Comparativa de SDK de aislamiento de hablante (2026): Krisp, ai-coustics, AssemblyAI, LiveKit y Anecho

Respuesta corta. En octubre de 2026 cinco productos comercializan el aislamiento del hablante principal para agentes de voz: Krisp VIVA (Voice Isolation 2.5, SDK de servidor, 15 ms en CPU, precio no público), ai-coustics Quail Voice Focus 2.2 (SDK on-prem, menos de 30 ms, desde $135 al mes con facturación anual), AssemblyAI Voice Focus (una opción dentro de su transcripción de voz a texto en streaming, +$0.10 por hora), el aislamiento de voz de LiveKit Cloud (modelos de Krisp o ai-coustics dentro de LiveKit Cloud, $0.0012 por minuto tras los minutos incluidos en el plan) y Anecho v8_2 (SDK en proceso, 15 ms en CPU, $0.0010 por minuto tras 10,000 minutos gratis al mes). El efecto Speaker Focus de NVIDIA está en acceso anticipado en GPU de NVIDIA, y Picovoice Koala es supresión de ruido en el dispositivo, no aislamiento de hablante. Cuál encaja depende de dónde se ejecuta tu audio y de cómo suena, no de la etiqueta.

Vendemos uno de estos productos, así que este post es un conflicto de intereses. Para que se pueda comprobar, cada dato de proveedor de abajo enlaza a la propia página del proveedor, consultada en octubre de 2026, y cuando un proveedor no publica nada escribimos "no publicado". Los precios son los que figuraban el 2026-10-20 y cambian. Los únicos números de calidad de este post vienen de nuestro propio benchmark, y decimos qué proveedores no hemos medido.

La tabla comparativa

Producto	Dónde se ejecuta	Latencia declarada	Frecuencias de muestreo	Integración	Precio público (según figuraba el 2026-10-20)	Autoservicio	Aislamiento del hablante principal comercializado
Anecho v8_2	En proceso en tus servidores, CPU; también una API alojada	15 ms de retardo algorítmico	SDK 16 kHz; la API alojada acepta cualquier frecuencia (8, 24, 44.1, 48 kHz)	SDK para Node y Python; guías para LiveKit y Pipecat	$0.0010/min tras 10,000 min gratis/mes; $0.0008 >100k, $0.00065 >1M, $0.0005 >10M	Sí, clave inmediata, sin tarjeta	Sí
Krisp VIVA, Voice Isolation 2.5	En servidor, on-prem o en tu nube, CPU; variante Lite para edge	15 ms	16 kHz; variante HD 32 kHz	SDK de servidor: Python, Node.js, Go, iOS; LiveKit, Pipecat	No público (solicitud / contactar con ventas)	No, hay que solicitar acceso	Sí
ai-coustics Quail Voice Focus 2.2	SDK on-prem	Menos de 30 ms (página de precios)	16 kHz nativos; el SDK acepta de 8 a 192 kHz y remuestrea internamente	SDK: Python, Node.js, C, Rust, WASM; LiveKit, Pipecat	$135/mes (100K min) a $540/mes (500K min), facturación anual; Enterprise desde $2,000/mes	Sí, compra directa hasta Business	Sí
AssemblyAI Voice Focus	Nube, dentro del STT en streaming	No publicado	Ajusta sample_rate a tu fuente; no hay lista publicada	Opción del STT en streaming (voice_focus)	+$0.10/h ($0.0017/min) sobre Universal-3.6 Pro Realtime ($0.45/h de base)	Sí, $50 de crédito gratis, sin tarjeta	Sí
Aislamiento de voz de LiveKit Cloud	LiveKit Cloud (Krisp VIVA o ai-coustics Voice Focus 2.1)	No publicado	No especificado	Filtro de plugin de Agents	$0.0012/min tras los minutos incluidos (Build 100, Ship 1,000, Scale 10,000)	Sí, con un plan de LiveKit Cloud	Sí
NVIDIA AFX SDK, Speaker Focus	GPU de NVIDIA; Linux para servidor, Windows para cliente	No publicado	16 o 48 kHz	Audio Effects SDK (Windows, Linux)	No publicado	Programa Early Access	Sí
Picovoice Koala	En el dispositivo: Linux, macOS, Windows, Android, iOS, navegadores, Raspberry Pi	No publicado	Se lee del motor en tiempo de ejecución; no publicado	SDK; filtro de Pipecat	No publicado	Registro gratuito de AccessKey, sin tarjeta	No, supresión de ruido
DeepFilterNet / GTCRN (código abierto)	Donde los ejecutes	No publicado en los repositorios	DeepFilterNet 48 kHz; GTCRN no indicado	Código fuente	Gratis (MIT o Apache-2.0; MIT)	Sí	No, supresión de ruido / mejora del habla

