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

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

Esta guía explica el funcionamiento técnico de VozViral API, una solución REST diseñada para equipos que integran voces naturales en aplicaciones empresariales y chatbots. Se detalla el flujo desde la recepción del texto hasta la entrega del archivo de audio, incluyendo la arquitectura síncrona y la composición de respuestas largas mediante fragmentos.

Ideal para ingenieros y arquitectos de software, este documento cubre la integración con bases de datos, la gestión de errores, la seguridad y la escalabilidad bajo límites de tasa. Se analizan las limitaciones técnicas, como la ausencia de streaming o SSML, y se compara el modelo de pago por carácter con otras soluciones, proporcionando los datos precisos necesarios para la implementación en entornos de producción.

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

Preguntas frecuentes

¿Por qué se usa una API en lugar de un archivo estático?

La API genera audio bajo demanda, permitiendo personalización dinámica del texto, la voz y la velocidad sin almacenar miles de archivos. Esto garantiza consistencia acústica y control programático para la automatización de interacciones con el usuario, ideal para equipos grandes que integran voces naturales en aplicaciones empresariales.

¿Qué es el modelo tts-1-hd?

Es uno de los dos modelos disponibles, junto con tts-1. Ambos utilizan el mismo motor de síntesis y tienen el mismo precio por carácter. La elección entre ellos no afecta la calidad percibida ni el costo, ofreciendo una opción estándar para la generación de audio mediante la API REST.

¿Se puede cambiar la voz después de generar el audio?

No. Una vez que la API devuelve el archivo de audio, este es estático y no se puede modificar la voz nativamente. Para cambiar la voz, debe realizar una nueva solicitud POST con el parámetro voice deseado. No hay streaming ni edición en tiempo real del audio generado.

¿Qué significa que la voz es basada en grabaciones licenciadas?

Las voces provienen de grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Esto asegura un origen claro de las grabaciones de las voces. Cada archivo generado incluye una marca de agua invisible que identifica el audio como síntesis artificial, garantizando transparencia.

¿Por qué no se ofrece streaming de audio?

El modelo devuelve el archivo completo tras la síntesis. No hay soporte para WebSocket ni transmisión de audio parcial en tiempo real. Los datos se procesan secuencialmente; bajo carga, las solicitudes pueden esperar en cola, lo que hace que el streaming no sea viable para esta arquitectura.

¿Qué es un límite de tasa (rate limit)?

Es la restricción de 60 solicitudes por minuto por clave de API. Antes del primer recargo, el límite es de 10 solicitudes por minuto. Esto gestiona la carga del servidor. Si excede el límite, las solicitudes pueden fallar o retrasarse hasta que se libere capacidad en la cola de procesamiento.

¿Se puede usar la API para traducción de voz?

No. La API convierte texto a voz, pero no traduce el contenido. Debe proporcionar el texto en el idioma deseado. Soporta 23 idiomas específicos; si no se especifica, se asume inglés para texto en latín. No incluye pipelines de traducción ni procesamiento de audio bidireccional.

¿Qué es el formato opus y cuándo usarlo?

Opus es uno de los formatos de audio disponibles, junto con mp3, wav, flac y pcm. Es eficiente en tamaño y calidad. Úselo cuando necesite reducir el ancho de banda sin perder claridad. Es ideal para entornos empresariales que requieren eficiencia de almacenamiento y transmisión de datos optimizada.

¿Cómo afecta la velocidad al tamaño del archivo?

La velocidad (0.25–4.0) modifica la duración de la voz. A mayor velocidad, menor es la duración y, por tanto, el tamaño del archivo. A menor velocidad, el audio es más largo y el archivo ocupa más espacio. El precio se cobra por caracteres de texto, no por duración de audio.

¿Se puede usar la voz de un celebridad con esta API?

No. Ofrecemos 8 presets fijos (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion). No hay clonación de voz personalizada ni imitación de celebridades. Las voces están basadas en grabaciones licenciadas de LibriVox. No se ofrece diseño de voz ni personalización de timbre para marcas o personas específicas.

¿Qué es el marcado de agua invisible?

Es una marca inaudible incrustada en cada archivo de audio generado que indica que es síntesis artificial. Esto permite identificar el origen del audio como generado por nuestra API. Es automático y no requiere configuración adicional por parte del cliente para su implementación en los archivos entregados.

