¿Qué es una API de texto a voz y cómo funciona?

Por Equipo editorial de VozParaTodos · Actualizado 2026-11-18

Esta página explica qué es una API de texto a voz y cómo transforma texto en audio mediante una interfaz simple. Ideal para equipos de producto en servicios públicos y ONGs, entenderás cómo integrar narración automática en tus plataformas sin infraestructura compleja.

Descubrirás el flujo técnico, las ventajas en accesibilidad para personas ciegas o con dislexia, y los casos de uso en trámites ciudadanos o campañas multilingües. Además, conocerás los costes reales, los formatos soportados y las limitaciones tecnológicas para tomar decisiones informadas.

¿Qué es una API de texto a voz y cómo funciona?

Preguntas frecuentes

¿Qué significa API?

API significa Interfaz de Programación de Aplicaciones. Es un punto de conexión que permite a tu software enviar texto y recibir audio. El formato de solicitud es idéntico al de OpenAI, por lo que puedes usar sus SDKs oficiales cambiando la URL base.

¿Qué es la síntesis de voz?

Es el proceso de convertir texto escrito en audio audible. Nuestra API toma tu texto y devuelve un archivo de audio. Esto automatiza la narración de materiales educativos o servicios públicos sin necesidad de estudios de grabación.

¿Cómo ayuda la tecnología a personas con discapacidad?

Permite generar audio accesible rápidamente para lectores de pantalla o materiales de aprendizaje. Ofrecemos 23 idiomas y 8 voces distintas. Esto asegura que la información pública llegue a personas con dificultades visuales o de lectura de forma clara y multilingüe.

¿Es necesaria una conexión a internet?

Sí, es una API en la nube. Debes enviar el texto a https://api.playh99.com/v1 y recibir el audio. No se almacena en tu servidor local, por lo que necesitas conectividad para realizar las solicitudes y recibir los archivos de audio.

¿Se puede usar en aplicaciones móviles?

Sí, puedes usar la API desde cualquier dispositivo con conexión a internet. No tenemos SDK móvil nativo ni SDK propio; puedes usar el SDK de OpenAI o HTTP estándar. Las apps pueden solicitar audio y reproducirlo directamente en el dispositivo del usuario.

¿Qué es un archivo de audio sintético?

Es un archivo de audio generado por IA, no por una grabación humana directa. Cada archivo contiene una marca de agua invisible que lo identifica como voz sintética. Es ideal para escalar la producción de contenido de audio sin contratar locutores.

¿Por qué se usa USDT para los pagos?

Usamos USDT en la red TRON (TRC-20) para evitar intermediarios bancarios y comisiones altas. El saldo no expira y las recargas se acreditan automáticamente en minutos. No hay suscripciones mensuales ni facturación con IVA, simplificando la gestión para ONGs y equipos.

¿Es seguro el proceso de generación?

Sí, el texto se usa solo para generar audio y no se entrena con él. Los metadatos se guardan para facturación, pero el audio generado no se almacena permanentemente. Tus datos no se comparten y el proceso es directo y transparente.

¿Se pueden generar varios idiomas a la vez?

Puedes generar audio en 23 idiomas especificando el código ISO o permitiendo que la API detecte el idioma. Puedes procesar múltiples solicitudes en paralelo para diferentes idiomas, aunque cada petición se procesa individualmente. No hay límite de idiomas por cuenta.

¿Qué es el formato MP3?

Es un formato de audio comprimido muy compatible con la mayoría de reproductores y plataformas web. Es ideal para reducir el tamaño de archivo y el ancho de banda. Puedes solicitarlo junto con WAV, OPUS, FLAC o PCM según tus necesidades.

¿Qué es el formato WAV?

Es un formato de audio sin compresión que mantiene la máxima calidad de sonido original. Es útil para ediciones posteriores o archivado. Aunque ocupa más espacio que MP3, garantiza fidelidad exacta del audio generado por nuestra API de texto a voz.

¿Se puede usar sin programar?

Sí, puedes usar la API directamente desde el navegador o herramientas como cURL. La página /get-api-key/ muestra la clave, saldo y un ejemplo curl listo para usar. No necesitas un desarrollador experto para empezar a generar audio con nuestra interfaz sencilla.

¿Qué es un carácter en este contexto?

Es cada letra, espacio o signo de puntuación en tu texto. El precio es de $0.01 por cada 1.000 caracteres. Los espacios y puntuación cuentan como caracteres, por lo que debes considerar el tamaño total del texto al calcular costos.

¿Qué es la red TRON?

Es una blockchain pública que permite transacciones rápidas y económicas con criptomonedas. Usamos USDT (TRC-20) sobre esta red para que tus recargas de saldo se procesen en minutos. Es el único método de pago disponible para mantener la simplicidad operativa.

