API de texto a voz para chatbots y asistentes

Por Equipo editorial de VozViral API · Actualizado 2026-11-19

VozViral API es una solución REST diseñada para equipos de desarrollo que integran voces naturales en chatbots y asistentes virtuales empresariales. Proporciona consistencia acústica y control programático para automatizar interacciones con el usuario, permitiendo la generación de audio mediante texto mediante un endpoint estándar compatible con SDKs existentes.

Esta página detalla la arquitectura técnica, los 8 presets de voz disponibles y el modelo de precios por carácter. Aquí encontrará información sobre la cobertura multilingüe, la gestión de claves API para grandes equipos y los casos de uso específicos para la industria de asistentes de voz, asegurando una integración eficiente sin costes fijos mensuales.

API de texto a voz para chatbots y asistentes

Preguntas frecuentes

¿Qué es una API de texto a voz para chatbots?

Es un servicio REST que recibe texto y devuelve un archivo de audio mediante una solicitud POST. Envía el texto en formato JSON y recibe el audio generado, permitiendo la integración programática en flujos de diálogo automatizados sin necesidad de interfaces gráficas adicionales.

¿Qué voces humanas online están disponibles para asistentes virtuales?

Disponemos de ocho voces predefinidas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Cada preset ofrece un tono específico, desde narrador cálido hasta noticias neutrales, permitiendo seleccionar la voz que mejor se adapte a la identidad de tu asistente virtual.

¿Cuántos idiomas soporta la API TTS?

La API soporta 23 idiomas, incluyendo inglés, español, alemán, francés, japonés, chino y árabe. Cualquier voz puede hablar cualquiera de estos idiomas. Si no se especifica el idioma, se infiere del script, aunque se recomienda definirlo explícitamente para textos en latinos no ingleses.

¿Cuál es el límite de caracteres por solicitud?

Cada solicitud acepta hasta 4096 caracteres de texto en el campo input. Para textos más largos, debe dividirse en partes de este tamaño y unir los archivos de audio resultantes. Los espacios y la puntuación cuentan como caracteres dentro de este límite.

¿Se puede controlar la velocidad de la voz generada?

Sí, el parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto permite acelerar o ralentizar la generación de audio según las necesidades del flujo de interacción con el usuario, manteniendo la claridad de la síntesis en los rangos permitidos.

¿Qué formatos de audio se pueden solicitar?

Se pueden solicitar cinco formatos: mp3, wav, opus, flac y pcm. Estos formatos se especifican en el campo response_format de la solicitud JSON. La elección depende de los requisitos de compresión y compatibilidad del sistema de destino del audio generado.

¿Cómo se determina el precio del servicio?

El costo es de $10 por cada millón de caracteres, lo que equivale a $0.01 por 1.000 caracteres. Se cobra por el número total de caracteres enviados, incluyendo espacios y puntuación. Las solicitudes fallidas no generan cargo y el saldo se devuelve íntegramente.

¿Se almacena el texto o el audio generado?

El texto de entrada se utiliza únicamente para producir el audio y no se usa para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena en nuestros servidores. Solo se conservan metadatos de la solicitud para fines de facturación.

¿Qué ocurre si una solicitud de síntesis falla?

Si la síntesis falla, la carga se devuelve en su totalidad. No se descuenta saldo del usuario por las solicitudes que no se completan correctamente. Esto asegura que solo se pague por el audio generado con éxito durante la operación.

¿Se puede usar la API para llamadas automatizadas?

Sí, es adecuada para llamadas automatizadas al generar archivos de audio mediante solicitudes POST. Dado que las solicitudes se procesan secuencialmente bajo carga, el tiempo de generación puede variar. Se recomienda gestionar la cola de solicitudes para mantener la fluidez en las llamadas.

¿Es necesaria una clave API para cada entorno de desarrollo?