¿Es necesaria una conexión permanente para usar la API?

No. La API es RESTful: envía una solicitud POST con texto y recibe el archivo audio. No requiere WebSocket ni conexión persistente. Una vez recibida la respuesta, la conexión puede cerrarse. Es ideal para integraciones empresariales estándar donde la conectividad puede ser intermitente o gestionada por el cliente.

¿Se puede generar audio en tiempo real para llamadas?

No está optimizado para tiempo real estricto. La síntesis tarda unos segundos y se procesa secuencialmente. No hay streaming de audio parcial. Para llamadas, el retraso inicial y la falta de transmisión continua pueden afectar la experiencia. Es mejor para respuestas pregeneradas o interacciones no estrictamente en tiempo real.

¿Qué diferencia hay entre tts-1 y tts-1-hd?

Ambos modelos utilizan el mismo motor de síntesis y tienen el mismo precio ($10 por 1 millón de caracteres). La diferencia es nominal en la API; ambos ofrecen la misma calidad y velocidad de generación. Puede elegir cualquiera de los dos sin impacto en el costo o la latencia percibida.

Definición técnica de la tecnología

Ilustración de onda de sonido para: Definición técnica de la tecnología

La API de texto a voz es un servicio web en la nube que transforma caracteres de entrada en archivos de audio mediante un motor de síntesis específico. No requiere instalación local ni mantenimiento de servidores dedicados, lo que permite a los equipos técnicos integrar voces naturales directamente en la infraestructura actual sin depender de software propietario.

Servicio web que transforma texto en archivos de audio

El sistema recibe texto plano y lo convierte en audio sintético con marcas de agua inaudibles. Cada solicitud genera un archivo listo para reproducirse en aplicaciones empresariales o asistentes virtuales.

Comunicación mediante protocolos HTTP estándar

La interacción se realiza exclusivamente a través de HTTP, utilizando el método POST para enviar datos y recibir la respuesta. Esto garantiza compatibilidad con cualquier lenguaje de programación que soporte peticiones web estándar.

Entrada: texto JSON, salida: archivo de audio binario

El cuerpo de la solicitud contiene parámetros como el modelo, la voz y el texto en formato JSON. La respuesta es un archivo binario (mp3, wav, opus, flac o pcm) que se entrega inmediatamente tras la síntesis.

  • Endpoint: POST /v1/audio/speech
  • Formatos: mp3, wav, opus, flac, pcm

Arquitectura para sistemas conversacionales

Ilustración de onda de sonido para: Arquitectura para sistemas conversacionales

La API se integra directamente en el flujo de respuesta de los chatbots, generando audio síncrono bajo demanda mediante la endpoint POST /v1/audio/speech. Este modelo permite la automatización de interacciones sin necesidad de infraestructura dedicada, manteniendo la consistencia acústica en las aplicaciones empresariales.

Integración en el flujo de respuesta del chatbot

El sistema envía el texto al endpoint de la API, que devuelve un archivo de audio binario. Esta respuesta se incorpora inmediatamente al flujo de conversación, permitiendo la sustitución de texto por voz en interfaces sin pantalla o la mejora de accesibilidad en aplicaciones móviles.

Generación síncrona de audio bajo demanda

La síntesis es síncrona y se ejecuta bajo demanda mediante autenticación Bearer. Las solicitudes se procesan secuencialmente, por lo que bajo carga alta una petición puede esperar en cola. La velocidad típica es de aproximadamente 25 caracteres de texto por segundo de audio generado.

Composición de respuestas por fragmentos largos

Para respuestas extensas, el texto se divide en fragmentos de hasta 4096 caracteres. Cada fragmento se sintetiza por separado y los archivos de audio resultantes se unen para reproducir la respuesta completa. Este enfoque asegura que la generación se mantenga dentro de los límites de la API.

Diferencia con sistemas de marcado (SSML)

Ilustración de onda de sonido para: Diferencia con sistemas de marcado (SSML)

A diferencia de los estándares de marcado como SSML, esta API REST simplifica la integración al eliminar la complejidad de etiquetas anidadas. La generación de audio se controla mediante parámetros numéricos y selecciones directas de voz predefinida, manteniendo la estructura de la solicitud JSON limpia y predecible para sistemas conversacionales automatizados.