Definición de API de texto a voz

Ilustración de onda de sonido para: Definición de API de texto a voz

Una API de texto a voz es una interfaz de programación de aplicaciones que permite a los equipos de producto convertir texto en audio de forma automatizada. En lugar de contratar locutores para cada proyecto, el software recibe texto y devuelve un archivo de audio listo para reproducirse.

Este enfoque elimina la necesidad de infraestructura compleja de estudio, permitiendo que servicios públicos y ONGs integren narración en sus plataformas digitales con solo unas líneas de código.

Interfaz de programación de aplicaciones

La API actúa como un puente directo entre la aplicación y el motor de síntesis. Los desarrolladores envían texto mediante una solicitud POST a un endpoint específico, especificando el modelo y la voz deseada.

Conversión de texto a audio

El sistema toma la entrada textual y la transforma en un archivo de audio sintetizado. La conversión es rápida, pero las solicitudes se procesan secuencialmente y pueden esperar en cola bajo carga.

Proceso de síntesis en la nube

Todo el procesamiento ocurre en servidores remotos. El usuario no necesita instalar software adicional ni gestionar hardware. Solo se requiere conexión a internet para enviar la solicitud y recibir el archivo de audio generado.

Cómo funciona técnicamente

Ilustración de onda de sonido para: Cómo funciona técnicamente

La integración comienza con una solicitud POST a https://api.playh99.com/v1/audio/speech. El cuerpo JSON contiene el texto a convertir (máximo 4096 caracteres), el modelo tts-1 o tts-1-hd, y el código de voz deseado. La autenticación se gestiona mediante un token Bearer único.

Este método simple permite que cualquier equipo de producto, incluso sin infraestructura compleja, genere audio sin gestionar servidores propios. Solo necesitas definir el formato de respuesta y la velocidad de lectura ajustable entre 0.25 y 4.0.

Envío de texto mediante POST

La solicitud se envía mediante el método HTTP POST al endpoint /v1/audio/speech. El cuerpo de la petición debe incluir el texto en el campo input, el identificador del modelo (tts-1 o tts-1-hd) y el código de voz específico de entre las 8 opciones disponibles.

  • Endpoint: POST https://api.playh99.com/v1/audio/speech
  • Formato: JSON con campos model, input y voice
  • Autenticación: Header Authorization: Bearer tts-...

Procesamiento en el servidor

Nuestros servidores reciben la solicitud y la encolan para su procesamiento secuencial. Si el texto excede los 4096 caracteres, se divide internamente en partes más pequeñas para garantizar la integridad de la síntesis. La velocidad típica es aproximadamente en tiempo real (unos 25 caracteres por segundo), pero las solicitudes se encolan y pueden tardar más bajo carga.

Recibido de archivo de audio

El resultado es una descarga inmediata del archivo de audio en el formato solicitado (mp3, wav, opus, flac o pcm). Si la síntesis falla, no se realiza ningún cobro. Los equipos de servicios públicos pueden integrar este flujo directamente en sus aplicaciones móviles o web.

  • Formatos: mp3, wav, opus, flac, pcm
  • Sin almacenamiento persistente del audio generado
  • Cobro solo si la síntesis es exitosa

Importancia para la accesibilidad

Ilustración de onda de sonido para: Importancia para la accesibilidad

La API de texto a voz transforma el contenido digital en audio accesible, permitiendo que personas ciegas consuman información sin depender de lectores de pantalla complejos. Al recibir archivos de audio directos, se simplifica la navegación en plataformas públicas y ONGs.

Lectura para personas ciegas

Las personas con discapacidad visual pueden escuchar noticias, trámites o materiales educativos sin necesidad de interfaces visuales. La síntesis natural permite una experiencia fluida y sin interrupciones, ideal para consumir grandes volúmenes de texto gubernamental o informativo.

Compensación de dislexia

El audio ayuda a quienes tienen dificultades para leer texto plano, reduciendo la fatiga cognitiva. Al escuchar el contenido mientras se sigue la pantalla o sin mirarla, se facilita la comprensión de textos largos o técnicos en aplicaciones de servicios públicos.

Facilita la lectura en móvil

En dispositivos móviles, donde el espacio de pantalla es limitado, el audio permite acceder a la información sin esfuerzo visual. Esto es crucial para usuarios en movimiento o con baja visión que necesitan consumir contenido rápidamente.

Aplicación en servicios públicos

Ilustración de onda de sonido para: Aplicación en servicios públicos

Sitios web gubernamentales accesibles

Integren narración automática en portales de servicios públicos para garantizar que la información sea accesible para personas con discapacidad visual o dislexia. Al enviar texto mediante una petición POST, el sistema devuelve archivos de audio listos para reproducirse directamente en el navegador sin infraestructura compleja.

