¿Cómo funciona la API de texto a voz en la nube?

Por Equipo editorial VozTexto · Actualizado 2026-11-18

Esta página explica el flujo técnico de nuestra API de texto a voz para freelancers que integran audio en WordPress o blogs. Aprenderás cómo enviar texto, configurar parámetros y recibir el archivo de audio listo para usar en tus proyectos web.

Detallamos desde la autenticación con clave API hasta el manejo de errores y costos por uso. Si buscas una integración precisa sin dependencias de grandes proveedores, este guía cubre los pasos esenciales para conectar tu código con el servicio de síntesis de voz.

¿Cómo funciona la API de texto a voz en la nube?

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que convierte texto en archivos de audio mediante una llamada HTTP POST. Envías el texto y recibes el audio generado. Utiliza el endpoint /v1/audio/speech con un formato JSON similar al de OpenAI, permitiendo integración directa en tus proyectos sin necesidad de aplicaciones externas.

¿Cómo se envía el texto para la conversión?

Se envía mediante una solicitud POST al endpoint /v1/audio/speech en formato JSON. Debes incluir el campo 'input' con el texto (máximo 4096 caracteres), el modelo, la voz y el formato deseado. Se requiere autenticación con un token Bearer en la cabecera de la solicitud.

¿Qué formatos de audio se generan?

La API soporta los formatos mp3, wav, opus, flac y pcm. Puedes especificar el formato deseado en el campo 'response_format' de tu solicitud. Esto te permite elegir la calidad y el tamaño del archivo según las necesidades de tu integración o plataforma de destino.

¿Cuánto tarda en generarse el audio?

La velocidad es aproximadamente de tiempo real, generando unos 25 caracteres de texto por segundo de audio. Las frases cortas pueden tardar unos segundos. Bajo carga, las solicitudes pueden esperar en cola, ya que se procesan secuencialmente. El tiempo varía según la longitud del texto.

¿Se puede controlar la velocidad de la voz?

Sí, puedes ajustar la velocidad entre 0.25 y 4.0 mediante el campo 'speed' en la solicitud. Esto permite acelerar o ralentizar la voz generada según tus necesidades de contenido. El valor predeterminado es 1.0, manteniendo la velocidad natural de la voz seleccionada.

¿Qué idiomas soporta la tecnología?

Soporta 23 idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco y turco. Si no se especifica, el idioma se adivina por el script; para texto latino no inglés, define 'language'.

¿Es necesario programar para usar la API?

No es estrictamente necesario, pero se recomienda para automatización. Puedes usar curl, los SDKs oficiales de OpenAI (modificando la URL base) o cualquier cliente HTTP. La interfaz es estándar JSON, lo que facilita la integración en WordPress, blogs o aplicaciones mediante scripts simples o plugins personalizados.

¿Se pueden usar las voces para contenido comercial?

Sí, las voces están basadas en grabaciones con licencia CC BY 4.0 y audios de dominio público. Generas audio sintético con marca de agua invisible, adecuado para blogs, cursos o sitios web.

¿Qué pasa si hay un error en la solicitud?

Si la síntesis falla, la carga se devuelve completamente. No se te cobra por las solicitudes fallidas. Esto asegura que solo pagues por el audio generado con éxito. Recibirás una respuesta de error indicando la causa, permitiéndote corregir y reintentar la solicitud sin costo adicional.

¿Cómo se mide el consumo de caracteres?

El costo es de $10 por 1 millón de caracteres, lo que equivale a $0.01 por cada 1000 caracteres. Los espacios y la puntuación cuentan como caracteres. El consumo se mide por la longitud del texto enviado en el campo 'input' de cada solicitud exitosa.

¿Se puede ajustar el tono de la voz?

No se puede ajustar el tono directamente. Solo puedes variar la velocidad (0.25–4.0) y seleccionar entre 8 voces predefinidas con diferentes timbres. No hay control de entonación, emoción o afinación. Cada voz tiene un estilo fijo, como 'calm' o 'energetic', definido por el preset.