Ausencia de etiquetas SSML en esta API

La API no interpreta marcadores de entonación, pausas o énfasis mediante etiquetas XML. El control se externaliza al manejo de la cadena de caracteres de entrada, lo que reduce la sobrecarga de procesamiento en el cliente y facilita la integración con bases de datos de texto sin transformaciones complejas.

Control de velocidad mediante parámetro numérico

La velocidad de síntesis se ajusta mediante el parámetro speed, aceptando valores entre 0.25 y 4.0. Esto permite escalar la velocidad de lectura sin alterar la estructura de la solicitud, ideal para ajustar el ritmo de respuestas en asistentes virtuales sin necesidad de modificar el texto base.

Selección de voz mediante nombre predefinido

Se asigna una voz mediante su identificador (por ejemplo, aria o atlas) en lugar de definir atributos prosódicos manualmente. Esta selección garantiza consistencia acústica en todas las interacciones, asegurando que el tono del agente de voz mantenga la identidad corporativa definida sin configuraciones ad-hoc.

Rol en la experiencia de usuario

Ilustración de onda de sonido para: Rol en la experiencia de usuario

La API de VozViral permite transformar respuestas textuales en audio sintetizado, eliminando la necesidad de lectura visual en interfaces sin pantalla como asistentes por voz o terminales de punto de venta. Esta sustitución acelera la interacción del usuario al permitir la recepción de información de forma hands-free.

Sustitución de texto por voz en interfaces sin pantalla

En entornos donde la vista está ocupada, como la conducción o la industria, la síntesis de voz convierte los mensajes del sistema en señales auditivas, aunque el procesamiento es secuencial y no en tiempo real estricto. Esto reduce la carga cognitiva y permite al usuario mantener la atención en su tarea principal.

Mejora de accesibilidad en aplicaciones móviles

La integración de audio generado bajo demanda facilita la lectura de contenido para usuarios con discapacidad visual o dificultades de lectura. Al ofrecer un formato de audio estándar (mp3, wav), se asegura la compatibilidad con lectores de pantalla y dispositivos auxiliares sin depender de formatos propietarios.

Personalización del tono según el rol del agente

Cada voz predefinida, como Felix para promociones o Atlas para noticias, establece un tono consistente que refuerza la identidad de la marca en cada interacción. Esta selección programática garantiza que el usuario reconozca el contexto de la comunicación sin necesidad de instrucciones adicionales.

Limitaciones técnicas a considerar

Ilustración de onda de sonido para: Limitaciones técnicas a considerar

La API genera audio de forma síncrona y completa, lo que implica que no hay streaming de audio parcial. Cada solicitud devuelve el archivo final una vez terminada la síntesis, lo que puede introducir latencia inicial en flujos de respuesta inmediata que requieran audio progresivo.

El motor no soporta etiquetas SSML ni diccionarios fonéticos personalizados. La pronunciación sigue reglas generales del idioma detectado o predeterminado. No es posible ajustar matices emocionales ni entonación específica mediante marcadores de texto, limitando el control fino sobre la expresividad del agente.

Sin streaming de audio parcial

La respuesta es un archivo binario completo entregado tras la finalización del procesamiento. No se envían fragmentos incrementales ni se establece una conexión WebSocket para audio en tiempo real. Los sistemas que requieren audio progresivo deben gestionar esta espera síncrona.

  • Formato de entrega final tras la síntesis completa.
  • Sin conexión WebSocket ni flujo de audio continuo.
  • Latencia inicial determinada por el tiempo de generación del archivo.

Sin personalización de fonemas o pronunciación

La API no ofrece un diccionario de pronunciación personalizable ni soporte para SSML. La pronunciación se determina automáticamente basándose en el idioma detectado o en el valor por defecto (inglés para texto en latín). No es posible forzar una pronunciación específica para palabras técnicas o nombres propios mediante marcas en el texto.

  • Ausencia de soporte para etiquetas SSML.
  • Sin diccionario fonético personalizable para el usuario.
  • Idioma predeterminado: inglés para texto en alfabeto latino si no se especifica.

