Preguntas frecuentes
¿Cuáles son las 8 voces predefinidas disponibles?
Ofrecemos ocho voces predefinidas: Aria, Nova, Luna y Sage (femeninas); Felix, Milo, Atlas y Orion (masculinas). Basadas en grabaciones con licencia, cada voz tiene un perfil acústico distinto, desde narradoras claras hasta tonos profundos para documentales, adaptándose a diversos requerimientos de localización y producción de contenido audiovisual.
¿Qué voces son ideales para narración de libros?
Aria y Luna son ideales para narración. Aria ofrece una voz clara y cálida, perfecta para narradores, mientras que Luna es suave y narrativa, adecuada para contar historias. Ambas permiten una escucha cómoda y profesional para proyectos de audiolibros o localización literaria.
¿Qué voz es mejor para anuncios promocionales?
Felix es la voz recomendada para anuncios promocionales debido a su carácter enérgico. Su tono dinámico y directo capta la atención del oyente rápidamente, siendo ideal para spots publicitarios, anuncios de radio o vídeos promocionales que requieren un ritmo acelerado y vitalidad.
¿Pueden las voces hablar en cualquier idioma de la lista?
Sí. Las ocho voces soportan los 23 idiomas listados sin restricciones. Si omites el campo language, el sistema infiere el idioma (por defecto inglés para texto en latín). Para textos en latín distintos al inglés, especifica el código ISO para garantizar la pronunciación correcta.
¿Qué significa que las voces tienen licencia CC BY 4.0?
Las voces se basan en grabaciones de LibriTTS-R (CC BY 4.0) y audiolibros de dominio público de LibriVox. Esto garantiza el origen de las muestras de voz, pero el audio generado es sintético y contiene una marca de agua invisible que lo identifica como tal. No se trata de una clonación personalizada, sino de un modelo entrenado con estas fuentes licenciadas.
¿Son voces basadas en IA o grabaciones reales?
Las voces se basan en grabaciones reales de audiobooks de LibriVox. Utilizamos estas grabaciones de dominio público como base para nuestro motor de síntesis. El resultado es audio generado por nuestra API, no una reproducción directa de los archivos originales, aunque conserva la calidad de la fuente.
¿Qué diferencia hay entre tts-1 y tts-1-hd?
No existe diferencia técnica ni de coste entre tts-1 y tts-1-hd. Ambos utilizan el mismo motor de síntesis y tienen el mismo precio ($10 por 1 millón de caracteres). La única distinción es la etiqueta del modelo en la API. Puedes usar cualquiera de los dos para generar audio, ya que la calidad y el coste por carácter son idénticos en ambos casos.
¿Puedo ajustar la velocidad de cada voz?
Sí, puedes ajustar la velocidad entre 0.25 y 4.0 veces. Este parámetro es independiente de la voz seleccionada, permitiendo acelerar o ralentizar la síntesis según el ritmo del proyecto. La configuración se aplica mediante el campo speed en la solicitud JSON, manteniendo la voz base intacta.
¿Qué formato de audio es mejor para doblaje?
Para doblaje, WAV o FLAC son ideales por su calidad sin pérdida, preservando la fidelidad para ediciones profesionales. MP3 es eficiente para web. OPUS es un formato de archivo válido, no de streaming, ya que no ofrecemos transmisión en tiempo real. PCM es crudo. La elección depende de tu pipeline de postproducción, pero WAV y FLAC mantienen la máxima calidad para trabajos de doblaje exigentes.
¿Hay voces masculinas y femeninas en todos los idiomas?
Sí, las ocho voces están disponibles en todos los 23 idiomas soportados. Puedes asignar la misma voz a textos en inglés, japonés o español sin restricciones. La voz mantiene su timbre característico independientemente del idioma, garantizando consistencia de marca en proyectos multilingües de localización.
¿Qué es LibriVox?