Apps de trámites ciudadanos

Mejore la experiencia en aplicaciones de trámites permitiendo que los usuarios escuchen instrucciones o formularios largos. Con un límite de 4096 caracteres por petición, pueden segmentar guías extensas y unir los archivos resultantes, asegurando una experiencia fluida incluso en dispositivos móviles con conexión variable.

Información pública en audio

Distribuya avisos oficiales, noticias o alertas en 23 idiomas diferentes. El equipo de producto puede utilizar las 8 voces disponibles para mantener un tono claro y consistente, asegurando que la comunicación pública llegue a poblaciones diversas sin necesidad de contratar locutores humanos para cada actualización.

Uso en organizaciones sin ánimo de lucro

Ilustración de onda de sonido para: Uso en organizaciones sin ánimo de lucro

Las organizaciones sin ánimo de lucro pueden transformar sus informes anuales en archivos de audio accesibles, permitiendo que donantes con discapacidad visual o dificultades de lectura accedan a la información financiera y de impacto sin barreras. La generación inmediata permite actualizar el contenido narrado rápidamente tras cada publicación.

Este enfoque democratiza el acceso a la información institucional sin requerir infraestructura compleja ni locutores profesionales para cada actualización.

Informes anuales narrados

Convertir documentos largos en audio requiere dividir el texto en partes de hasta 4096 caracteres y unir los archivos resultantes. Si el informe excede este límite, el sistema permite dividir el texto y unir los archivos resultantes, manteniendo la coherencia narrativa.

  • Acceso para personas con discapacidad visual
  • Actualización rápida de contenido financiero
  • Sin necesidad de estudios de grabación

Contenido educativo inclusivo

El material didáctico se vuelve accesible para personas con dislexia o dificultades de procesamiento visual. Las voces como Luna, con un tono suave, son ideales para narrar historias educativas, mientras que Sage resulta excelente para instrucciones claras y calmadas.

  • Apoyo a la lectura en dislexia
  • Narración clara para instrucciones
  • Contenido disponible en 23 idiomas

Campañas de difusión multilingües

Las ONGs pueden llegar a audiencias diversas generando contenido en múltiples idiomas sin contratar equipos locales. Con 8 voces distintas y soporte para 23 idiomas, se puede adaptar una campaña para comunidades hispanohablantes, francesas, árabes o japonesas utilizando la misma base de audio.

  • Alcance global sin infraestructura local
  • Consistencia de marca en varios idiomas
  • Coste predecible por carácter

Ventajas sobre soluciones tradicionales

Ilustración de onda de sonido para: Ventajas sobre soluciones tradicionales

La API elimina los costos fijos de estudios y la logística de grabación. Con un precio de $10 por millón de caracteres, generas audio profesional sin contratar locutores ni reservar tiempos de estudio.

La generación es inmediata y escalable. No esperas días por una entrega; el audio se produce al instante mediante procesamiento secuencial en la nube.

Menor coste que locutores humanos

Elimina tarifas por hora de estudio y sesiones de locución. Solo pagas por los caracteres usados, con facturación transparente sin costes ocultos ni contratos mensuales obligatorios.

Ideal para equipos de producto en ONGs y servicios públicos que necesitan producir volumen de audio sin incurrir en gastos fijos elevados de personal.

  • Sin contratos de exclusividad
  • Costo predecible: $0.01 por 1.000 caracteres
  • Sin gastos de producción física

Generación inmediata

El texto se convierte en audio al momento mediante la nube. No hay tiempos de espera para la posproducción o entrega de archivos.

Permite actualizar información pública o materiales educativos al instante cuando cambian los datos, manteniendo la accesibilidad actualizada sin intervención manual.

  • Procesamiento en tiempo real
  • Actualización instantánea de contenido
  • Sin cola de posproducción

Escalabilidad ilimitada

Procesa solicitudes secuencialmente; bajo alta demanda pueden entrar en cola. Solo necesitas una clave API y saldo suficiente en la cuenta.

Adapta la producción a picos de demanda, como campañas multilingües o actualizaciones masivas de trámites ciudadanos, sin contratar personal adicional.

  • Límite de 60 solicitudes por minuto por clave (10 por minuto antes del primer recargo).
  • Mismo motor para 1 o 1 millón de caracteres
  • Integración automática vía API

Tecnología subyacente

Ilustración de onda de sonido para: Tecnología subyacente

La calidad de las voces se basa en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y audiolibros de dominio público de LibriVox. Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial.

El procesamiento se realiza por lotes en servidores en la nube. Las solicitudes se ejecutan secuencialmente, lo que significa que bajo alta demanda pueden entrar en cola, aunque el precio sigue siendo fijo por carácter generado.