Sin edición de emociones en la voz generada

Cada voz mantiene un tono consistente y predefinido sin posibilidad de alterar emociones mediante parámetros. No existen etiquetas para indicar alegría, seriedad o urgencia. La variación emocional es inherente al preset de voz seleccionado (por ejemplo, "alegre" para Nova o "neutral" para Atlas) y no se puede modificar dinámicamente por solicitud.

  • Tonos fijos por preset de voz.
  • Sin parámetros dinámicos de emoción (alegría, seriedad).
  • Selección estática del registro vocal por voz.

Comparativa con otras soluciones de voz

Ilustración de onda de sonido para: Comparativa con otras soluciones de voz

La API utiliza el formato JSON estándar compatible con SDKs de OpenAI, eliminando la dependencia de librerías propietarias exclusivas. Solo requiere modificar la URL base y autenticar con una clave Bearer.

Los precios se calculan por carácter procesado ($0.01 por mil caracteres), sin suscripciones fijas ni costos de infraestructura dedicada. Cada solicitud fallida se devuelve sin cargo, optimizando el gasto operativo.

Uso de SDKs estándar vs. librerías propietarias

Al ser compatible con el esquema de solicitud de OpenAI, los equipos pueden integrar la API usando SDKs estándar en Python, Node.js o Go, facilitando la migración y el mantenimiento.

No se requiere aprendizaje de sintaxis específica ni instalación de paquetes propietarios adicionales, lo que acelera el despliegue en entornos de producción heterogéneos.

  • SDKs compatibles con OpenAI
  • Integración vía HTTP estándar
  • Autenticación Bearer simple

Precios por carácter vs. suscripciones fijas

El modelo de pago por uso elimina el riesgo de pagar por capacidad no utilizada. Con un costo de $10 por millón de caracteres, los equipos solo pagan por lo que generan.

A diferencia de las suscripciones mensuales que obligan a un gasto fijo, este modelo permite escalar el volumen de voces sintéticas según la demanda real del chatbot o la aplicación.

Formatos de audio abiertos vs. formatos cerrados

La API ofrece formatos abiertos como MP3, WAV, Opus, FLAC y PCM, garantizando la compatibilidad con reproductores y plataformas de terceros sin restricciones de licencia propietaria.

Esto facilita la integración con sistemas de audio existentes y evita la necesidad de conversiones adicionales costosas o dependientes de proveedores específicos.

Integración con bases de datos de texto

Ilustración de onda de sonido para: Integración con bases de datos de texto

El flujo de integración comienza extrayendo el texto necesario desde la base de datos de la aplicación. Este texto se estructura en un cuerpo JSON que cumple con los límites de 4096 caracteres por solicitud, preparando los parámetros de modelo y voz necesarios para la síntesis.

Recuperación de texto desde la base de datos

La aplicación consulta la base de datos para obtener el mensaje o la respuesta predefinida que debe convertirse a audio. Este texto se valida para asegurar que no exceda los 4096 caracteres, que es el límite máximo por solicitud de la API.

Envío del texto al endpoint de la API

El texto recuperado se envía mediante una solicitud POST a https://api.tikviral.info/v1/audio/speech. La petición incluye el modelo (tts-1 o tts-1-hd), la voz seleccionada y el formato de audio deseado, autenticándose con la clave Bearer del sistema.

Almacenamiento temporal del archivo de audio

La API devuelve el archivo de audio binario directamente en la respuesta. La aplicación puede guardar este archivo temporalmente en el sistema de archivos o en un bucket de almacenamiento para ser reproducido por la interfaz de usuario o entregado al usuario final.

Integración con bases de datos de texto

Gestión de errores en la generación de voz

Ilustración de onda de sonido para: Gestión de errores en la generación de voz

La generación de audio es sincrónica y puede requerir varios segundos para textos extensos, procesándose uno tras otro bajo carga. Si el servidor tarda en responder, la conexión puede agotarse según la configuración del cliente.

Manejo de tiempos de espera en la solicitud

Los tiempos de espera deben configurarse adecuadamente para evitar interrupciones durante la síntesis de frases largas. Dado que las solicitudes se procesan en cola, los picos de tráfico pueden aumentar la latencia percibida.