Cada cuenta tiene una clave activa. Puede emitir una nueva clave en cualquier momento, lo que invalida la anterior inmediatamente. Esto permite rotar credenciales entre entornos de desarrollo y producción sin necesidad de múltiples cuentas, aunque solo una clave está activa a la vez.

¿Cuánto tarda en generarse el audio?

Típicamente, la generación es aproximadamente 25 caracteres por segundo para textos largos. Las frases cortas pueden tardar unos segundos. Las solicitudes se procesan en cola, por lo que bajo carga alta, el tiempo de respuesta puede aumentar significativamente.

¿Se puede cambiar la clave API si se compromete?

Sí, puede emitir una nueva clave desde su panel de cuenta en cualquier momento. La clave antigua deja de funcionar inmediatamente al generar la nueva. Esto permite una revocación rápida y segura en caso de que la credencial anterior sea comprometida.

¿Qué significa que el audio lleva marca de agua invisible?

Cada archivo de audio generado contiene una marca de agua inaudible que identifica el contenido como voz sintética. Esto permite verificar el origen del audio sin afectar la experiencia auditiva del usuario final, marcando claramente que no es una grabación humana natural.

Primera solicitud

curl

curl https://api.tikviral.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Voces naturales para interacción conversacional

Ilustración de onda de sonido para: Voces naturales para interacción conversacional

La API de VozViral ofrece ocho voces predefinidas, diseñadas para ofrecer claridad y consistencia acústica en interacciones conversacionales automatizadas. Cada voz está basada en grabaciones con licencia, garantizando una calidad de audio uniforme para la integración en aplicaciones empresariales.

Voces femeninas: aria, nova, luna y sage

Voces femeninas: aria, nova, luna y sage

Aria proporciona una narración clara y cálida, ideal para instrucciones estructuradas. Nova ofrece un tono brillante y enérgico, adecuado para respuestas rápidas. Luna se adapta a narrativas suaves, mientras que Sage transmite calma en contextos instruccionales.

  • Aria: narración clara
  • Nova: tono enérgico
  • Luna: narrativa suave
  • Sage: tono calmado

Voces masculinas: felix, milo, atlas y orion

Felix es dinámico y eficaz para promociones. Milo mantiene una conversación amigable y directa. Atlas ofrece neutralidad para boletines de noticias, y Orion aporta profundidad para documentales o explicaciones detalladas.

  • Felix: promociones
  • Milo: conversacional
  • Atlas: neutral/noticias
  • Orion: documental

Adaptación al contexto: narración, noticias y promociones

Cada preset está optimizado para un tono específico, permitiendo la selección programática según el tipo de interacción. Esta variedad garantiza que el asistente virtual mantenga una identidad de voz coherente con su función dentro del ecosistema de la aplicación.

Escalabilidad para grandes equipos de desarrollo

Ilustración de onda de sonido para: Escalabilidad para grandes equipos de desarrollo

La API REST sigue el esquema de solicitud de la interfaz de voz de OpenAI, lo que permite reutilizar SDKs oficiales modificando únicamente la URL base. Esta compatibilidad reduce el tiempo de integración y estandariza las llamadas HTTP en entornos de microservicios.

API REST compatible con SDKs existentes

Al configurar el punto final https://api.tikviral.info/v1 y autenticar con un token Bearer, los equipos pueden enviar texto y recibir audio sin adaptar librerías complejas. Esta estructura facilita la integración en flujos de chatbots y asistentes virtuales que ya utilizan protocolos estándar.

Gestión de claves y límites de tasa (60 req/min)

Cada cuenta opera con una única clave activa que garantiza un control centralizado de la facturación y el acceso. El límite de 60 solicitudes por minuto gestiona la concurrencia, pero las solicitudes se procesan secuencialmente y pueden esperar en una cola bajo carga.

Formatos de audio: mp3, wav, opus, flac, pcm

La API permite especificar el formato de respuesta mediante el campo response_format, adaptando el archivo generado a las capacidades de reproducción de cada plataforma o dispositivo cliente sin necesidad de conversiones posteriores.