LibriVox es una plataforma de audiolibros en dominio público. Nuestras voces se basan en grabaciones de esta fuente bajo Licencia CC BY 4.0. Estas son lecturas realizadas por voluntarios, no necesariamente profesionales, que han cedido sus interpretaciones de obras clásicas para uso libre.
¿Las voces suenan robóticas o naturales?
Las voces ofrecen un sonido natural y fluido, derivado de grabaciones reales de lectores de LibriVox. No suenan robóticas ni monótonas. Sin embargo, son síntesis generadas por API y llevan una marca de agua invisible que las identifica como audio sintético, distinguibles de grabaciones humanas directas.
¿Puedo usar las voces para contenido de YouTube?
Sí, puedes usar las voces generadas para contenido de YouTube. El audio se entrega sin restricciones de uso específicas para plataformas. Recuerda que cada archivo lleva una marca de agua inaudible que indica que es síntesis de voz, lo cual es transparente para el oyente final.
¿Qué voz usar para un tutorial de e-learning?
Sage es la voz ideal para e-learning por su tono calmado e instruccional. Su claridad y ritmo pausado facilitan la comprensión de conceptos técnicos. Es perfecta para tutoriales, cursos online o explicaciones educativas donde la claridad y la calma son prioritarias para el aprendizaje del usuario.
¿Cómo suena la voz Atlas en comparación con Felix?
Atlas tiene un tono neutral y serio, ideal para noticias, mientras que Felix es enérgico y dinámico, perfecto para promociones. Atlas transmite objetividad y formalidad, mientras que Felix aporta vitalidad y entusiasmo. Son complementarias: una para información factual y otra para contenido persuasivo o publicitario.
¿Se pueden mezclar voces en un proyecto?
La API genera un archivo de audio por solicitud. Para mezclar voces, debes realizar múltiples solicitudes con diferentes voces y luego unir los archivos de audio en tu editor de audio preferido. No hay mezcla en tiempo real, pero el flujo de trabajo es compatible con ediciones profesionales.
¿Las voces tienen acentos regionales marcados?
Las voces no tienen acentos regionales fijos marcados. Son voces neutras que pueden pronunciar cualquiera de los 23 idiomas soportados. Si necesitas un acento específico, debes especificarlo mediante el parámetro de idioma, aunque la voz mantendrá su timbre base sin variaciones dialectales profundas automáticas.
¿Son adecuadas para contenido infantil?
Sí, voces como Luna (suave) o Nova (alegre) son adecuadas para contenido infantil. Su tono amigable y claro se adapta bien a historias o narrativas educativas. Sin embargo, asegúrate de que el tono general del proyecto coincida con la personalidad de la voz seleccionada para mantener la coherencia narrativa.
¿Qué voz tiene un tono más documental?
Orion es la voz con tono más documental. Su timbre profundo y solemne es ideal para documentales, narraciones históricas o contenido que requiere una atmósfera seria y envolvente. Es la opción preferida para proyectos que buscan transmitir autoridad y profundidad en la narrativa audiovisual.
¿Puedo usar la voz Luna para historias para dormir?
Sí, Luna es excelente para historias para dormir. Su tono suave y narrativo crea una atmósfera relajante y acogedora. Es ideal para audiolibros nocturnos, meditaciones guiadas o contenido de bienestar. Su velocidad y entonación suaves ayudan a inducir la calma en el oyente.
¿Es Milo adecuada para asistentes de voz?
Milo es adecuada para asistentes de voz debido a su tono amigable y conversacional. Su sonido natural y cercano facilita la interacción usuario-asistente. Es ideal para IVR, asistentes virtuales o aplicaciones donde se busca una experiencia de usuario fluida, humana y sin fricciones en la comunicación.
¿Qué voz es más neutra para noticias?
Atlas es la voz más neutra para noticias. Su tono es objetivo, claro y libre de emociones excesivas, lo que la hace ideal para boletines informativos, noticias de última hora o reportajes. Transmite la información de manera directa y profesional, manteniendo la imparcialidad requerida en el periodismo.
¿Puedo cambiar de voz entre frases?