Reintento automático en caso de fallo

Si la síntesis falla, la API devuelve un estado de error sin cargo. El sistema de integración debe implementar lógica de reintento para garantizar la entrega de la respuesta de voz al usuario final.

Registro de métricas de generación fallida

Cada solicitud fallida se registra con metadatos de tiempo y estado para auditoría de facturación. Estos logs permiten identificar patrones de error y optimizar el flujo de integración sin costos adicionales por las intentonas fallidas.

Seguridad en la transmisión de audio

Ilustración de onda de sonido para: Seguridad en la transmisión de audio

La API de VozViral opera exclusivamente sobre conexiones cifradas HTTPS, garantizando la integridad y confidencialidad de los datos transmitidos entre el servidor de la aplicación y nuestro endpoint de síntesis. Este protocolo estándar asegura que el texto de entrada y el archivo de audio binario de respuesta no sean interceptados durante la transferencia en entornos empresariales.

La autenticación se basa en tokens Bearer únicos por cuenta. Cada solicitud debe incluir el encabezado Authorization: Bearer tts-..., lo que valida la identidad del cliente y descuenta los caracteres consumidos de su saldo disponible. Si la generación falla, el cargo se revierte automáticamente, manteniendo la trazabilidad financiera sin comprometer los datos.

Uso de HTTPS para la comunicación

Todas las peticiones POST a /v1/audio/speech y GET a /v1/voices se realizan sobre HTTPS, asegurando que el texto plano y el audio generado viajen encriptados. Esto es crítico para proteger la información del usuario final en aplicaciones de chatbots o asistentes de voz.

  • Cifrado de transporte (HTTPS) en todas las solicitudes.
  • Compatible con cualquier infraestructura cloud o on-premise que soporte TLS 1.2 o superior.
  • Sin necesidad de certificados adicionales para el cliente.

Autenticación mediante tokens Bearer

El mecanismo de seguridad utiliza una clave API activa por cuenta, pasada en el encabezado de autorización. Esta clave restringe el acceso a los recursos de la empresa y permite el control granular del uso mediante límites de tasa por minuto.

  • Formato: Authorization: Bearer tts-....
  • Una sola clave activa por cuenta; la renovación invalida la anterior inmediatamente.
  • Registro de métricas de uso asociado a la clave para facturación precisa.

No almacenamiento de audio generado

A diferencia de otros servicios, VozViral no retiene el archivo de audio una vez entregado en la respuesta HTTP. El texto de entrada se utiliza únicamente para la síntesis y no se almacena para entrenamiento de modelos, garantizando la privacidad de los datos corporativos.

  • Audio devuelto en respuesta y no persistido en nuestros servidores.
  • Solo se guardan metadatos de la solicitud (tiempo, caracteres, estado) para facturación.
  • Cumplimiento estricto de privacidad sin retención de contenido generado.

Escalabilidad en entornos de producción

Ilustración de onda de sonido para: Escalabilidad en entornos de producción

La escalabilidad de VozViral API se basa en la gestión eficiente de la cola de procesamiento. Dado que las solicitudes se ejecutan secuencialmente, los picos de tráfico pueden generar tiempos de espera adicionales. Esta arquitectura garantiza la integridad del audio sin requerir infraestructura compleja de balanceo de carga interno.

Manejo de picos de tráfico mediante colas

Las solicitudes se procesan en orden de llegada. Para textos largos, se dividen en fragmentos de hasta 4096 caracteres, lo que multiplica las llamadas internas. Este mecanismo evita la pérdida de datos y mantiene la coherencia acústica entre los fragmentos ensamblados.

Uso de múltiples claves API para distribuir carga

El límite de 60 solicitudes por minuto por clave permite escalar horizontalmente. Los equipos pueden generar varias claves y distribuir las peticiones entre ellas para aumentar el throughput total, evitando cuellos de botella en la generación síncrona durante horas pico.

Monitoreo de límites de tasa por clave

Cada clave tiene un límite estricto de 60 RPM. El monitoreo constante del saldo y el uso permite ajustar la velocidad de emisión o añadir nuevas claves antes de alcanzar el límite. Las métricas de facturación reflejan el volumen real procesado.