  • mp3 para compatibilidad universal
  • wav para alta fidelidad
  • opus para eficiencia de ancho de banda
  • flac para pérdida cero
  • pcm para procesamiento raw

Cobertura lingüística multilingüe

Ilustración de onda de sonido para: Cobertura lingüística multilingüe

La API de VozViral procesa texto en 23 idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, swahili, sueco y turco. Cualquier voz puede generar audio en cualquiera de estos idiomas, lo que permite estandarizar la infraestructura de audio para equipos internacionales sin gestionar múltiples motores de síntesis.

Soporte para 23 idiomas y dialectos específicos

El sistema soporta exclusivamente la lista verificada de 23 idiomas. No incluye vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otras variantes no listadas. Esta delimitación garantiza que los equipos de desarrollo puedan desplegar asistentes virtuales en mercados específicos con la certeza técnica de la compatibilidad lingüística sin sorpresas en la generación de audio.

  • Idiomas soportados: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, swahili, sueco, turco.
  • Límite claro: vietnamita, indonesio, tailandés, ucraniano, rumano, checo y bengalí no están disponibles.

Detección automática vs. especificación de idioma

Si no se especifica el campo language, el sistema infiere el idioma basado en el script del texto (por defecto, texto en latín se asume inglés). Para textos en idiomas latinos distintos al inglés, es obligatorio definir language con el código ISO correspondiente para asegurar la pronunciación correcta. Esto evita errores comunes en la síntesis de voz en entornos empresariales multilingües.

Idiomas no soportados: vietnamita, tailandés, ucraniano

Los idiomas vietnamita, indonesio, tailandés, ucraniano, rumano, checo y bengalí no son compatibles con la API. Si su aplicación requiere estos idiomas, deberá integrar un proveedor adicional o gestionar la falta de soporte como un requisito de diseño. La lista de idiomas es fija y no incluye dialectos menores no especificados en la documentación técnica.

Modelo de precios transparente

Ilustración de onda de sonido para: Modelo de precios transparente

El modelo de facturación se basa estrictamente en el volumen de texto procesado. Cada solicitud consume caracteres del saldo disponible, lo que permite predecir costes exactos según el tráfico de voz de la aplicación.

La ausencia de planes mensuales o cuotas fijas elimina el riesgo de pagar por capacidad no utilizada. Solo se cobra por lo que se genera, con ajustes automáticos según el uso real.

Coste por caracteres generados ($10 por 1M de caracteres)

El precio es de 0,01 USD por cada 1.000 caracteres, incluyendo espacios y puntuación. Una prueba de 50.000 caracteres (equivalente a $0,50) permite validar la integración sin compromisos de pago.

  • Coste fijo: $10 por 1 millón de caracteres.
  • Espacios y signos de puntuación cuentan como caracteres.
  • Las solicitudes fallidas se devuelven íntegramente sin cargo.

Prueba gratuita con $0,50 de crédito

Al registrarse con Google se obtienen $0,50 de crédito válido por 7 días. Las cuentas creadas con correo electrónico y contraseña comienzan sin crédito de prueba. Este saldo permite evaluar la calidad del audio antes de realizar una recarga.

  • $0,50 de crédito inicial para cuentas con Google.
  • Validez de 7 días desde la activación.
  • Saldo no expirado una vez recargado.

Pago mediante USDT (TRC-20) sin suscripciones mensuales

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5 y el saldo se acredita automáticamente en minutos. No se aceptan tarjetas, PayPal ni facturas con IVA, eliminando la complejidad administrativa recurrente.

  • Moneda: USDT en red TRC-20.
  • Monto mínimo de recarga: $5.
  • Sin suscripciones, facturas ni cargos recurrentes.

