Preguntas frecuentes
¿Cuál es la voz más adecuada para un chatbot de ventas?
Felix es la voz masculina diseñada con un tono energético y promocional, ideal para ventas. Nova, la voz femenina, ofrece un tono brillante y optimista. Ambas están optimizadas para interacciones comerciales y pueden configurarse con velocidades entre 0.25 y 4.0 para adaptarse al flujo de la conversación del chatbot.
¿Puede una voz masculina hablar francés?
Sí. Las ocho voces están diseñadas para hablar cualquiera de los 23 idiomas soportados, incluido el francés. Puede asignar cualquier voz masculina, como Felix o Milo, para generar audio en francés especificando el código ISO 'fr' en el campo language de la solicitud API.
¿Qué voz es mejor para noticias en directo?
Atlas es la voz masculina neutral, diseñada específicamente para noticias. Su tono claro y directo facilita la transmisión de información factual. Al ser una voz predefinida, garantiza consistencia acústica en la automatización de interacciones, sin necesidad de ajustes complejos de configuración para cada emisión.
¿Se puede mezclar dos voces en una sola respuesta?
No. La API genera audio utilizando una única voz por solicitud. Para mezclar voces, debe realizar múltiples solicitudes POST a /v1/audio/speech, especificando la voz deseada en cada una, y luego unir los archivos de audio resultantes mediante su propia lógica de procesamiento.
¿Qué voz se recomienda para personas mayores?
Sage es la voz femenina con tono calmado e instruccional, y Aria es clara y narrativa. Su claridad y ritmo estable facilitan la comprensión. Puede reducir la velocidad a valores cercanos a 1.0 para mejorar la legibilidad auditiva, asegurando que la información sea accesible.
¿Es Aria más lenta que Nova?
No. La velocidad de la voz depende del parámetro 'speed' enviado en la solicitud, no de la voz en sí. Ambas voces, Aria y Nova, pueden reproducirse a cualquier velocidad entre 0.25 y 4.0. Su interpretación vocal es inherente, pero la velocidad es configurable.
¿Por qué usar Atlas en lugar de Felix?
Atlas ofrece un tono neutral y serio, ideal para noticias o información factual. Felix es energético y promocional, adecuado para ventas. Elija Atlas si busca objetividad y claridad informativa; elija Felix si desea transmitir entusiasmo y dinamismo comercial en sus interacciones con el usuario.
¿Se puede ajustar el tono de la voz?
No. La API no soporta etiquetas de emoción ni ajuste fino del tono. El tono está determinado por la selección de la voz predefinida (por ejemplo, Aria es clara, Felix es energético). Puede ajustar la velocidad (0.25–4.0) y el idioma, pero no el matiz emocional.
¿Cuál es el formato de audio más claro?
El formato WAV ofrece audio sin pérdida. FLAC también es sin pérdida. MP3 y OPUS son con pérdida. MP3 y OPUS son con pérdida. Para aplicaciones empresariales que requieren fidelidad acústica estricta, WAV es la opción recomendada, aunque ocupa más espacio que MP3.
¿Las voces son diferentes en inglés y español?
No. Las ocho voces base (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) son las mismas para todos los idiomas. Cada voz puede hablar cualquiera de los 23 idiomas soportados. La diferencia radica en la entonación y fonética adaptada al idioma seleccionado en la solicitud.
¿Se puede cambiar la voz de un usuario específico?
Sí, programáticamente. Cada solicitud a la API incluye el campo 'voice', permitiendo asignar una voz distinta por usuario o contexto. Puede gestionar las preferencias de voz en su base de datos y enviar la voz deseada en cada llamada a /v1/audio/speech según el usuario.
¿Qué voz tiene menos acento regional?
Atlas es la voz neutral, diseñada para minimizar rasgos regionales, ideal para noticias. Aria es clara y narrativa. Para reducir acentos, especifique el código ISO del idioma (por ejemplo, 'en' para inglés general o 'es' para español general) en el campo language de la solicitud.
¿Son las voces lo suficientemente naturales para uso comercial?
Sí. Las voces están basadas en grabaciones de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Cada archivo generado lleva una marca de agua invisible que lo identifica como voz sintética, lo cual es transparente para el uso comercial y cumple con estándares de claridad.
¿Hay alguna voz que no soporte el idioma alemán?
No. Todas las ocho voces (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) pueden hablar alemán. El idioma alemán está soportado junto con otros 22 idiomas. Puede asignar cualquier voz y especificar 'de' en el campo language para generar audio en alemán con alta fidelidad.