Sí, puedes cambiar de voz entre frases realizando solicitudes separadas para cada una. Luego, unes los archivos de audio resultantes. La API no soporta cambio de voz en tiempo real dentro de un solo stream, pero el flujo de trabajo de concatenación es estándar y eficiente.
¿Hay límite de uso por voz?
No existen límites específicos por voz. Las restricciones se aplican a la clave API global: 60 solicitudes por minuto (10 antes del primer recargo). Puedes combinar las 8 voces disponibles sin restricciones adicionales, siempre que respetes el límite general de peticiones por minuto.
¿Las voces incluyen marcas de agua?
Sí, cada archivo de audio generado lleva una marca de agua inaudible que lo identifica como síntesis de voz. Esta marca es transparente para el oyente pero permite la detección automática de audio generado por IA. Es una característica estándar de todos los archivos entregados por la API.
¿Puedo usar las voces para proyectos comerciales?
Sí, puedes usar las voces generadas para proyectos comerciales. No hay restricciones de uso que impidan su aplicación en productos o servicios pagados. El audio se entrega con una marca de agua sintética, pero esto no limita su uso comercial en localización, publicidad o contenido digital.
¿Qué voz es más rápida en generar audio?
La velocidad de generación depende de la carga del servidor y la longitud del texto, no de la voz específica. Todas las voces se procesan bajo las mismas condiciones. Generalmente, textos largos tardan un tiempo similar al real, mientras que frases cortas pueden tardar unos segundos.
¿Son compatibles con lectores de pantalla?
El audio generado es un archivo de audio estándar (MP3, WAV, etc.), por lo que es compatible con cualquier reproductor o lector de pantalla que soporte audio. La compatibilidad depende del dispositivo y software del usuario final, no de la voz en sí, ya que es audio puro.
¿Qué voz eligen las agencias para doblaje masivo?
Las agencias suelen elegir voces como Aria o Atlas por su claridad y neutralidad, dependiendo del tono del proyecto. La elección depende del contenido: Aria para narración clara, Atlas para noticias. La escalabilidad se logra mediante el flujo de trabajo de división de texto y concatenación de archivos.
¿Puedo usar varias voces en un mismo video?
Sí, generando audio separado para cada voz y uniendo los archivos. Puedes asignar una voz a cada personaje o sección. La API no mezcla voces en una sola llamada, pero este flujo de trabajo es estándar en producción audiovisual y permite una edición precisa y profesional.
¿Cómo funciona el pago por uso?
Se cobra $10 por cada millón de caracteres. Los espacios y puntuación cuentan. El saldo se deduce automáticamente. Si no hay fondos, no se genera audio. No hay planes mensuales ni costes fijos. Pagas solo por lo que consumes, con recargas mínimas de $5 vía USDT.
¿Qué es la prueba gratuita de $0.50?
Es un crédito de $0.50 (aprox. 50.000 caracteres) válido por 7 días. Se otorga al registrarse con Google. Si te registras con email y contraseña, no recibes este crédito. Es ideal para probar la API antes de realizar una recarga o confirmar la calidad del servicio.
¿Se puede usar la API con SDK de OpenAI?
Sí. La API es compatible con los SDK oficiales de OpenAI. Solo debes configurar la base_url como https://api.playtakbet.com/v1 y utilizar tu clave de API. La estructura del cuerpo de la solicitud es idéntica al endpoint de speech de OpenAI, lo que permite una integración directa sin necesidad de modificar la lógica de tu código existente.
¿Qué formatos de audio están disponibles?
Disponemos de MP3, WAV, OPUS, FLAC y PCM. MP3 y OPUS son formatos comprimidos, eficientes para almacenamiento y transmisión en red, aunque nuestra API no soporta streaming en tiempo real (WebSocket). WAV y FLAC ofrecen calidad sin pérdida, ideales para edición profesional. PCM proporciona audio crudo sin comprimir. Selecciona el formato mediante el parámetro response_format en tu solicitud.