Calidad y consistencia acústica

Ilustración de onda de sonido para: Calidad y consistencia acústica

Las solicitudes se procesan secuencialmente, por lo que bajo carga pueden esperar en una cola, lo que afecta la latencia. El rendimiento típico se aproxima al tiempo real, procesando aproximadamente 25 caracteres de texto por segundo de audio generado, lo que facilita la sincronización en interacciones conversacionales.

Velocidad de generación similar al tiempo real

En textos largos, la generación mantiene una velocidad constante, aunque las solicitudes se procesan en cola bajo carga. Para frases cortas, el tiempo de respuesta puede variar debido al procesamiento secuencial, pero la consistencia acústica se mantiene en cada fragmento.

  • Procesamiento secuencial para garantizar orden cronológico
  • Aprox. 25 caracteres por segundo de audio
  • Cola de solicitudes bajo alta demanda

Marcado de agua invisible en archivos de audio

Cada archivo de audio generado incluye una marca de agua inaudible que identifica claramente el contenido como habla sintética. Este mecanismo asegura la trazabilidad del origen del audio sin afectar la calidad perceptual para el usuario final en aplicaciones empresariales.

Sin almacenamiento de audio generado

El audio generado se devuelve directamente en la respuesta de la API y no se almacena en nuestros servidores tras la entrega. Solo se conservan los metadatos de la solicitud (tiempo, caracteres, estado) para fines de facturación y auditoría, minimizando la retención de datos de voz.

Calidad y consistencia acústica

Arquitectura técnica para integración rápida

Ilustración de onda de sonido para: Arquitectura técnica para integración rápida

La integración se basa en un endpoint REST estándar que acepta texto y devuelve audio en formato JSON. Este diseño permite que los SDKs de OpenAI funcionen modificando la URL base, facilitando la migración de equipos que ya utilizan estas librerías en sus entornos de producción.

Endpoint POST /v1/audio/speech

El servicio expone una única ruta para la síntesis. Se envía un cuerpo JSON con el campo input (texto a convertir), voice (uno de los 8 presets) y model ("tts-1" o "tts-1-hd"). El formato de salida se especifica con response_format.

División automática de textos largos

Cada solicitud soporta hasta 4096 caracteres. Para textos superiores, la lógica de integración debe dividir el input en fragmentos manejables y concatenar los archivos de audio resultantes para mantener la coherencia narrativa.

Autenticación mediante Bearer Token

La seguridad se gestiona mediante un único token activo por cuenta en el encabezado Authorization: Bearer tts-.... La emisión de un nuevo token invalida inmediatamente al anterior, simplificando la gestión de acceso en entornos distribuidos.

Casos de uso en asistentes virtuales

Ilustración de onda de sonido para: Casos de uso en asistentes virtuales

La API permite generar respuestas de voz contextualizadas para chatbots de atención al cliente, manteniendo la consistencia acústica en interacciones automatizadas. Con un límite de 60 solicitudes por minuto y un coste de $0.01 por mil caracteres, se integra mediante HTTP estándar sin necesidad de SDKs propietarios.

Respuestas automáticas en chatbots de servicio

El endpoint POST /v1/audio/speech recibe el texto generado por el bot y devuelve audio en formato mp3 o wav. Permite una integración directa con pipelines de mensajería existentes mediante HTTP estándar.

Notificaciones por voz en aplicaciones móviles

Las aplicaciones pueden solicitar audio bajo demanda para notificaciones críticas. Dado que las solicitudes se procesan secuencialmente, el sistema gestiona la concurrencia mediante una cola sin requerir streaming WebSocket.

Accesibilidad en portales corporativos

Los portales internos utilizan voces como atlas o milo para leer contenido informativo. Al no almacenar los archivos generados, se optimiza el almacenamiento mientras se cumple con la disponibilidad de contenido auditivo para usuarios con discapacidad visual.