Voces femeninas: Aria, Nova, Luna, Sage
Las voces femeninas de VozViral API están diseñadas para ofrecer claridad y consistencia en la interacción con el usuario. Cada preset tiene un carácter acústico específico que facilita la identificación de la marca en aplicaciones de asistencia y automatización.
Estas voces son compatibles con los 23 idiomas soportados y pueden ajustarse en velocidad para adaptarse al contexto de la conversación. Su uso programático permite mantener una identidad sonora uniforme en toda la experiencia del usuario.
Aria: Narradora clara y cálida
Aria es la opción ideal para narraciones informativas que requieren una entrega clara y profesional. Su tono cálido facilita la comprensión en guiones largos o explicaciones técnicas dentro de asistentes virtuales.
Nova: Tono brillante y energético
Nova ofrece un sonido vibrante y dinámico, adecuado para notificaciones urgentes o interacciones que requieren atención inmediata. Su energía natural mantiene al usuario comprometido durante secuencias de diálogo activas.
Luna: Suave y narrativa para historias
Luna está optimizada para la narración de contenido continuo, como audioguías o relatos en aplicaciones de entretenimiento. Su suavidad reduce la fatiga auditiva en sesiones prolongadas de uso del asistente.
Voces masculinas: Felix, Milo, Atlas, Orion
Las voces masculinas de VozViral API cubren escenarios específicos de interacción automatizada. Cada preset ofrece un tono acústico definido para garantizar coherencia en la identidad sonora de tu asistente.
Felix: Energético para promociones
Felix está diseñado para contenido de marketing y avisos urgentes. Su timbre enérgico capta la atención del usuario en entornos de alto ruido o en notificaciones rápidas.
- Ideal para anuncios de ventas.
- Tono dinámico y directo.
Milo: Conversacional y amigable
Milo ofrece un registro natural para diálogos de servicio al cliente. Su tono amigable facilita la percepción de una interacción humana sin resultar artificial.
- Recomendado para soporte técnico.
- Lenguaje cercano y fluido.
Atlas: Neutral y preciso para noticias
Atlas proporciona una entrega clara y sin distorsiones emocionales. Es el estándar para lectura de noticias, informes financieros o datos técnicos donde la neutralidad es crítica.
- Voz neutra y profesional.
- Alta claridad en datos.
Criterios de selección por industria
La elección de la voz sintética depende del contexto de interacción y del tipo de información que se transmite al usuario final. En equipos grandes, la consistencia acústica refuerza la identidad de la marca sin requerir ajustes manuales constantes.
Cada industria tiene requisitos específicos de claridad, tono y ritmo que las ocho voces predefinidas cubren de manera determinante. La selección correcta impacta directamente en la comprensión y la retención del usuario.
Servicio al cliente: Milo o Sage
Milo ofrece un tono conversacional y amigable, ideal para respuestas rápidas y resolución de incidencias comunes donde la cercanía reduce la fricción.
Sage proporciona un estilo calmado e instruccional, adecuado para guiar al usuario paso a paso en procesos más largos o complejos, asegurando que la información se procese sin estrés.
- Priorizar la claridad en instrucciones repetitivas
- Reducir la carga cognitiva del usuario
Información financiera: Atlas o Luna
Atlas transmite neutralidad y precisión, lo que genera confianza al presentar datos financieros o confirmaciones de transacciones donde la exactitud es crítica.
Luna aporta un estilo suave y narrativo, útil para explicar conceptos financieros o recordatorios de pagos de manera menos mecánica y más comprensiva.
- Garantizar neutralidad en datos sensibles
- Mejorar la comprensión de conceptos complejos
Marketing: Felix o Nova
Felix destaca por su energía y tono promocional, ideal para anuncios, ofertas limitadas o llamadas a la acción que requieren dinamismo.
Nova ofrece un tono brillante y optimista, perfecto para presentaciones de productos o campañas que buscan transmitir vitalidad y modernidad.
- Refuerzar el mensaje de marca
- Aumentar la atención en anuncios breves
Compatibilidad de voces con idiomas
La API de VozViral permite que cualquier voz disponible —ya sea Aria, Felix o Milo— pronuncie texto en cualquiera de los 23 idiomas soportados. Esta independencia entre el timbre vocal y la lengua facilita la estandarización acústica en equipos globales, ya que una misma voz puede mantener su identidad de marca sin importar si el usuario interactúa en español, japonés o alemán.
