucho más cercano a un framework de conversación que a un generador de audio. Cuatro funciones que definen ese cambio:
- ▸Speech Engine (mayo 2026): convierte cualquier agente de chat en un agente de voz con un solo prompt. Si ya tienes un agente funcionando con texto, le das la instrucción base y ElevenLabs construye la capa de voz encima — sin rediseñar el flujo.
- ▸WhatsApp multimodal: tus agentes de voz ahora pueden responder directamente por WhatsApp, mezclando texto y audio según el contexto. Para mercados donde WhatsApp es el canal principal de comunicación con clientes — que en LATAM es casi todos — esto cierra un gap enorme.
- ▸Guardrails 2.0: controles de contenido y seguridad para producción. Si estás construyendo un agente de atención al cliente, no quieres que improvise respuestas sobre precios, términos legales o situaciones de crisis — Guardrails 2.0 define exactamente esos límites.
- ▸Expressive Mode (febrero 2026): el agente ajusta su registro emocional según cómo va la conversación. Si el usuario está frustrado, el tono baja. Si hay entusiasmo mutuo, sube. Es la diferencia entre una voz robotizada que repite lo mismo sin importar el contexto y una que parece calibrada a la situación.
11.ai: el asistente de voz personal de ElevenLabs
En marzo de 2026, ElevenLabs lanzó 11.ai en alpha — un asistente de voz personal que gestiona flujos de trabajo completos a través de interacciones de voz. La diferencia con un asistente de voz tradicional es que 11.ai mantiene contexto entre tareas: si le dices 'recuérdame enviar el informe y luego coordina con marketing', entiende la dependencia entre las dos acciones y las conecta. Sigue en alpha, pero marca hacia dónde va el producto: de componente de voz a sistema de gestión por voz.
Scribe v2 + Realtime: el reconocimiento de voz que cierra el ciclo
ElevenLabs también creció en la dirección contraria: de texto a voz pasó también a voz a texto. Scribe v2 y Scribe v2 Realtime cubren el STT con menos de 150ms de latencia en más de 90 idiomas. Para sistemas de voz bidireccionales — donde el agente escucha y responde en tiempo real — esto es el componente que cierra el ciclo completo sin depender de Whisper u otras APIs externas.
Con menos de 150ms de latencia, la conversación se siente fluida. Eso es lo que separa un demo impresionante de un producto que la gente quiere usar todos los días.
Los precios que cambiaron el juego en mayo 2026
El 7 de mayo de 2026, ElevenLabs bajó los precios de toda la plataforma y sumó pay-as-you-go. Los números:
- ▸TTS: -55%
- ▸STT (Scribe): -45%
- ▸ElevenAgents: -20%
El pay-as-you-go eliminó la principal barrera de entrada para developers que querían experimentar con voz en sus proyectos pero no justificaban el costo fijo mensual. Ahora puedes construir y probar sin comprometer un plan — y escalar el costo solo cuando el proyecto crece.
Los 5 casos de uso que más se ven en producción ahora
- ▸Atención al cliente por voz: agentes que responden llamadas o mensajes de WhatsApp con voz natural y manejo de contexto — sin transferir al humano para preguntas frecuentes
- ▸Tutores de idiomas IA: conversación bidireccional con feedback de pronunciación y corrección en tiempo real, en español, inglés o portugués
- ▸Asistentes de onboarding: nuevos empleados o clientes que reciben guía por voz en lugar de leer documentos — retención de información significativamente mejor
- ▸Contenido de audio generado: newsletters de voz, resúmenes de reportes, briefings semanales — empresas que producen audio a partir de texto en minutos en lugar de horas de grabación y edición
- ▸Accesibilidad avanzada: lectores de pantalla con voz contextual que adaptan el tono y la velocidad al tipo de contenido, no solo lo leen en un tono plano
Cómo integrarlo en tus proyectos de IA en 2026
El stack de voz IA más común en 2026 combina tres capas: ElevenLabs para síntesis y reconocimiento de voz, un LLM para razonamiento (Claude, GPT o Gemini según el caso de uso) y un framework de orquestación (LangGraph, n8n o CrewAI) para gestionar el flujo de conversación. Aprender esas tres capas juntas es la diferencia entre hacer una demo que impresiona en el stand de una conferencia y llevar un agente de voz a producción que funciona sin supervisión.
Si ya tienes un agente construido con LangGraph o CrewAI, agregar voz es cuestión de wrapear las respuestas de texto a través de la API de ElevenLabs antes de enviárselas al usuario. El curso de creación de agentes de voz con IA en tiempo real cubre ese flujo de principio a fin: desde configurar ElevenLabs hasta manejar turnos de conversación y gestión de contexto en tiempo real.
Si quieres conectar la voz a WhatsApp — que es donde está la mayoría de los usuarios en LATAM — el curso de agentes IA para WhatsApp con n8n te da la capa de orquestación: cómo configurar el webhook, manejar los mensajes entrantes y decidir cuándo responder con texto, audio o ambos.
Y si tu objetivo es construir sistemas completos — múltiples agentes con voz, texto y herramientas externas, trabajando en paralelo — la ruta AI Agentic Engineer cubre el mapa completo: desde agentes básicos hasta sistemas multi-agente en producción, con integraciones de voz y multimodal incluidas.