Gestión de voz para empresas

Ilustración de onda de sonido para: Gestión de voz para empresas

VozViral API permite asignar voces específicas según la función dentro del ecosistema de la empresa, garantizando una identidad acústica coherente. Por ejemplo, se puede configurar a Atlas para las noticias corporativas y a Luna para la narración de historias en aplicaciones.

El control programático de la velocidad (0.25–4.0x) y la selección de formato (mp3, wav, opus, flac, pcm) aseguran que el audio se adapte técnicamente a cada plataforma, optimizando el ancho de banda y la latencia sin sacrificar la claridad de la voz.

Selección de voz por rol o departamento

La API ofrece ocho presets diseñados para distintos tonos: desde la neutralidad de Atlas en noticias hasta la calidez de Aria en narración. Esto permite a los equipos definir roles de voz consistentes para chatbots de servicio o asistentes móviles.

  • Aria: narradora clara
  • Atlas: neutral para noticias
  • Luna: suave para historias
  • Felix: energético para promociones

Control de velocidad (0.25–4.0x)

Ajustar la velocidad de síntesis permite optimizar la experiencia del usuario según el contexto. Valores más altos pueden agilizar notificaciones, mientras que velocidades reducidas mejoran la comprensibilidad en guías de accesibilidad o instrucciones complejas.

Formatos optimizados para diferentes plataformas

Seleccione el formato de salida adecuado para cada integración. MP3 y OPUS son eficientes para redes móviles, mientras que WAV y FLAC ofrecen alta fidelidad para sistemas de audio profesional. PCM está disponible para procesamiento crudo.

  • MP3: eficiencia general
  • OPUS: eficiencia de ancho de banda
  • WAV/FLAC: alta fidelidad
  • PCM: procesamiento crudo

Ventajas frente a soluciones tradicionales

Ilustración de onda de sonido para: Ventajas frente a soluciones tradicionales

No existen licencias anuales ni planes mensuales. Nuestro modelo elimina los planes cerrados y los costes fijos mensuales, adaptándose a la variabilidad natural del tráfico de los asistentes virtuales sin penalizaciones por inactividad.

La facturación es estrictamente proporcional al uso real. Se cobra $10 por cada millón de caracteres generados, con cero gastos ocultos ni compromisos de permanencia, garantizando que el presupuesto corresponda únicamente al volumen de síntesis efectivamente consumido.

Sin costes fijos mensuales ni planes cerrados

La estructura elimina las suscripciones obligatorias y los costes mínimos de mantenimiento. Esto permite a los equipos de desarrollo integrar la voz en sus pipelines sin asumir riesgos financieros por picos de demanda estacionales o periodos de baja actividad.

Facturación proporcional al uso real

El coste es lineal: $0.01 por cada 1.000 caracteres. No existen tarifas de licencia ni cargos por número de usuarios. El sistema garantiza que el gasto reflejado en la cuenta corresponde exactamente al volumen de audio sintetizado y entregado.

Integración mediante HTTP estándar

La API utiliza métodos REST estándar sobre HTTPS. Esto facilita la conexión con cualquier sistema legacy o moderno sin necesidad de adaptadores propietarios, reduciendo la complejidad técnica en la infraestructura de los chatbots.

  • Compatible con bibliotecas HTTP estándar en cualquier lenguaje.
  • Formatos de audio listos para reproducción inmediata.
  • Autenticación mediante token Bearer simple.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. No existe streaming ni transmisión en tiempo real; el audio se genera completo y se devuelve en la respuesta.

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. curl documentation
  3. openai-node on GitHub
  4. W3C WAI: making audio and video accessible
  5. IETF RFC 7845: Ogg Opus
  6. Node.js documentation
  7. openai-python on GitHub
  8. LibriVox public-domain audiobooks
  9. OpenAI API reference: create speech
  10. LibriTTS-R corpus (OpenSLR 141)
  11. MDN: Web Speech API
  12. Tether (USDT)

Más en este sitio