Las fuentes de cada fila están en la lista de fuentes del final. Dos de las celdas necesitan una nota. La página de precios de LiveKit nombra ai-coustics Voice Focus 2.1 en el hueco de aislamiento de voz, mientras que la propia referencia de modelos de ai-coustics indica Voice Focus 2.2; recogemos cada página tal como está escrita. La documentación de Voice Focus de AssemblyAI indica Universal-3.5 Pro y Universal-3.6 Pro, y su página de precios indica el complemento para Universal-3.6 Pro Realtime.

Por proveedor

Anecho

Nuestro producto: un solo modelo, v8_2, de 4.0 MB y 1.0 M de parámetros, que cargas en tu propio proceso desde el SDK de Node o de Python. Recibe float32 mono a 16 kHz y devuelve el mismo número de muestras 15 ms después, en tiempo real en un núcleo de CPU (documentación del SDK). El SDK no remuestrea; la API alojada acepta y devuelve cualquier frecuencia mediante un remuestreador con estado. El precio es una única escala publicada: 10,000 minutos gratis cada mes, luego $0.0010 por minuto, bajando a $0.0005 por encima de 10 millones (precios). La clave se obtiene en el panel sin tarjeta y sin llamada.

Krisp VIVA

La página para desarrolladores de Krisp describe VIVA como un conjunto de cinco modelos: Voice Isolation 2.5, Turn Prediction, Interruption Prediction, detección de actividad de voz y detectores de señal. Voice Isolation 2.5 viene en variantes Default, Balanced, Lite y HD, se declara a 15 ms, se ejecuta en CPU y recibe PCM a 16 kHz mono (HD: 32 kHz). La página dice "Isolate the primary speaker's voice" (aísla la voz del hablante principal). La página de precios para desarrolladores tiene dos niveles, Early stage y Enterprise, y ambos llevan a "Apply Now"; no figura ningún precio. Krisp también se revende dentro de plataformas: Pipecat Cloud indica Krisp VIVA a $0.0015 por minuto tras 10,000 minutos gratis al mes, LiveKit Cloud lo usa en su hueco de aislamiento de voz y Telnyx indica "Noise Suppression - Krisp" a $0.005 por tramo y minuto. No hemos medido Krisp, así que este post no afirma nada sobre su calidad.

ai-coustics Quail Voice Focus

La referencia de modelos de ai-coustics describe Quail Voice Focus como orientado a "one primary speaker for machine listening" (un hablante principal para escucha por máquina), en tamaños S y L a 16 kHz nativos; el SDK acepta de 8 a 192 kHz y remuestrea internamente. Hay SDK para Python, Node.js, C, Rust y WASM, con integraciones para LiveKit y Pipecat. La página de precios indica Startup a $135 al mes (100,000 minutos), Pro a $360 (300,000) y Business a $540 (500,000), con facturación anual, cada uno con despliegue del SDK on-prem y "real-time processing" (procesamiento en tiempo real) por debajo de 30 ms; Enterprise empieza en $2,000 al mes y añade licencias offline o aisladas de la red (air-gapped). Sí hemos medido ai-coustics: ver "Lo que medimos" más abajo.

AssemblyAI Voice Focus

Voice Focus no es un SDK aparte: es un parámetro de la transcripción en streaming de AssemblyAI. La documentación lo describe como una forma de "isolate the primary voice and suppress background noise on streaming transcription" (aislar la voz principal y suprimir el ruido de fondo en la transcripción en streaming), con los modos near-field y far-field y un voice_focus_threshold de 0.0 a 1.0 (por defecto 0.7). La página de precios lo indica a +$0.10 por hora sobre Universal-3.6 Pro Realtime, cuya tarifa base es de $0.45 por hora. El audio solo llega hasta el propio reconocedor de AssemblyAI, así que solo ayuda si ese es tu STT. No hemos medido AssemblyAI Voice Focus.