¿Es segura la transferencia de datos?

La API utiliza HTTPS para la transferencia de datos. La autenticación se realiza mediante un token Bearer en la cabecera. Los datos de la solicitud se envían de forma segura al endpoint. No se almacena el texto generado ni el audio, solo metadatos para facturación.

¿Se almacena el texto enviado?

El texto se usa solo para producir el audio y no se utiliza para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena. Solo se conservan los metadatos de la solicitud (hora, caracteres, estado) para fines de facturación y control de uso.

¿Qué es una marca de agua en el audio?

Cada archivo de audio generado incluye una marca de agua inaudible que lo identifica como voz sintética. Esta marca es invisible al oído humano pero permite detectar que el audio fue generado por nuestra API. Es una característica técnica de los archivos producidos por el servicio.

Solicitud de texto

Ilustración de onda de sonido para: Solicitud de texto

La API de texto a voz de VozTexto opera mediante un endpoint POST que acepta texto en formato JSON. Este enfoque estándar permite que las librerías HTTP comunes y los SDKs de OpenAI funcionen sin adaptaciones complejas, ideal para integraciones rápidas en entornos WordPress o blogs de freelancers.

Envío de texto en formato JSON

Se envía una solicitud con el campo input que contiene el texto a sintetizar, con un límite máximo de 4096 caracteres por petición. Los espacios y la puntuación cuentan como caracteres válidos para el cálculo de costos.

Selección de modelo y voz

El campo model admite "tts-1" o "tts-1-hd", utilizando el mismo motor y precio. Para la voz, se selecciona una de las 8 presets disponibles, como aria o felix, según el tono deseado para el contenido del blog.

Definición de parámetros

Se pueden ajustar el response_format (mp3, wav, opus, flac, pcm) y la speed entre 0.25 y 4.0. El idioma es opcional; si no se especifica, se deduce del script (el texto en latín se asume como inglés), aunque se recomienda definirlo explícitamente para textos en otros idiomas.

  • Formatos: mp3, wav, opus, flac, pcm
  • Velocidad: 0.25 a 4.0
  • Límite de texto: 4096 caracteres

Procesamiento del servidor

Ilustración de onda de sonido para: Procesamiento del servidor

Cuando recibimos tu solicitud, el servidor procesa el texto asignado a un modelo específico (tts-1 o tts-1-hd). Este motor convierte la entrada lingüística en ondas sonoras sintéticas utilizando voces basadas en grabaciones licenciadas (LibriTTS-R) y de dominio público (LibriVox).

Conversión de texto a audio

El sistema toma el campo input y lo procesa mediante el modelo seleccionado. No se requiere formato especial; solo texto plano hasta 4096 caracteres. La voz determina la timbre y el estilo de la síntesis.

Generación de archivo de audio

Se produce un archivo binario en el formato solicitado (mp3, wav, opus, flac, pcm). Cada solicitud genera un nuevo archivo único. No hay almacenamiento permanente del audio generado en nuestros servidores.

Aplicación de velocidad

El parámetro speed ajusta la duración entre 0.25 y 4.0. El procesamiento ocurre secuencialmente, por lo que textos largos pueden esperar en cola. La generación aproximada es de 25 caracteres por segundo.

Entrega del audio

Ilustración de onda de sonido para: Entrega del audio

Una vez procesado el texto, la API devuelve el archivo de audio generado directamente en la respuesta HTTP. No se requiere polling ni descargas externas; el contenido binario está listo para ser guardado o reproducido.

Respuesta con archivo binario

La respuesta contiene el archivo de audio codificado en el cuerpo del mensaje. Este formato binario puede ser escrito directamente a un disco local o transmitido al navegador del usuario final sin transformaciones adicionales.

  • Respuesta inmediata tras la síntesis
  • Formato binario directo en el cuerpo HTTP

Formatos de salida disponibles

Puedes seleccionar el formato que mejor se adapte a tu stack tecnológico. Los formatos soportados incluyen mp3, wav, opus, flac y pcm. Cada uno optimiza la relación entre calidad y tamaño de archivo para entornos web o de almacenamiento.

