¿Cómo funciona la API de texto a voz y qué características tiene?

Por Equipo editorial de VozNarradora · Actualizado 2026-11-19

Esta página explica el funcionamiento técnico de la API de VozNarradora y sus capacidades clave, diseñada específicamente para creadores de YouTube y agencias de locución que necesitan escalar la producción de audio sin depender de estudios físicos. Analizamos el flujo de datos, la integración técnica y las características que optimizan el costo por carácter y la velocidad de entrega para canales que requieren contenido constante.

Obtendrás detalles concretos sobre los 8 presets de voz, los 23 idiomas soportados y los formatos de respuesta disponibles. Además, compararemos el modelo de pago por carácter frente a los costos fijos tradicionales, destacando cómo la automatización mediante JSON permite iterar guiones rápidamente y mantener la consistencia de marca en tus producciones audiovisuales.

¿Cómo funciona la API de texto a voz y qué características tiene?

Preguntas frecuentes

¿Es la misma tecnología que Google?

No. Utilizamos motores basados en grabaciones licenciadas de LibriTTS-R y LibriVox. La API sigue la estructura de solicitud de OpenAI, pero el modelo subyacente y la calidad de voz son distintos. No estamos afiliados a Google ni a ninguna otra marca mencionada en comparaciones.

¿Puedo usarlo para videos monetizados?

Sí. El texto se usa solo para generar audio y no para entrenamiento. Cada archivo generado lleva una marca de agua invisible que lo identifica como voz sintética.

¿Qué tan natural suena la voz?

Las voces provienen de grabaciones licenciadas (LibriTTS-R y LibriVox). Ofrecen claridad y calidez, como la voz Aria o la voz Atlas. Aunque no tienen etiquetas de emoción, la calidad es adecuada para narración profesional, documentales o contenido de YouTube sin sonar robótico.

¿Cuántos idiomas soporta?

Soportamos 23 idiomas, incluyendo inglés, español, alemán, japonés y árabe. Cualquier voz puede hablar cualquier idioma de la lista. Si no especificas el idioma, el sistema lo adivina, pero se recomienda definirlo explícitamente para textos en latinos fuera del inglés para mayor precisión.

¿Puedo cambiar la velocidad?

Sí. El parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto es útil para adaptar la duración del audio a tus necesidades de edición. La velocidad típica es de aproximadamente 25 caracteres por segundo, similar al tiempo real en textos largos.

¿Es legal usar voces sintéticas?

Sí. Las voces se basan en grabaciones con licencia CC BY 4.0 o dominio público. Cada audio generado incluye una marca de agua inaudible que indica que es síntesis.

¿Necesito pagar por minuto o por texto?

Pagas por caracteres, no por minutos. El costo es de $10 por cada millón de caracteres (o $0.01 por 1.000 caracteres). Los espacios y puntuación cuentan. Las solicitudes fallidas son gratuitas. No hay planes mensuales ni costos fijos por uso de la API.

¿Puedo usarlo en mi app?

Sí. La API es compatible con cualquier entorno que pueda enviar solicitudes HTTP. Utiliza el mismo formato de solicitud que OpenAI, por lo que puedes usar el SDK oficial de OpenAI cambiando la base_url a https://api.chasus33.info/v1.

¿Qué formato de audio es mejor?

Puedes elegir entre mp3, wav, opus, flac y pcm. MP3 es ideal para web y YouTube por su equilibrio entre calidad y tamaño. WAV y FLAC ofrecen mayor fidelidad. El formato no afecta el precio, que se basa únicamente en los caracteres de entrada.

¿Hay límite de palabras?

El límite es de 4.096 caracteres por solicitud. Para textos más largos, debes dividirlos en partes y unir los archivos de audio resultantes. Los caracteres cuentan espacios y puntuación. La velocidad de generación es de aproximadamente 25 caracteres por segundo en condiciones normales.

¿Puedo mezclar voces?

La API genera audio para una voz a la vez. Para mezclar voces, debes generar cada parte por separado usando diferentes parámetros de voice y unir los archivos de audio en tu editor de video o audio. No hay mezcla nativa en la API.

¿Es accesible para no técnicos?