¿Hay límite de caracteres por solicitud?
Sí, el límite es de 4096 caracteres por solicitud. Para textos más largos, debes dividirlos en partes y unir los archivos de audio resultantes. Este límite asegura un procesamiento eficiente y permite un control preciso sobre la generación de audio, facilitando la gestión de errores y la edición.
¿Qué ocurre si falla una solicitud?
Si la síntesis falla, la carga se devuelve íntegramente. No se te cobra por solicitudes fallidas. Esto garantiza que solo pagas por audio generado con éxito. Puedes reintentar la solicitud o ajustar los parámetros sin perder crédito. El estado de la solicitud indica claramente si fue exitosa o no.
¿Las voces son clones de personas reales?
No son clones directos de personas específicas. Se basan en grabaciones de LibriVox (CC BY 4.0) para entrenar el modelo. Son voces sintéticas generadas por IA que imitan características de lectores reales, pero no son la voz de una persona concreta identificable. Son voces predefinidas de la API.
¿Se puede clonar una voz personalizada?
No, no ofrecemos clonación de voz personalizada. Solo hay 8 voces predefinidas disponibles. No puedes subir tu propia voz ni crear una voz a medida. Si necesitas una voz específica, debes elegir entre las opciones disponibles: Aria, Nova, Luna, Sage, Felix, Milo, Atlas u Orion.
¿Qué idiomas no están soportados?
Los idiomas no soportados son vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí y otros no listados. Solo están disponibles los 23 idiomas especificados. Si tu proyecto requiere idiomas fuera de esta lista, la API no podrá generar audio correcto. Verifica siempre la lista de idiomas antes de iniciar la localización.
¿Cómo se detecta el idioma del texto?
Si no especificas el idioma, la API lo intenta adivinar. Para texto en latín, asume inglés por defecto. Para otros idiomas, intenta detectar el script. Es recomendable establecer el parámetro language explícitamente con el código ISO para asegurar la pronunciación correcta, especialmente en textos multilingües o ambiguos.
Voces femeninas para narración
La narración requiere voz y claridad para retener la atención del oyente en proyectos de localización. Estas tres voces femeninas cubren los espectros narrativos más demandados, desde la presentación directa hasta la inmersión emocional.
Aria: narradora clara
Aria ofrece una voz cálida y nítida, ideal para documentales o audiolibros donde la comprensión es prioritaria. Su tono resulta accesible sin perder profesionalismo, facilitando la comprensión de textos complejos en múltiples idiomas.
- Tono cálido y claro
- Ideal para narración directa
- Alta inteligibilidad
Nova: tono brillante
Nova combina un brillo natural con un carácter optimista. Es la opción preferida para contenido dinámico que requiere energía positiva sin sonar forzado, manteniendo un ritmo ágil adecuado para formatos modernos.
- Tono brillante y optimista
- Carácter enérgico
- Ideal para contenido dinámico
Luna: historia suave
Luna aporta una textura suave envolvente, perfecta para relatos o cuentos. Su capacidad para suavizar la entonación ayuda a crear atmósferas inmersivas, ideal para audiobooks narrativos que buscan conexión emocional.
- Textura suave y envolvente
- Ideal para storytelling
- Conexión emocional
Voces femeninas para instrucción
Sage ofrece una voz calmada e instruccional, ideal para contextos donde la claridad técnica prima sobre la expresividad emocional. Su tono neutro pero cálido reduce la carga cognitiva del oyente, facilitando la retención de información compleja en proyectos de localización.
Sage: calma instruccional
Esta voz está diseñada para transmitir instrucciones sin distracciones. Su ritmo constante y su articulación precisa la hacen adecuada para manuales técnicos o guías de usuario donde la precisión semántica es crítica.
Uso en e-learning
En entornos educativos, Sage mantiene la atención sin resultar monótona. Su capacidad para leer textos largos con coherencia narrativa la hace ideal para cursos asincrónicos donde la voz guía al estudiante sin interferir con el contenido visual.