Aislamiento de voz de LiveKit Cloud

LiveKit Cloud vende el aislamiento de voz como una línea facturada por minuto, cubierta por Krisp VIVA, Krisp VIVA telephony y ai-coustics Voice Focus. La documentación dice que "emphasizes the primary speaker and reduces competing speech or noise" (realza al hablante principal y reduce el habla o el ruido que compiten) y recomienda en su lugar la supresión de ruido simple para usos con varios hablantes o con diarización. La página de precios incluye 100 minutos en Build, 1,000 en Ship y 10,000 en Scale, y después $0.0012 por minuto. Los modelos se sirven a través de LiveKit Cloud; en un servidor autoalojado, la documentación dice que ai-coustics se puede seguir usando con tu propia clave de licencia de ai-coustics. La calidad es la del modelo subyacente.

NVIDIA Audio Effects SDK, Speaker Focus

El Audio Effects SDK de NVIDIA (parte de Maxine) incluye un efecto Speaker Focus que "identifies and isolates the primary speaker from all other speakers" (identifica y aísla al hablante principal de todos los demás hablantes), a 16 o 48 kHz, mono, e indica que está "currently available under the Early Access program" (disponible actualmente en el programa Early Access). La documentación publica el rendimiento por GPU de NVIDIA (de T4 a B100) en lugar de una ruta en CPU, y el SDK de Linux se describe como optimizado para despliegue en servidor. No encontramos ningún precio público ni cifra de latencia. No lo hemos medido.

Picovoice Koala

Koala es "an on-device noise suppression engine" (un motor de supresión de ruido en el dispositivo) para Linux, macOS, Windows, Android, iOS, navegadores y Raspberry Pi, disponible como filtro de Pipecat. Es supresión de ruido, no aislamiento de hablante: una segunda voz es habla, y eliminarla no es para lo que está hecho Koala. La frecuencia de muestreo y la longitud de trama se leen del motor en tiempo de ejecución; no encontramos ningún valor publicado, ninguna cifra de latencia ni ninguna lista de precios más allá de un registro gratuito de AccessKey. No lo hemos medido.

Referencias de código abierto

DeepFilterNet (MIT o Apache-2.0, 48 kHz) y GTCRN (MIT, unos 48.2K parámetros) son modelos de supresión de ruido y mejora del habla, no de aislamiento de hablante. Ambos están en nuestro benchmark como referencias distribuibles: agregado sobre 19 condiciones, GTCRN obtuvo 20.14% de WER y DeepFilterNet3 34.04%, frente a 14.32% del audio sin tocar.

Lo que medimos

Dos de los productos de arriba están en nuestro benchmark público, el nuestro y el de ai-coustics, ejecutado con el SDK licenciado como referencia. Krisp, AssemblyAI, el hueco de LiveKit, NVIDIA y Koala no lo están.