Todas las voces hablan los 23 idiomas soportados
El motor de síntesis no restringe la lengua al género de la voz. Esto permite asignar una voz fija (por ejemplo, "atlas" para noticias) independientemente del idioma de entrada, garantizando consistencia en la experiencia del usuario final a través de múltiples mercados.
- 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 basada en el script
Si no se especifica el campo language, el sistema infiere el idioma a partir del script del texto. Por defecto, el texto en latín se asume como inglés. Esta detección funciona correctamente para secuencias monolingües claras.
Importancia de definir el idioma explícitamente
Para textos en latín que no son inglés (ej. alemán o francés), es obligatorio pasar el código ISO en el campo language. Sin esta especificación, la IA interpretará erróneamente el texto como inglés, alterando la pronunciación y la fluidez de la respuesta del asistente.
Configuración de velocidad para chatbots
La velocidad de síntesis (speed) permite ajustar la duración de la respuesta en función del contexto de la interacción. El rango soportado va de 0.25 a 4.0 veces la velocidad normal, ofreciendo control programático sobre el ritmo de entrega sin afectar la claridad de las voces predefinidas.
Velocidad normal para conversaciones naturales
Establecer speed en 1.0 (o omitirlo) mantiene el ritmo estándar de las voces como Milo o Sage. Esta configuración es ideal para diálogos conversacionales donde se espera una respuesta inmediata y natural, manteniendo la coherencia acústica en la interacción usuario-asistente.
Aceleración para notificaciones rápidas
Para notificaciones de estado o confirmaciones de transacciones, aumentar la velocidad (ej. 1.5x o 2.0x) reduce la latencia percibida. Esto es eficiente cuando el contenido es breve y la prioridad es la rapidez de entrega sobre la entonación expresiva.
Ralentización para accesibilidad cognitiva
Reducir la velocidad (ej. 0.75x o 0.5x) mejora la comprensión para usuarios con dificultades cognitivas o auditivas. Voces como Sage o Luna mantienen su claridad narrativa a velocidades bajas, facilitando la recepción de instrucciones complejas sin distorsión notable.
Formatos de audio según plataforma
La selección del formato de audio impacta directamente en la eficiencia del ancho de banda y la experiencia del usuario final. Cada formato ofrece un equilibrio distinto entre calidad, tamaño de archivo y latencia, adaptándose a las restricciones técnicas de la plataforma de destino.
MP3 para optimización de ancho de banda
El formato MP3 es ideal para reducir el consumo de datos en aplicaciones móviles o webs con conectividad variable. Su compresión con pérdida permite mantener una calidad audible aceptable mientras se minimiza el tamaño del archivo descargado por el cliente.
- Reducce el uso de datos móviles
- Amplia compatibilidad con reproductores estándar
WAV para alta fidelidad en entornos locales
WAV ofrece audio sin comprimir, preservando la fidelidad original de la síntesis. Es el formato recomendado para sistemas de avisos locales o infraestructuras on-premise donde el ancho de banda no es una restricción crítica y se prioriza la integridad acústica.
OPUS para eficiencia en llamadas
OPUS es un formato soportado que ofrece buena relación calidad-tamaño. No existe streaming ni transmisión en tiempo real; el audio se genera completo y se devuelve en la respuesta.
Coherencia de marca con la voz
La coherencia de marca con la voz sintética requiere una selección estratégica y fija de la identidad sonora. En aplicaciones empresariales, la consistencia en el tono refuerza el reconocimiento de la marca sin depender de variaciones subjetivas de cada sesión de síntesis.
La API permite definir una voz predeterminada por usuario o rol, garantizando que cada interacción mantenga el mismo carácter acústico. Esto es crítico para asistentes de voz que operan en entornos de alta automatización.
Consistencia en el tono de voz
Utilizar la misma voz para todas las interacciones de un mismo servicio (por ejemplo, Atlas para noticias financieras o Milo para atención al cliente) asegura que el usuario asocie un carácter específico con la marca.
La API REST no cambia la voz entre llamadas consecutivas a menos que el parámetro voice se modifique explícitamente. Esta previsibilidad permite crear identidades sonales estables para diferentes líneas de producto.
- Mantener la misma voz para un mismo flujo de conversación.
- Documentar la voz elegida en la configuración del asistente.
- Evitar mezclar voces masculinas y femeninas en un mismo módulo funcional.