Claridad en tutoriales
Para tutoriales paso a paso, la claridad fonética de Sage asegura que cada instrucción sea comprensible al primer intento. Esto reduce la necesidad de repetición en la producción de contenido didáctico multilingüe.

Voces masculinas para promo
Felix es la voz masculina diseñada para proyectos promocionales que requieren energía y claridad. Su timbre directo y dinámico se adapta perfectamente a anuncios cortos, spots de radio y contenido publicitario donde el tiempo de atención es limitado. La voz transmite movimiento sin perder la articulación, garantizando que el mensaje central se comprenda incluso en entornos con ruido de fondo.
Felix: energía promocional
La voz de Felix combina un ritmo rápido con una dicción nítida, ideal para textos publicitarios que necesitan captar la atención en los primeros segundos. Al usar el modelo tts-1-hd, la síntesis mantiene la naturalidad del habla mientras se preserva la intensidad necesaria para vender o informar rápidamente.
- Ritmo ágil y articulación clara
- Ideal para textos menores a 4096 caracteres
- Compatible con velocidades de 0.25 a 4.0x
Uso en anuncios
En agencias de localización, Felix se utiliza para generar voiceovers de anuncios de servicio rápido, campañas de lanzamiento o jingles promocionales. Su tono evita la monotonía de las voces más neutras, aportando el empuje necesario para destacar en listados de audio o plataformas de streaming.
Impacto inmediato
La generación de audio con Felix es rápida y predecible. Dado que las solicitudes se procesan en cola, el tiempo de entrega puede variar ligeramente bajo carga, pero la calidad sonora se mantiene constante. Para proyectos publicitarios que requieren múltiples variaciones de un mismo texto, esta voz ofrece consistencia tonal entre diferentes versiones generadas.
Voces masculinas para conversación
Milo se define por un tono amigable y conversacional, ideal para proyectos de localización que requieren cercanía con el usuario final. Su voz naturaliza la interacción, eliminando la frialdad típica de las síntesis tradicionales y adaptándose a contextos donde la escucha prolongada es necesaria sin fatiga auditiva.
Milo: tono amigable
Esta voz masculina combina claridad con una calidad relajada, evitando la intensidad de modelos más enérgicos. Es la opción técnica para textos que requieren ser escuchados repetidamente, como instrucciones o recordatorios, manteniendo la atención del oyente sin sonar artificiales o rígidos.
- Voz masculina con énfasis en la naturalidad conversacional.
- Ideal para textos cortos y medianos que buscan cercanía.
- No requiere ajustes de velocidad para sonar natural.
Asistentes virtuales
En la localización de interfaces y asistentes de voz, Milo proporciona una base neutra pero cálida. Permite que la funcionalidad no compita con la personalidad de la marca, ofreciendo una respuesta auditiva consistente que no distrae del mensaje principal ni impone una personalidad agresiva.
Naturalidad en diálogo
La estructura de la voz de Milo imita los pausas y el ritmo de una conversación humana estándar. Esto reduce la necesidad de edición post-producción para suavizar transiciones robóticas, acelerando el flujo de trabajo de agencias que integran TTS en pipelines de doblaje o apps interactivas.
- Ritmo adaptado a la escucha prolongada.
- Reduce la necesidad de edición de audio post-producción.
- Mantiene la atención sin imponer personalidad fuerte.
Voces masculinas para noticias
Atlas es la voz masculina diseñada para la transmisión de información directa. Su timbre neutral elimina la expresividad emocional, permitiendo que el contenido informativo sea el protagonista absoluto. Es la opción técnica ideal para agencias de localización que necesitan entregar noticias o comunicados corporativos sin sesgos sonoros.
Atlas: neutralidad informativa
Esta voz predeterminada ofrece una lectura clara y sin adornos, optimizada para la comprensión rápida. Al carecer de inflexiones dramáticas, garantiza que el mensaje no sea interpretado subjetivamente por el oyente, manteniendo la distancia profesional necesaria en contextos periodísticos o informativos.