• Nada supera al audio sin procesar en la matriz de clips, en el agregado. En la matriz de 19 condiciones el audio sin tocar obtiene 14.32% de WER, ai-coustics Quail L 15.18%, nuestro v8_2 16.59% y ai-coustics Quail VF 2.2 L 17.59% (faster-whisper base.en, diez hablantes).
• Ruido simple: Quail L va delante. Quail L es un modelo de ruido, y es el motor más cercano al audio sin procesar en la matriz agregada. Si tu problema es un solo hablante en una sala ruidosa, la supresión de ruido simple es la herramienta que corresponde.
• Conversaciones en vivo, faster-whisper: empate. En 200 conversaciones construidas puntuadas con faster-whisper base.en, v8_2 − Quail VF 2.2 S es −0.13 pp [−4.56, +4.47], es decir, un empate, y con faster-whisper ningún motor supera al audio sin procesar.
• Conversaciones en vivo, Gemini Live: v8_2 delante. En las mismas conversaciones puntuadas con la transcripción de entrada de Gemini Live, v8_2 − VF S es −6.47 pp [−9.89, −3.26], y v8_2 supera al audio sin procesar (−4.10 pp [−6.28, −1.98]); VF S frente al audio sin procesar es un empate.
• La condición decide. Con un hablante cerca del micrófono y voces de fondo tan fuertes como el hablante, v8_2 obtiene 37.19% de WER frente a 55.94% de VF S con faster-whisper, y 33.06% frente a 60.95% con Gemini Live. Con el hablante a 0.5–1.5 m del micrófono, VF S va delante por +9.58 pp [+5.52, +13.90] con faster-whisper; con Gemini Live va delante a −10 dB (+7.74 pp [+2.48, +12.77]) y el agregado de sala es un empate. VF S también mantiene las pausas más silenciosas, 17.4 dB de supresión del fondo en las pausas del hablante frente a 8.5 dB de v8_2, y con Gemini Live provoca menos interrupciones falsas (barge-ins): 52 frente a 125 de v8_2 y 97 del audio sin procesar.

Todo está en benchmark.json, con las salvedades en /benchmark: mezclas construidas, dos reconocedores que no coinciden en el veredicto agregado, un conjunto pequeño de hablantes.

Cómo elegir, según el caso de uso

• Trabajas sobre LiveKit Cloud. El hueco de aislamiento de voz integrado es el camino más corto, a $0.0012 por minuto pasado tu plan. Si quieres un modelo que cargues tú mismo, ver aislamiento de hablante en LiveKit.
• Tu STT es AssemblyAI en streaming. Voice Focus es un parámetro, no una integración. No hace nada por un modelo de audio nativo (Gemini Live, OpenAI Realtime) ni por un segundo proveedor de STT; un SDK en proceso cubre esos casos.
• El audio no debe salir de tu proceso. Anecho, el SDK de servidor de Krisp y el SDK on-prem de ai-coustics se ejecutan en tu propia infraestructura, y Koala se ejecuta en el dispositivo. Ver RGPD y audio en proceso.
• Quieres un precio publicado y una clave hoy. Anecho, ai-coustics, AssemblyAI y LiveKit publican precios y aceptan registros de autoservicio; Krisp directo y NVIDIA no publican precio. La aritmética por minuto está en precios del aislamiento de voz en 2026.
• Telefonía a 8 kHz. Krisp indica una variante de telefonía (vía LiveKit) y dice que Voice Isolation 2.5 admite audio de banda estrecha; Voice Focus de ai-coustics es de 16 kHz nativos con remuestreo interno; nuestro SDK es de 16 kHz y nuestra API alojada acepta 8 kHz. Lee 8 kHz frente a 16 kHz para agentes de voz antes de elegir.
• Quien llama está cerca del micrófono con voces fuertes detrás. En nuestra ejecución de conversaciones en vivo, aquí es donde v8_2 va delante.
• Un hablante lejano, el silencio entre turnos o las interrupciones falsas. En la misma ejecución, Quail VF 2.2 S va delante con un hablante lejano a −10 dB, mantiene las pausas más silenciosas y provoca menos interrupciones falsas (barge-ins).
• Una flota de GPU. NVIDIA Speaker Focus es la opción nativa para GPU, en acceso anticipado.

Sea cual sea tu lista corta, pruébala con tus propias llamadas frente a un control que no hace nada, como en cómo evaluar el aislamiento de hablante. Con nuestros datos, un modelo de aislamiento activado para todo el audio no es lo que respaldan los números.

Fuentes

Todas consultadas en octubre de 2026; precios según figuraban el 2026-10-20.