  • mp3: amplio soporte y compresión
  • wav: calidad sin pérdida
  • opus: alta eficiencia
  • flac: compresión sin pérdida
  • pcm: audio crudo

Cabeceras HTTP de respuesta

Las cabeceras de respuesta incluyen información técnica sobre el tipo de contenido y el formato entregado. Esto facilita la correcta interpretación del archivo por parte de librerías HTTP o navegadores, asegurando que el audio se maneje como un recurso multimedia válido.

  • Content-Type: audio específico
  • Metadata de la respuesta

Autenticación y límites

Ilustración de onda de sonido para: Autenticación y límites

La API se autentica mediante una única clave activa (tts-...) enviada en el encabezado Authorization: Bearer. Esta clave se gestiona desde el panel de control y puede renovarse en cualquier momento, invalidando la anterior al instante.

Uso de clave API

Envía la cabecera Authorization: Bearer <tu_clave> en cada solicitud POST. Una sola cuenta por sitio web mantiene un único identificador de acceso válido para todas las integraciones.

  • Una clave activa por cuenta.
  • Invalidación inmediata al generar una nueva.

Control de tasa de solicitudes

El límite estándar es de 60 solicitudes por minuto por clave. Antes de la primera recarga, este límite se reduce a 10 solicitudes por minuto para controlar el uso inicial.

  • 60 req/min tras top-up.
  • 10 req/min antes del primer pago.

Conteo de caracteres consumidos

Cada carácter (espacios y puntuación incluidos) cuenta como una unidad de facturación. La precisión es estricta: se cobra el texto enviado en el campo input, independientemente de la duración final del audio generado.

Manejo de errores

Ilustración de onda de sonido para: Manejo de errores

La API garantiza que si la síntesis falla, no se cobra el crédito. Los errores de servidor o de formato devuelven un código HTTP específico sin consumir caracteres, permitiendo reintentos inmediatos sin afectar la facturación.

Solicitudes fallidas sin costo

Si el servicio no puede generar el audio, el cargo se devuelve íntegramente. Esto incluye fallos internos o de validación, asegurando que solo se pague por audio entregado con éxito.

Retornos de estado HTTP

Las respuestas incluyen códigos estándar como 4xx para errores de cliente (ej. clave inválida) y 5xx para fallos del servidor. Esto facilita la integración robusta en scripts de WordPress o blogs.

Reintento de datos corruptos

Si el archivo binario resultante está dañado, el cliente puede solicitar un nuevo procesamiento. Si la solicitud original falló, el reintento no tiene costo adicional.

Integración técnica

Ilustración de onda de sonido para: Integración técnica

La integración técnica es directa: utiliza cualquier librería HTTP estándar (Requests, Fetch, Axios) para enviar la solicitud POST al endpoint de la API. No necesitas SDK propietario, solo configurar la URL base y enviar el JSON con el modelo, la voz y el texto.

Para WordPress o blogs, simplemente inserta las llamadas asíncronas en tu plugin o tema. El servidor devuelve el archivo de audio binario listo para reproducirse o guardar en tu medio library sin pasos adicionales de conversión.

Uso de librerías HTTP

Cualquier cliente HTTP moderno funciona. Configura la cabecera Authorization con tu clave tts-... y envía el payload JSON con los campos model, input y voice. Las librerías oficiales de OpenAI también sirven cambiando la base_url a https://api.getv777.com/v1.

  • Compatible con cualquier lenguaje que soporte HTTP POST.
  • No requiere instalación de paquetes específicos de VozTexto.
  • Usa la estructura estándar de la API de speech.