La página de inicio muestra un ejemplo de curl listo para usar. La estructura JSON es sencilla. Si sabes enviar una solicitud POST básica, puedes integrarla. No necesitas conocimientos profundos de desarrollo, aunque la integración técnica requiere configurar la clave API y la URL base.

¿Cómo se compara con ElevenLabs?

Nuestra API tiene un costo de $0.01 por 1.000 caracteres y no requiere suscripciones. Ofrece 8 voces predefinidas de alta calidad, mientras que ElevenLabs puede tener más opciones de clonación. No tenemos clonación de voz personalizada ni streaming en tiempo real. Nuestra infraestructura es independiente y no afiliada.

¿Qué pasa si no me gusta la voz?

Puedes cambiar la voz en cualquier solicitud posterior. Ofrecemos 8 presets distintos (femeninas y masculinas) con diferentes tonos. Si una voz no encaja, simplemente selecciona otra en tu próxima llamada a la API. No hay penalización por cambiar de voz entre solicitudes.

Definición de API TTS

Ilustración de onda de sonido para: Definición de API TTS

Una API de texto a voz es un servicio en la nube que recibe texto y devuelve un archivo de audio sintetizado. Funciona mediante una llamada API simple, permitiendo integrar narración automática en cualquier aplicación o plataforma sin necesidad de hardware especializado.

Este enfoque permite automatizar la generación de locuciones para videos de YouTube o agencias, escalando la producción sin depender de horarios de estudio o disponibilidad de locutores humanos.

Concepto de síntesis de voz

La síntesis de voz mediante API transforma caracteres de texto en audio audible. El servicio procesa la entrada y devuelve el archivo generado, eliminando la necesidad de grabaciones físicas para cada variación de contenido.

Uso en aplicaciones y plataformas

Las plataformas pueden integrar la API mediante llamadas HTTP estándar. Esto facilita la creación de flujos de trabajo donde el texto se convierte en audio al instante, ideal para generación masiva de contenido.

Diferencia con soluciones tradicionales

A diferencia de los estudios tradicionales que requieren tiempo de reserva y locutores, la API ofrece disponibilidad inmediata. No hay costos fijos de infraestructura ni limitaciones de horario para la producción de audio.

Cómo funciona la API

Ilustración de onda de sonido para: Cómo funciona la API

La API opera mediante solicitudes HTTP POST al endpoint de síntesis. Envías texto y parámetros en formato JSON, y el sistema devuelve un archivo de audio listo para usar.

El procesamiento ocurre en la nube, gestionando la cola de generación para mantener la estabilidad del servicio bajo carga.

Entrada de texto y salida de audio

Envías texto mediante el campo input (máximo 4096 caracteres por solicitud) y especificas el modelo (tts-1 o tts-1-hd). La API procesa la entrada y retorna el archivo de audio generado directamente en la respuesta.

Procesamiento en la nube

Las solicitudes se procesan secuencialmente. En periodos de alta demanda, las peticiones pueden esperar en una cola. La velocidad típica es cercana al tiempo real, aunque frases cortas pueden tardar unos segundos en generarse.

Formatos de respuesta

Puedes especificar el formato deseado en el campo response_format. Las opciones disponibles son mp3, wav, opus, flac y pcm, permitiendo adaptarse a diferentes pipelines de edición de video y agencias.

Diferencias con otros TTS

Ilustración de onda de sonido para: Diferencias con otros TTS

La API ofrece un control de velocidad preciso (0.25–4.0) sobre la voz generada, permitiendo ajustar el ritmo sin afectar la calidad del audio. A diferencia de las soluciones tradicionales que requieren edición manual de archivos de audio, esta integración permite modificar la velocidad directamente en la solicitud.

Las voces son presets fijos (como Aria, Nova o Felix) diseñados para narración clara y consistente. No hay clonación personalizada ni soporte para SSML, lo que simplifica la producción masiva de contenido para YouTube y agencias sin necesidad de ajustes complejos por episodio.

Control de velocidad

La API permite ajustar la velocidad de habla entre 0.25 y 4.0, facilitando la adaptación del contenido a diferentes ritmos de narración. Este ajuste se aplica directamente en la solicitud, evitando pasos de postproducción adicionales.