• Anecho: /docs/sdk, /docs, /es/pricing, /benchmark.
• Krisp: krisp.ai/developers/voice-isolation (modelos, 15 ms, 16 y 32 kHz, lenguajes del SDK, integraciones); krisp.ai/developers/pricing (Apply Now, sin precio); krisp.ai/blog/voice-isolation-2-5 (CPU, soporte de banda estrecha).
• Pipecat Cloud: daily.co/pricing/pipecat-cloud (Krisp VIVA, 10,000 minutos gratis, $0.0015/min).
• Telnyx: telnyx.com/pricing/call-control (Noise Suppression - Krisp, $0.005 por tramo y minuto).
• ai-coustics: ai-coustics.com/pricing (niveles, menos de 30 ms, SDK on-prem); docs.ai-coustics.com/reference/sdk/models (Voice Focus 2.2, 16 kHz, lenguajes del SDK); docs.ai-coustics.com/guides/models (de 8 a 192 kHz, remuestreo interno).
• AssemblyAI: assemblyai.com/docs/streaming/voice-focus (modos, umbral, modelos); assemblyai.com/pricing (+$0.10/h, $0.45/h de base, $50 de crédito); guía rápida de streaming (sample_rate coincide con tu fuente).
• LiveKit: livekit.com/pricing (modelos de aislamiento de voz, minutos incluidos, $0.0012/min); docs.livekit.io noise cancellation (dónde se ejecuta, plugins, redacción sobre el hablante principal).
• NVIDIA: efecto Speaker Focus (acceso anticipado, 16 o 48 kHz, rendimiento en GPU); guía de usuario del AFX SDK (plataformas).
• Picovoice: picovoice.ai/docs/koala (en el dispositivo, plataformas, AccessKey); API de Python de Koala (frecuencia de muestreo leída en tiempo de ejecución); filtro Koala de Pipecat.
• Código abierto: DeepFilterNet (48 kHz, MIT o Apache-2.0); GTCRN (MIT, 48.2K parámetros).

FAQ

¿Qué diferencia hay entre el aislamiento de hablante y la supresión de ruido?

El aislamiento de hablante conserva a un hablante principal y elimina todo lo demás, incluidas otras voces. La supresión de ruido elimina el ruido que no es habla y conserva todo el habla. En la tabla, Krisp VIVA, ai-coustics Voice Focus, AssemblyAI Voice Focus, el aislamiento de voz de LiveKit, NVIDIA Speaker Focus y Anecho comercializan aislamiento; Koala, DeepFilterNet y GTCRN son supresión de ruido. Ver qué es el aislamiento de hablante.

¿Qué SDK de aislamiento de hablante se ejecutan en CPU dentro de mi propio proceso?

De los productos que pudimos documentar, el SDK de servidor de Krisp (15 ms, CPU), el SDK on-prem de ai-coustics (menos de 30 ms) y el SDK de Anecho (15 ms, CPU) se ejecutan en tu propia infraestructura. NVIDIA Speaker Focus publica rendimiento en GPU. AssemblyAI y el hueco de LiveKit se ejecutan en sus nubes.

¿Qué productos de aislamiento de hablante publican un precio?

Según figuraban el 2026-10-20: Anecho ($0.0010/min tras 10,000 minutos gratis al mes), LiveKit Cloud ($0.0012/min tras los minutos incluidos), ai-coustics (desde $135 al mes con facturación anual) y AssemblyAI (+$0.10/h). Krisp directo y NVIDIA no publican precio; Krisp VIVA se revende a $0.0015/min en Pipecat Cloud.

¿Es Anecho mejor que ai-coustics?

Depende del reconocedor y de la condición. En nuestro benchmark de conversaciones en vivo el resultado agregado es un empate con faster-whisper base.en (−0.13 pp [−4.56, +4.47]), donde ningún motor supera al audio sin tocar, y una ventaja de v8_2 con la transcripción de entrada de Gemini Live (−6.47 pp [−9.89, −3.26]). v8_2 va delante con un hablante cerca del micrófono y un fondo fuerte; Quail VF 2.2 S va delante con un hablante lejano, en la supresión de pausas y en las interrupciones falsas (barge-ins); Quail L va delante con ruido simple.

¿Han medido Krisp o AssemblyAI?

No. Ninguno está en nuestro benchmark, así que este post no afirma nada sobre su calidad. Sus propias cifras publicadas son afirmaciones de la empresa.

¿Mejora siempre la transcripción el aislamiento de hablante?

No. En nuestra matriz de 19 condiciones el audio sin tocar obtuvo 14.32% de WER y todos los motores quedaron por encima en el agregado. Prueba con tus propias llamadas frente a un control que no hace nada antes de activar el aislamiento para todo.