Ejemplos en cURL

Un ejemplo básico en cURL para generar audio en formato MP3 es: `curl -X POST https://api.getv777.com/v1/audio/speech -H "Authorization: Bearer TUS_CLAVE" -H "Content-Type: application/json" -d '{"model": "tts-1", "input": "Hola mundo", "voice": "nova", "response_format": "mp3"}' -o audio.mp3`

Adaptación a entornos web

En entornos como WordPress, maneja la respuesta binaria y guárdala directamente en el servidor o envíala al frontend para reproducción inmediata. Recuerda dividir textos largos en fragmentos de 4096 caracteres y unir los archivos resultantes para mantener la fluidez del contenido.

Calidad del audio

Ilustración de onda de sonido para: Calidad del audio

La calidad de voz se basa en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Cada preset, como Aria o Felix, captura matices específicos sin imitar a personas reales ni celebridades.

Todos los archivos generados incluyen una marca de agua inaudible que identifica claramente el audio como síntesis artificial, garantizando transparencia en su origen.

Voces basadas en grabaciones reales

Nuestras ocho voces están entrenadas con datos de dominio público y licencias claras. Esto asegura consistencia acústica sin depender de clonación personalizada ni diseño artificial de voz.

Marca de agua de síntesis

Cada archivo de audio contiene una marca de agua inaudible que marca el contenido como generado por IA. Esto permite la identificación técnica del origen sin afectar la escucha.

Claridad y naturalidad

El motor prioriza la inteligibilidad y el ritmo natural del habla. Aunque no usamos etiquetas de emoción, la prosodia se mantiene coherente para blogs y narraciones técnicas.

Calidad del audio

Idiomas y acentos

Ilustración de onda de sonido para: Idiomas y acentos

VozTexto soporta 23 idiomas, incluyendo inglés, español, alemán, japonés y árabe. Cada voz puede pronunciarse en cualquiera de estos idiomas sin restricciones adicionales, lo que facilita la internacionalización de contenido sin necesidad de gestionar múltiples modelos.

La detección automática funciona para la mayoría de los casos, pero no es infalible. Para garantizar la precisión fonética correcta, especialmente con lenguas latinas distintas al inglés, se recomienda especificar el idioma manualmente.

Soporte para 23 idiomas

El sistema maneja desde lenguas asiáticas como el chino y el coreano hasta idiomas europeos y africanos como el suajili. No hay restricciones de pares voz-idioma; todas las 8 voces disponibles pueden generar audio en cualquiera de los 23 idiomas soportados.

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

Detección automática

Si no se especifica el campo language, el sistema infiere el idioma basado en la script del texto. Por defecto, el texto en latín se asume como inglés. Estaheurística es suficiente para textos en inglés o español claro, pero puede fallar con mezclas de idiomas o dialectos.

Configuración manual de idioma

Para textos en latín que no sean inglés, o para idiomas no latinos, debes pasar el código ISO 639-1 en el campo language. Esto evita errores de pronunciación y asegura que la voz aplique la fonética correcta según la configuración técnica de la API.

Optimización de costos

Ilustración de onda de sonido para: Optimización de costos

El costo se calcula estrictamente por carácter, incluyendo espacios y puntuación, a $0.01 por cada 1.000 caracteres. Para optimizar gastos, elimina espacios extra y justifica el texto antes de enviarlo en el campo input.

Evita enviar la misma solicitud dos veces; las solicitudes fallidas son gratuitas, pero las exitosas se cobran. Usa un identificador único para rastrear cada petición y prevenir duplicados en tu integración.

Precisión en conteo de caracteres

Cada carácter cuenta en la facturación. Un texto de 4.000 caracteres consume 0.004 USD. Verifica la longitud antes de la llamada API para evitar exceder el límite de 4.096 caracteres y reducir el número de solicitudes necesarias.

  • Espacios y signos de puntuación se cuentan como caracteres.
  • El precio base es $10 por 1 millón de caracteres.

Evitar solicitudes duplicadas

Implementa lógica de idempotencia en tu código. Si una solicitud tarda más de lo esperado, no la reenvíes automáticamente sin verificar el estado, ya que podría haberse procesado correctamente.