  • Rango de velocidad: 0.25 a 4.0
  • Aplicación instantánea en la generación de audio

Voces específicas y presets

Se ofrecen 8 voces predefinidas con estilos específicos, desde narradores cálidos hasta voces enérgicas para promociones. Cada voz está optimizada para claridad y consistencia, ideal para canales de YouTube que requieren un tono uniforme.

No se requiere configuración adicional para seleccionar la voz; basta con especificar el nombre del preset en la solicitud JSON.

  • Aria: Narradora clara y cálida
  • Felix: Enérgico y promocional
  • Atlas: Neutral, estilo noticioso

Escalabilidad y programación

La API procesa las solicitudes en secuencia; bajo alta carga, las peticiones pueden esperar en una cola. Esto es esencial para agencias que necesitan producir contenido constante sin contratar estudios adicionales.

La integración es sencilla mediante solicitudes JSON estándar, compatible con SDKs de OpenAI, lo que facilita la automatización de flujos de trabajo de producción.

  • Compatible con SDKs de OpenAI
  • Solicitudes JSON estándar para fácil automatización

Uso en producción de videos

Ilustración de onda de sonido para: Uso en producción de videos

La API de TTS de VozNarradora permite generar locuciones para videos de YouTube de forma masiva, ideal para agencias que necesitan contenido constante. Cada solicitud procesa hasta 4096 caracteres, devolviendo el audio listo para editar.

La velocidad de entrega es cercana al tiempo real en textos largos, aunque las solicitudes se procesan en cola bajo carga. Esto permite escalar la producción sin depender de la disponibilidad de un estudio físico o locutores humanos.

Generación masiva de locuciones

Puedes enviar textos de hasta 4096 caracteres por solicitud. Para guiones más largos, se dividen en partes y se unen los archivos de audio resultantes.

Con un límite de 60 solicitudes por minuto, es posible automatizar la creación de cientos de videos diarios, ajustando la velocidad entre 0.25x y 4.0x para sincronizar con el ritmo del video.

  • Procesamiento en cola para escalar sin contratar más personal.
  • Formatos compatibles con cualquier editor de video estándar.

Consistencia de marca

Al usar los 8 presets fijos, garantizas una voz uniforme en todos tus videos. Esto crea una identidad auditiva reconocible para tu audiencia.

Las voces son consistentes en todos los idiomas soportados, manteniendo el mismo tono independientemente del mercado objetivo.

  • 8 voces predefinidas con estilos claros (narrador, documental, promo).
  • Marca auditiva uniforme sin variaciones de interpretación humana.

Ahorro en estudios de grabación

Elimina los costos fijos de alquiler de estudio, técnicos de sonido y tarifas por hora de locutores. Pagas solo por los caracteres generados ($0.01 por 1.000 caracteres).

No hay costos de disponibilidad ni tiempos muertos. Si una síntesis falla, no se cobra, reduciendo el riesgo en producciones en masa.

  • Costo variable: solo pagas por lo que usas.
  • Sin contratos de exclusividad ni mínimos de gasto mensual.

Voces disponibles

Ilustración de onda de sonido para: Voces disponibles

La API ofrece 8 voces preconfiguradas optimizadas para narración, eliminando la necesidad de ajustes manuales complejos. Estas voces están diseñadas para cubrir los estilos más comunes en la producción de video y agencias de locución.

8 presets diseñados para narración

Cada preset combina una voz específica con un estilo de entrega probado. Esto garantiza consistencia en la calidad del audio sin requerir parámetros adicionales de configuración por parte del usuario.

Voces femeninas y masculinas

La selección incluye cuatro voces femeninas y cuatro masculinas. Esta variedad permite adaptar el tono del contenido al público objetivo, desde narrativas suaves hasta presentaciones enérgicas.

  • Aria: narradora clara y cálida.
  • Luna: suave, ideal para storytelling.
  • Felix: enérgico, perfecto para promociones.
  • Milo: amigable y conversacional.

Estilos desde documental a promo

Las voces cubren un espectro amplio de registros. Desde el tono neutro y periodístico hasta la profundidad documental o la voz de instrucción calma, cada preset está calibrado para minimizar la fatiga auditiva en contenido de larga duración.

  • Atlas: neutral, estilo noticioso.
  • Orion: profundo, estilo documental.
  • Sage: calma, estilo instruccional.
  • Nova: brillante y dinámica.