Selección de voz según demografía del usuario
La decisión de voz debe basarse en la audiencia objetivo del asistente, no en preferencias aleatorias. Por ejemplo, Sage puede resultar más adecuado para guías instruccionales, mientras que Orion es preferible para documentales o narrativas profundas.
Esta selección debe configurarse al inicio de la sesión del usuario y mantenerse constante para evitar disonancias cognitivas.
- Definir una voz primaria por segmento de usuario.
- Validar la claridad de la voz en el contexto de uso previsto.
- Considerar el género percibido para alinear expectativas del usuario.
Evitar cambios bruscos de voz en una sesión
Cambiar de voz a mitad de una respuesta o entre mensajes consecutivos dentro de la misma sesión puede fragmentar la experiencia del usuario. Es preferible usar un único preset de voz para toda la interacción.
Si se requieren múltiples voces, deben distinguirse claramente por contexto (por ejemplo, una voz para el asistente y otra para un notificación externa), pero no alternarse aleatoriamente.
- Unificar la voz en toda una transacción de usuario.
- Usar cambios de voz solo para marcar cambios de contexto claros.
- Evitar transiciones abruptas sin indicación sonora previa.

Limitaciones en la personalización
La API VozViral ofrece ocho voces predefinidas seleccionadas por su calidad acústica y coherencia, pero no permite crear voces nuevas a partir de grabaciones propias. Esto limita la personalización profunda para marcas que requieren una identidad sonora única más allá de la selección estándar.
No se puede clonar una voz personalizada
No existe la capacidad de subir una muestra de audio para replicar un timbre vocal específico. Cada solicitud genera audio con una de las ocho voces base, lo que garantiza consistencia pero elimina la personalización de clonación.
No hay control de emociones específicas
Las voces no admiten etiquetas de emoción (alegría, tristeza, urgencia) ni ajustes dinámicos de entonación. El tono es fijo según la configuración de la voz elegida (por ejemplo, "energético" para Felix o "calmado" para Sage).
Las voces son predefinidas y fijas
La biblioteca consta de ocho presets que no se modifican dinámicamente. Si se requiere un cambio de identidad vocal, debe implementarse cambiando el parámetro voice en la llamada API, no ajustando parámetros internos de la voz.
Pruebas de A/B con diferentes voces
Implementa pruebas A/B en tu flujo de TTS enviando diferentes valores de voice a la misma entrada de texto y midiendo la interacción del usuario. Al mantener constante el contenido semántico, puedes aislar el impacto acústico de cada preset en la aceptación de la llamada o la respuesta del asistente.
Registra la voz asignada junto con los eventos de usuario para correlacionar el rendimiento con parámetros como speed y response_format. Este enfoque permite identificar qué combinación vocal y técnica maximiza la retención sin depender de suposiciones subjetivas sobre la preferencia del usuario.
Método para comparar engagement
Distribuye tráfico aleatorio entre dos voces contrastantes, como Milo para un tono conversacional y Atlas para uno neutral. Mide la tasa de finalización de la interacción o la tasa de clics subsiguientes en la aplicación cliente para determinar cuál genera más adherencia.
- Asigna tráfico 50/50 entre las voces candidatas.
- Mantener constante el texto y la velocidad para aislar la variable vocal.
- Registrar el ID de la voz utilizada en cada respuesta de audio.
Métricas de retención por tipo de voz
Calcula la persistencia del usuario en la sesión tras la reproducción del audio. Compara la duración promedio de las llamadas o la frecuencia de retorno cuando se utiliza una voz específica frente a otra durante un período de prueba definido.
- Monitorear la duración media de la interacción.
- Analizar la frecuencia de retorno del usuario.
- Correlacionar la voz con la tasa de abandono.
Evaluación de claridad en ruido ambiental
Prueba la inteligibilidad de las voces seleccionadas en entornos con ruido de fondo. Utiliza formatos como MP3 u OPUS y ajusta la speed para verificar si la claridad se mantiene, asegurando que la síntesis sea comprensible en condiciones reales de uso.
- Simular ruido de fondo en las pruebas de usuario.
- Verificar la comprensión del mensaje con diferentes velocidades.
- Ajustar el formato de audio según la capacidad de compresión.
Accesibilidad y voz sintética
La presencia de una marca de agua inaudible en cada archivo generado permite identificar el origen sintético de la voz, lo cual es relevante para la transparencia ante el usuario final. Considera permitir que el usuario elija su preferencia vocal para mejorar la accesibilidad.