Lectura de noticias
La estructura sintética de Atlas se adapta perfectamente a la lectura de titulares y boletines. Su claridad fonética asegura que las cifras, nombres propios y términos técnicos se pronuncien con precisión, reduciendo la necesidad de ajustes manuales en la postproducción de audio para proyectos de doblaje.
Objetividad sonora
La objetividad sonora se logra mediante la ausencia de carga emocional. Esto es crucial cuando el texto ya contiene la carga emocional por sí mismo. Atlas proporciona una base neutra que no compite con el contenido visual o narrativo del proyecto de localización.
Voces masculinas para documentales
Orion es la voz masculina diseñada para narraciones documentales, caracterizada por un registro grave y una prosodia solemne. Su timbre profundo transmite autoridad inmediata, ideal para proyectos que requieren un tono serio y respetuoso, manteniendo la claridad necesaria para la comprensión auditiva prolongada.
Orion: profundidad documental
Esta voz utiliza un registro grave que aporta peso narrativo sin sonar forzado. Es la opción técnica preferida para historias que demandan seriedad y profundidad, diferenciándose de las voces más brillantes o conversacionales del catálogo.
Tono solemne
La entonación de Orion es constante y solemne, evitando variaciones emocionales excesivas que podrían distraer del contenido informativo. Este estilo garantiza que la atención del oyente se centre en el texto generado.
Autoridad narrativa
Orion proyecta una voz de autoridad natural, adecuada para voiceovers de documentales, reportajes o presentaciones corporativas de alto nivel. Su estructura de sonido permite una escucha prolongada sin fatiga auditiva.
Selección por idioma y acento
La API gestiona 23 idiomas sin necesidad de asignar voces específicas para cada lenguaje. Cualquier voz predefinida puede pronunciar cualquier idioma de la lista, lo que simplifica la gestión de activos de audio en proyectos de localización multilingüe.
23 idiomas soportados
El sistema soporta árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco y turco. Esta cobertura cubre las necesidades principales de agencias de localización sin fragmentar la biblioteca de voces.
- Idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco, turco
Adaptación natural
Si no se especifica el campo language, el sistema infiere el valor basándose en el guion. Para texto en latín, la inferencia predeterminada es inglés. Para otros scripts o idiomas distintos al inglés en latín, es recomendable establecer el código ISO explícitamente para garantizar la pronunciación correcta.
Sin necesidad de voces específicas por idioma
No es necesario mantener voces separadas por mercado. Una sola voz como 'aria' o 'atlas' puede generar audio en cualquiera de los 23 idiomas soportados, reduciendo la complejidad de la cadena de producción y la gestión de licencias.

Licenciamiento de las voces
Las voces de la API se basan en grabaciones licenciadas del conjunto de datos LibriTTS-R, distribuido bajo la licencia CC BY 4.0. Esta fuente garantiza una base técnica sólida y verificable para la síntesis de voz utilizada en los proyectos de localización.
Fuente LibriTTS-R
El modelo utiliza muestras de voz derivadas directamente de LibriTTS-R. Al usar este conjunto de datos como base, aseguramos que las voces predefinidas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) mantengan coherencia acústica y calidad de audio consistente.
- Datos de voz verificables y de código abierto.
- Base técnica estable para la API de texto a voz.
Licencia CC BY 4.0
La licencia Creative Commons Attribution 4.0 Internacional permite el uso, modificación y distribución de las grabaciones originales. Este marco legal facilita la integración de las voces generadas en proyectos comerciales de localización sin restricciones complejas de derechos de autor sobre la señal base.
Origen en LibriVox
Las grabaciones provienen de lecturas de audiolibros de dominio público realizadas por voluntarios de LibriVox. Esto asegura que las voces sean interpretaciones naturales de texto, libres de regalías por parte de actores profesionales contratados, optimizando el costo para agencias y freelancers.