Idiomas y detección

Ilustración de onda de sonido para: Idiomas y detección

La API soporta 23 idiomas, permitiendo que cualquier voz pueda hablar cualquier idioma de la lista. Esto facilita la producción multilingüe sin necesidad de voces adicionales específicas por región.

El idioma se detecta automáticamente por el script utilizado; el texto en latino por defecto se interpreta como inglés. Para otros idiomas latinos o no latinos, se recomienda establecer el campo language explícitamente para garantizar la pronunciación correcta.

23 idiomas soportados

El servicio incluye: Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish y Turkish.

Detección por script o manual

Si no se especifica language, el sistema deduce el idioma basado en los caracteres del texto de entrada. Esta detección automática optimiza el flujo de trabajo para textos en inglés, pero puede fallar en otros casos.

Limitaciones en idiomas específicos

No se soportan idiomas no listados, como Vietnamese, Indonesian, Thai, Ukrainian, Romanian, Czech, Bengali y otros. Si tu proyecto requiere uno de estos, la API no lo cubrirá.

Idiomas y detección

Calidad de audio

Ilustración de onda de sonido para: Calidad de audio

Cada archivo de audio generado lleva una marca de agua inaudible que certifica su origen sintético. Las voces están basadas en grabaciones licenciadas: LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox.

Las limitaciones son claras: no hay etiquetas de emoción ni control fino de la prosodia. El resultado es una narración clara y estable, ideal para contenido informativo, pero sin la expresividad variable de un actor humano.

Voces basadas en grabaciones reales

Nuestras voces se generan a partir de registros de audio reales con licencia CC BY 4.0.

  • Voces basadas en el corpus LibriTTS-R.
  • Origen en lecturas de audiolibros de dominio público.

Marcas de agua sintéticas

Cada archivo de audio generado incluye una marca de agua inaudible que lo identifica como síntesis computacional. Esto permite verificar el origen del contenido sin afectar la experiencia auditiva del oyente.

Limitaciones en emociones

La API no soporta etiquetas de emoción ni ajustes de prosodia fina. Las voces mantienen un tono consistente y profesional, adecuado para narración, pero sin la variación expresiva de un actor humano.

Integración técnica

Ilustración de onda de sonido para: Integración técnica

La API se integra modificando la URL base de los SDKs oficiales de OpenAI, apuntando a https://api.chasus33.info/v1. Este ajuste permite reutilizar la misma estructura de llamadas y autenticación que ya conocen los desarrolladores, facilitando la migración sin reescribir la lógica de conexión.

El cuerpo de la solicitud es JSON estándar, aceptando campos como model, input, voice y response_format. La respuesta devuelve el archivo de audio binario directamente, listo para ser guardado o enviado al editor de video sin pasos intermedios de conversión.

Compatible con SDKs de OpenAI

Al cambiar la variable base_url a https://api.chasus33.info/v1, cualquier SDK compatible con OpenAI funciona inmediatamente. Esto elimina la necesidad de librerías propietarias adicionales o adaptadores complejos, aprovechando herramientas de desarrollo ya existentes en el ecosistema.

Solicitudes JSON estándar

Las peticiones siguen la forma del endpoint /v1/audio/speech. Se envía texto (hasta 4096 caracteres) y se especifica la voz y el formato deseado (mp3, wav, opus, flac, pcm). La autenticación se maneja con un token Bearer estándar en el encabezado.

Fácil de automatizar

La estructura predecible permite integrar la generación de voz en pipelines CI/CD o scripts de Python/Node.js. Dado que la respuesta es un archivo directo, el flujo de trabajo es lineal: enviar texto, recibir audio, procesar video. No requiere manejo de estados complejos ni colas de notificación.

  • Compatible con scripts en Python, Node.js o cURL
  • Respuesta inmediata en formato de archivo binario
  • Autenticación via header Authorization: Bearer

Costos vs locutores

Ilustración de onda de sonido para: Costos vs locutores

El coste es de $10 por millón de caracteres, lo que equivale a $0.01 por cada 1.000 caracteres. Este modelo elimina los costos fijos de estudio y solo se factura por uso real, con devoluciones completas si la síntesis falla.

Costo por carácter

Cada solicitud se cobra estrictamente por la longitud del texto enviado. Los espacios y la puntuación cuentan como caracteres. No hay planes mensuales ni pagos mínimos, lo que permite probar con volúmenes variables sin compromiso financiero.