Coste de integración vs. solución propia

Ilustración de onda de sonido para: Coste de integración vs. solución propia

La integración de VozViral API elimina la necesidad de mantener servidores dedicados para el procesamiento de audio, reduciendo significativamente los costes fijos de infraestructura. Al externalizar la síntesis, las empresas evitan el gasto en hardware especializado y licencias de software propietario, pagando únicamente por el volumen real de texto procesado.

Reducción de costes de infraestructura

Al migrar la generación de voz a la nube, se elimina la inversión en servidores de audio dedicados. No se requieren actualizaciones de hardware ni mantenimiento de centros de datos específicos para la voz, optimizando el presupuesto TI existente.

Sin necesidad de servidores de audio dedicados

La arquitectura basada en API permite escalar sin aprovisionar nueva maquinaria física. Cada solicitud se procesa en la infraestructura compartida, asegurando disponibilidad sin la carga operativa de gestionar servidores exclusivamente para síntesis de voz.

Pago solo por caracteres procesados

El modelo de facturación es estrictamente por uso: $0.01 por cada 1.000 caracteres. No hay suscripciones mensuales fijas ni costos por inactividad. Si una solicitud falla, el cargo se devuelve íntegramente, garantizando que solo se pague por resultados válidos.

  • Tarifa base: $10 por 1 millón de caracteres.
  • Cobro preciso por caracteres, incluyendo espacios y puntuación.
  • Sin cuotas fijas ni mínimos de gasto.

Futuro de las APIs de voz en chatbots

Ilustración de onda de sonido para: Futuro de las APIs de voz en chatbots

Las APIs de texto a voz evolucionan hacia sistemas más fluidos donde la personalización de voces se vuelve estándar, aunque actualmente ofrecemos ocho presets fijos sin clonación personalizada ni diseño de voz propio. La integración con agentes de IA permite transformar texto plano en audio natural para asistentes virtuales sin intervención humana.

La normalización de estándares como el formato OpenAI facilita la interoperabilidad entre diferentes proveedores de voz. Al adoptar endpoints RESTful compatibles, las empresas garantizan que sus chatbots puedan migrar o escalar sin modificar su lógica de negocio, asegurando una base técnica estable para futuras actualizaciones de modelos.

Tendencia hacia la personalización de voces

La demanda de voces únicas impulsa la creación de clones personalizados, aunque esta API mantiene ocho presets predefinidos sin clonación de voz disponible. Los agentes de IA requieren consistencia acústica para mantener la identidad de la marca en cada interacción.

Actualmente, no ofrecemos diseño de emociones ni clonación, pero el mercado tiende hacia voces más distintivas. La estandarización de voces naturales facilita la integración en ecosistemas de asistencia virtual donde la consistencia es crítica.

  • Voces predefinidas para consistencia de marca
  • Sin clonación personalizada disponible
  • Tendencia hacia voces más distintivas

Integración con agentes de inteligencia artificial

La API funciona como un módulo de salida para agentes de IA, convertiendo el texto generado por modelos de lenguaje en audio utilizable. Los chatbots pueden utilizar esta integración para ofrecer respuestas auditivas sin depender de archivos estáticos.

La generación síncrona permite respuestas adaptativas donde el agente decide el tono y la voz según el contexto de la conversación, mejorando la experiencia del usuario en aplicaciones empresariales de gran escala.

Normalización de estándares de audio

El uso de formatos abiertos como MP3, WAV y Opus asegura compatibilidad con cualquier cliente o plataforma. La estructura de la API sigue patrones reconocidos, facilitando la adopción por equipos de desarrollo sin necesidad de SDKs propietarios.

La estandarización reduce la fricción técnica al permitir el intercambio de claves y la implementación de endpoints similares a los de grandes proveedores, asegurando portabilidad a largo plazo.

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. IETF RFC 7845: Ogg Opus
  4. Python documentation
  5. LibriTTS-R paper (arXiv 2305.18802)
  6. LibriTTS-R corpus (OpenSLR 141)
  7. W3C WAI: making audio and video accessible
  8. OpenAI API reference: create speech
  9. ISO 639 language codes
  10. LibriVox public-domain audiobooks
  11. Tether (USDT)
  12. TRON developer hub: TRC-20

Más en este sitio