Monitoreo de uso

Revisa tu panel de control regularmente para verificar el saldo restante y los caracteres consumidos. La API no tiene límites de gasto mensual, pero mantener un registro claro ayuda a prever necesidades de recarga en USDT.

  • Consulta el saldo en /get-api-key/.
  • Verifica el historial de caracteres consumidos.

Almacenamiento y datos

Ilustración de onda de sonido para: Almacenamiento y datos

La API de texto a voz de VozTexto procesa el texto enviado únicamente para generar el archivo de audio correspondiente. Una vez completada la síntesis, la entrada textual no se retiene ni se utiliza para entrenar modelos de lenguaje ni para mejorar algoritmos de forma generalizada.

Texto no se usa para entrenamiento

El contenido que envías a través de la API es efímero en su uso principal. Se consume exclusivamente para producir el resultado de audio solicitado y no se archiva para entrenar modelos de IA.

Audio no se almacena permanentemente

El archivo de audio generado se devuelve directamente en la respuesta de la solicitud HTTP. No se guarda en nuestros servidores de manera permanente tras la entrega, garantizando que no retengamos tus creaciones de audio.

Metadatos de facturación

Para garantizar la precisión en la facturación por uso real, conservamos los metadatos de la solicitud. Esto incluye el timestamp, la cantidad de caracteres consumidos y el estado de la solicitud, permitiendo un historial de consumo exacto.

Casos de uso comunes

Ilustración de onda de sonido para: Casos de uso comunes

La API de VozTexto se integra directamente en flujos de trabajo de WordPress o blogs para generar audio a partir de texto plano, permitiendo a los freelancers ofrecer contenido accesible sin depender de servicios de gran escala. El proceso es técnico y basado en uso real, con facturación precisa por caracteres consumidos.

Audiolibros automáticos

Convierte capítulos de libros o narraciones largas en archivos de audio mediante el envío de texto en fragmentos. El usuario debe dividir el texto en fragmentos de hasta 4096 caracteres y unir los archivos resultantes.

Noticias en audio

Genera archivos de audio a partir de entradas de texto plano para blogs o portales de noticias. Utilizando voces como atlas para un tono neutral o felix para dinamismo, se produce audio listo para reproducirse en el sitio web, manteniendo la claridad y el ritmo natural del lenguaje.

Accesibilidad web

Proporciona una capa de accesibilidad para lectores con dificultades de lectura o discapacidad visual, permitiendo la escucha de artículos y entradas de blog. Al enviar el texto mediante la API, se obtiene un archivo de audio descargable o reproductible directamente en la interfaz, mejorando la experiencia de usuario sin requerir streaming.

Limitaciones técnicas

Ilustración de onda de sonido para: Limitaciones técnicas

La API tiene restricciones técnicas específicas que debes considerar para integrar VozTexto en tus proyectos de WordPress o blogs. Conocer estos límites evita errores en la generación de audio y asegura un flujo de trabajo predecible.

Límite de 4096 caracteres

Cada solicitud solo acepta hasta 4096 caracteres de entrada. Si tu texto es más extenso, debes dividirlo en partes y unir los archivos de audio resultantes.

Sin SSML nativo

La API no interpreta etiquetas SSML para control de pausas o entonación. La entonación se basa en la configuración de la voz seleccionada.

Sin streaming en tiempo real

La respuesta devuelve el archivo completo una vez finalizada la síntesis. No hay transmisión de audio parcial ni conexión WebSocket para entrega inmediata.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Esto evita bloquear el hilo principal y permite que el contenido principal sea visible inmediatamente.

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. openai-python on GitHub
  3. FFmpeg documentation
  4. curl documentation
  5. ISO 639 language codes
  6. Python documentation
  7. LibriVox public-domain audiobooks
  8. Creative Commons Attribution 4.0
  9. Tether (USDT)
  10. IETF RFC 7845: Ogg Opus
  11. LibriTTS-R paper (arXiv 2305.18802)
  12. MDN: Web Speech API

Más en este sitio