  • Precio: $0.01 por 1.000 caracteres.
  • Prueba gratuita: $0.50 de crédito (7 días).

Sin costos fijos de estudio

A diferencia de contratar locutores o reservar cabinas, no pagas por tiempo de inactividad. Solo inicias cuando tienes guiones listos para generar, ideal para canales que suben contenido diariamente sin necesidad de una infraestructura fija.

Rapidez de entrega

La generación es aproximadamente en tiempo real para textos largos (25 caracteres por segundo). Las frases cortas tardan unos pocos segundos. Las solicitudes se procesan en secuencia, por lo que bajo alta carga puede haber una cola breve.

Casos de uso

Ilustración de onda de sonido para: Casos de uso

La API se integra directamente en flujos de trabajo de producción, permitiendo generar locuciones sin depender de horarios de estudio o disponibilidad de talento. Ideal para canales que necesitan volumen constante.

Producción interna de contenido

Los equipos de YouTube y agencias pueden automatizar la generación de videos completos. Al enviar el guion mediante la API, se obtiene el audio en segundos, eliminando la necesidad de contratar estudios para cada proyecto.

  • Generación sin dependencias de agenda externa
  • Integración directa con herramientas de edición

Multiidioma sin traducción

Las 8 voces pueden hablar los 23 idiomas soportados. Esto permite localizar contenido rápidamente sin contratar nuevos talentos para cada mercado, manteniendo la consistencia de la marca en diferentes regiones lingüísticas.

  • Voces versátiles en 23 idiomas
  • Sin necesidad de traducción previa del guion

Iteración rápida de guiones

El costo por carácter ($0.01 por 1.000 caracteres) hace viable regenerar múltiples versiones de una misma locución. Se puede ajustar la velocidad y probar diferentes voces para encontrar el tono ideal antes de la publicación final.

  • Costo bajo para pruebas y ajustes
  • Regeneración inmediata de escenas modificadas

Limitaciones

Ilustración de onda de sonido para: Limitaciones

La API devuelve el audio completo tras el procesamiento, por lo que no ofrece streaming ni audio parcial en tiempo real. Las solicitudes se procesan secuencialmente; en momentos de alta demanda, una solicitud puede esperar en cola antes de completarse.

No se incluye soporte para SSML ni diccionarios de pronunciación personalizados. Los usuarios deben confiar en la detección automática del idioma o en la configuración explícita de la etiqueta language para textos en latinos que no sean inglés.

Sin streaming en tiempo real

A diferencia de las soluciones WebSocket, aquí se envía el texto y se recibe un archivo de audio final. Esto simplifica la integración pero impide la interacción instantánea durante la generación.

Sin control fino de SSML

No hay etiquetas de marcado de voz para ajustar pausas o entonación específica. La generación se basa en parámetros básicos como la velocidad y el idioma seleccionado.

Sin clonación de voz

Se ofrecen 8 voces preestablecidas basadas en grabaciones licenciadas (LibriVox). No se permite subir una muestra de audio para crear una voz personalizada ni se ofrece clonación de voz para clientes.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Para producciones de escala, esto implica que la elección del preset debe anticipar el tono necesario sin depender de ajustes finos post-generación.

Avatar de la voz aria
ariafemenino
Avatar de la voz nova
novafemenino
Avatar de la voz luna
lunafemenino
Avatar de la voz sage
sagefemenino
Avatar de la voz felix
felixmasculino
Avatar de la voz milo
milomasculino
Avatar de la voz atlas
atlasmasculino
Avatar de la voz orion
orionmasculino

23 idiomas

Cualquier voz puede hablar cualquiera de estos idiomas.

Fuentes y lecturas adicionales

  1. Wikipedia
  2. ISO 639 language codes
  3. W3C WAI: making audio and video accessible
  4. LibriTTS-R corpus (OpenSLR 141)
  5. OpenAI API reference: create speech
  6. Node.js documentation
  7. Tether (USDT)
  8. LibriTTS-R paper (arXiv 2305.18802)
  9. Python documentation
  10. LibriVox public-domain audiobooks
  11. IETF RFC 7845: Ogg Opus
  12. Creative Commons Attribution 4.0

Más en este sitio