Calidad técnica del audio
El motor de síntesis es idéntico para los modelos tts-1 y tts-1-hd, garantizando una calidad de audio consistente sin variaciones en la generación. El tiempo de generación se alinea aproximadamente con el habla en tiempo real, procesando cerca de 25 caracteres por segundo. Las solicitudes se procesan secuencialmente, por lo que bajo carga una solicitud puede esperar en una cola.
Modelo tts-1-hd
Ambas variantes del modelo utilizan el mismo motor de síntesis, ofreciendo una calidad de audio idéntica. No existe diferencia técnica en la generación de voz entre las opciones, lo que simplifica la selección técnica para flujos de trabajo de localización.
Frecuencia de muestreo
La frecuencia de muestreo depende del formato de salida seleccionado. El formato PCM proporciona datos de audio sin comprimir para integración binaria directa, no para streaming en tiempo real. Esto asegura la fidelidad necesaria para ediciones posteriores en software de postproducción.
Formatos de salida
Se pueden seleccionar mp3, wav, opus, flac o pcm según la necesidad del pipeline de localización. Para textos que superen los 4.096 caracteres, se divide la entrada en partes y se unen los archivos de audio resultantes. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética.
Casos de uso por industria
La síntesis de voz mediante API permite a las agencias de localización generar voces para videojuegos, audiolibros y publicidad de forma rápida y económica. Al usar la API de VozNeta, los equipos pueden integrar voces predefinidas en sus pipelines de producción sin depender de estudios de grabación físicos.
Videojuegos
Para el doblaje de videojuegos, es crucial mantener la consistencia de voz en diálogos cortos y repetitivos. Con la API, los desarrolladores pueden enviar fragmentos de texto de hasta 4096 caracteres y recibir archivos de audio en segundos. Aunque la API no divide automáticamente textos largos, el cliente puede gestionar la división y unir los archivos resultantes para crear diálogos completos.
- Generación rápida de diálogos contextuales
- Integración mediante OpenAI SDK
- Formatos compatibles con motores de juego (mp3, wav, opus)
Audiolibros
En la localización de audiolibros, la claridad y el tono narrativo son esenciales. Las voces como Luna o Sage ofrecen estilos suaves e instructivos ideales para historias. Dado que los libros suelen superar los 4096 caracteres, el flujo de trabajo implica dividir el texto en partes, sintetizar cada una y unir los archivos de audio resultantes.
- Voces con tono narrativo claro
- Procesamiento de textos largos mediante división por el cliente
- Uso eficiente de la prueba gratuita de $0.50 para prototipos
Publicidad
La publicidad requiere impacto inmediato y energía. Voces como Felix o Nova son ideales para anuncios que necesitan captar la atención rápidamente. La API permite generar múltiples variaciones de un mismo texto en segundos, facilitando la A/B testing de spots publicitarios sin costos adicionales por cada versión generada.
- Generación de variaciones rápidas para testing
- Voces con tono energético y brillante
- Cobro por carácter usado, sin costos fijos por proyecto
Comparativa de personalidad
La selección de voz define la percepción técnica del proyecto de localización sin depender de etiquetas de emoción artificiales. Calidez como la de Aria o Luna contrasta con la energía de Felix o la neutralidad de Atlas, permitiendo ajustar el tono según el contexto narrativo o informativo.
Esta diferenciación no depende de emociones artificiales, sino de características vocales inherentes a cada preset. La elección debe basarse en la claridad de dicción y la carga expresiva natural, no en la intensidad del mensaje.
Calidez vs. energía
Las voces como Aria y Nova ofrecen calidez y claridad, ideales para narración continua. En contraste, Felix aporta la energía necesaria para anuncios promocionales que requieren impacto inmediato y dinamismo sin alterar la estructura base del audio.
Neutralidad vs. expresividad
Atlas garantiza objetividad sonora para lectura de noticias, manteniendo un tono uniforme. Por otro lado, Sage y Luna permiten mayor expresividad controlada para storytelling o instrucción, sin depender de marcadores de emoción externos.