Esta transparencia cumple con las expectativas de claridad en el uso de IA, sin necesidad de intervención humana directa. Asegura que la voz seleccionada no cause fatiga auditiva durante el uso prolongado de la aplicación.
- Incluir metadatos que indiquen la generación automática.
- Ofrecer opciones de preferencia vocal al usuario.
- Documentar el uso de marcas de agua en la interfaz.
Accesibilidad y voz sintética
La integridad de la experiencia auditiva en asistentes de voz depende de la capacidad del usuario para distinguir entre contenido humano y generado por algoritmos. Nuestra API incorpora una marca de agua inaudible en cada archivo de audio sintetizado, garantizando que la naturaleza artificial del audio sea técnicamente identificable sin afectar la claridad perceptiva.
Marca de agua para identificar voz artificial
Este identificador pasivo permite a las plataformas detectar automáticamente el origen del audio, facilitando el cumplimiento normativo en sectores regulados donde la transparencia es obligatoria.
Transparencia en el uso de IA
La detección de la marca de agua asegura que el usuario final tenga la certeza de estar interactuando con una inteligencia artificial, sin necesidad de indicadores visuales intrusivos durante la conversación.
Preferencias del usuario final
Los sistemas pueden ofrecer opciones de configuración donde el usuario elija si prefiere voces sintéticas o naturales, respetando la autonomía auditiva dentro de la interfaz del asistente.
Integración técnica de la voz
La integración técnica requiere incluir el parámetro voice en el cuerpo JSON de la solicitud POST. Este campo acepta uno de los ocho presets definidos, asegurando que la selección sea explícita y reproducible en cada llamada a la API de VozViral.
Pasaje del parámetro voice en la API
El valor debe coincidir exactamente con los nombres de las voces, como aria o atlas. Al no especificar este campo, el sistema asigna una voz predeterminada (generalmente 'nova' o similar según la implementación estándar, pero no se garantiza una voz específica por defecto en la documentación base, por lo que es recomendable especificarla explícitamente para garantizar consistencia).
- Enviar
voiceen cada solicitud para garantizar consistencia. - Usar nombres en minúsculas tal como se definen en la documentación.
Manejo de errores si la voz no existe
Si se envía un nombre no válido, la API devuelve un código de error HTTP 400. Es crucial implementar lógica de retry o validación previa contra el endpoint GET /v1/voices para evitar fallos silenciosos en la generación de audio durante el flujo de producción.
Caché de la voz seleccionada
Almacena la voz seleccionada en la configuración del cliente o en una base de datos local para evitar revalidaciones constantes. Esto optimiza el rendimiento y asegura que la misma voz se use en todas las interacciones de una sesión de usuario, manteniendo la coherencia de marca.
Mantenimiento de la biblioteca de voces
Mantener la biblioteca de voces actualizada es clave para la estabilidad operativa de los asistentes de voz en entornos empresariales. La disponibilidad de los endpoints de metadatos permite verificar en tiempo real qué voces están activas y listas para ser invocadas, evitando errores de configuración en producción.
La gestión proactiva de la biblioteca asegura que la integración con la API REST de VozViral API se mantenga eficiente. Al centralizar la información de las voces en una única fuente de verdad, los equipos de desarrollo pueden automatizar la sincronización de configuraciones sin depender de actualizaciones manuales.
Verificación de disponibilidad de voces
Utiliza el endpoint GET /v1/voices para consultar el estado actual de las ocho voces disponibles. Este llamado proporciona la lista completa de identificadores válidos, permitiendo validar la integridad de la configuración antes de cada despliegue o en intervalos programados.
La verificación periódica asegura que las voces seleccionadas para tu asistente sigan siendo compatibles con los modelos activos. Esto previene errores de configuración si una voz no existe. Las voces son estáticas y no cambian dinámicamente.
- Consulta periódica de metadados antes de rondas de producción
- Validación automática de IDs de voz en la configuración del sistema
Actualización de listas de voces
Almacena la respuesta del endpoint en caché con un tiempo de vida limitado. Esto reduce la carga en la API y asegura que tu sistema utilice siempre la lista más reciente de voces disponibles sin necesidad de recargar manualmente.
- Caché local de la lista de voces con TTL configurado
- Sincronización automática al detectar cambios en la respuesta del servidor
Comunicación de cambios en las voces
Monitorea las respuestas del endpoint para detectar nuevas voces o modificaciones en las existentes. Aunque no se ofrecen notificaciones push, la integración con tu sistema de logs permite registrar cada cambio en la biblioteca de voces para auditoría interna.
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.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