Atractivo para el público objetivo
La voz debe alinearse con la expectativa del oyente final. Una voz conversacional como Milo mejora la naturalidad en asistentes virtuales, mientras que Orion aporta la autoridad narrativa necesaria para documentales, asegurando que el tono técnico coincida con el contenido.
Recomendaciones finales para agencias
Para agencias de localización, la consistencia auditiva es un requisito técnico tan crítico como la precisión lingüística. Establecer un glosario de voces por proyecto evita la dispersión creativa y reduce la fricción en la revisión de entregables.
La documentación de elecciones de voz y la parametrización de velocidad (recomendado entre 1.0 y 1.5) facilita la sincronización labial y garantiza que los nuevos miembros del equipo repliquen exactamente los perfiles sonoros definidos.
Establecer un glosario de voces
Defina una matriz que asigne cada personaje o tipo de contenido a una voz específica (ej. Aria para narración, Atlas para noticias). Esto elimina la subjetividad en la selección y acelera el flujo de trabajo de doblaje.
- Asignar voz por rol de personaje
- Definir voz por tipo de contenido (promo, tutorial, noticia)
Consistencia entre proyectos
Mantener parámetros técnicos fijos, como la velocidad entre 1.0 y 1.5, asegura una experiencia auditiva uniforme. Esto es crucial para mantener la coherencia en series de audio o productos con múltiples entregas.
- Velocidad constante para sincronización labial
- Formato de audio unificado (ej. mp3 o wav)
Documentación de elecciones
Registre las decisiones de voz, la configuración de idioma explícita y los modelos usados (tts-1 o tts-1-hd). Esta trazabilidad técnica permite auditar el resultado y replicar el audio si se necesita regeneración.

Precios y acceso a la API
La facturación se calcula por carácter, incluyendo espacios y puntuación, a un costo de $10 por cada millón de caracteres ($0,01 por mil caracteres). Si la síntesis falla, el cargo se devuelve íntegramente.
Para comenzar, inicia sesión con Google y obtén una prueba gratuita de $0,50 (aproximadamente 50.000 caracteres) válida por 7 días. Si usas correo y contraseña, el saldo inicial es cero.
Costo por carácter
El precio es fijo: $0,01 por cada 1.000 caracteres procesados. No hay planes mensuales ni costos fijos; pagas solo por lo que generas. Los caracteres incluyen espacios y signos de puntuación.
Las solicitudes fallidas no generan costo. Si la síntesis no se completa, el saldo se devuelve íntegramente sin penalizaciones.
Prueba gratuita con Google
Al registrarte con Google, se acreditan automáticamente $0,50 de saldo. Esta cantidad permite generar aproximadamente 50.000 caracteres de audio durante los primeros 7 días.
Las cuentas creadas con correo electrónico y contraseña no incluyen este saldo inicial. Debes realizar un depósito para comenzar a usar la API.
Top-up en USDT TRC-20
Los recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo de depósito es de $5.
El crédito se acredita automáticamente en minutos tras la confirmación de la transferencia en la blockchain. No se aceptan tarjetas, PayPal ni suscripciones automáticas.
El saldo no caduca. Puedes realizar múltiples recargas según necesites, sin límites superiores ni comisiones fijas adicionales mencionadas.
- Mínimo de depósito: $5
- Red: TRON (TRC-20)
- Tiempo de crédito: automático en minutos
- Moneda aceptada: USDT únicamente
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. La voz perfecta conecta tu talento con audiencias de todo el mundo en la localización.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
Fuentes y lecturas adicionales
- Wikipedia
- W3C WAI: making audio and video accessible
- LibriTTS-R paper (arXiv 2305.18802)
- ISO 639 language codes
- openai-python on GitHub
- OpenAI API reference: create speech
- LibriTTS-R corpus (OpenSLR 141)
- IETF RFC 7845: Ogg Opus
- TRON developer hub: TRC-20
- LibriVox public-domain audiobooks
- Creative Commons Attribution 4.0
- Node.js documentation