Voces basadas en grabaciones licenciadas

Nuestras ocho voces (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) derivan de interpretaciones reales licenciadas bajo CC BY 4.0 o dominio público. Esto garantiza consistencia acústica y claridad sin necesidad de ingeniería de voz personalizada.

Agua marca invisible en audio

Cada archivo de audio generado contiene una marca de agua inaudible. Esto permite identificar fácilmente que el contenido es síntesis artificial, útil para transparencia en instituciones públicas o campañas de ONGs.

Procesamiento por lotes

Las peticiones se procesan una tras otra. En momentos de carga alta, tu solicitud puede esperar en cola antes de generarse. Esto mantiene la infraestructura simple y el costo predecible sin necesidad de garantías de SLA.

  • Procesamiento secuencial para control de carga.
  • Sin infraestructura compleja de streaming.
Tecnología subyacente

Integración sencilla

Ilustración de onda de sonido para: Integración sencilla

La integración es directa: envías texto por POST a https://api.playh99.com/v1/audio/speech y recibes el archivo de audio. No requiere infraestructura compleja ni protocolos propietarios.

Funciona con el SDK oficial de OpenAI ajustando la URL base. Esto permite a los equipos de producto usar herramientas que ya conocen para añadir narración automática a sus plataformas.

API RESTful estándar

Utilizamos endpoints JSON estándar compatibles con herramientas comunes. Solo necesitas enviar credenciales y texto para obtener audio.

Compatibilidad con SDKs existentes

El formato de solicitud es idéntico al de OpenAI. Puedes usar sus SDKs oficiales cambiando solo la URL base a https://api.playh99.com/v1.

Documentación clara para devs

La documentación en /docs/ incluye ejemplos listos para copiar, como comandos cURL. Esto acelera la integración en apps de trámites o sitios gubernamentales sin curva de aprendizaje pronunciada.

Límites tecnológicos

Ilustración de onda de sonido para: Límites tecnológicos

Nuestra API prioriza la simplicidad y la velocidad de integración sobre la complejidad de marcado. No incluimos soporte para SSML, lo que significa que no puedes ajustar la entonación o la pausa de palabras específicas mediante etiquetas XML. Para la mayoría de los casos de uso en servicios públicos, la entonación por defecto de las 8 voces es suficiente para mantener la claridad.

La generación de audio no es interactiva ni en tiempo real. Las solicitudes se procesan secuencialmente, por lo que puedes esperar unos segundos para frases cortas o minutos para textos largos, dependiendo de la cola de carga. No hay streaming de audio parcial; recibes el archivo completo una vez finalizada la síntesis.

Sin soporte para SSML

A diferencia de otras soluciones enterprise, no soportamos etiquetas SSML para controlar pausas, énfasis o prosodia fina. Esto reduce la complejidad de la implementación y mantiene los costes bajos.

  • Sin etiquetas de pausa (<break>)
  • Sin control de entonación (<prosody>)
  • Sin pronunciación fonética (<phoneme>)

Sin streaming en tiempo real

El audio se genera en un archivo completo y se devuelve al finalizar la solicitud. No puedes recibir fragmentos de audio mientras se sintetiza el texto, lo que significa que no hay interactividad instantánea tipo conversación.

Límite de caracteres por petición

Cada solicitud HTTP acepta un máximo de 4096 caracteres. Si tu texto es más largo, debes dividirlo en partes y unir los archivos de audio resultantes. Los espacios y puntuación cuentan como caracteres.

Formatos de audio soportados

Ilustración de onda de sonido para: Formatos de audio soportados

La API ofrece cinco formatos de salida: mp3, wav, opus, flac y pcm. Cada uno se ajusta a diferentes necesidades de infraestructura y calidad en tus aplicaciones de accesibilidad.

MP3 para web

El formato MP3 es ideal para la reproducción en navegadores y dispositivos móviles. Su equilibrio entre tamaño de archivo y calidad lo convierte en la opción estándar para la mayoría de las plataformas digitales.

WAV para alta fidelidad

El formato WAV proporciona audio sin pérdida, manteniendo la fidelidad original de la síntesis. Es la elección óptima cuando necesitas la máxima calidad de audio para archivos de audiofrecuencia o archiving.

Opus para eficiencia

Opus ofrece una excelente compresión con baja latencia, ideal para conexiones móviles o redes con ancho de banda limitado. Permite distribuir contenido auditivo de manera eficiente sin sacrificar la claridad de la voz.

Idiomas y voces

Ilustración de onda de sonido para: Idiomas y voces

La API de VozParaTodos soporta 23 idiomas, incluyendo español, inglés, francés, alemán, portugués, italiano, chino, japonés, coreano, árabe, hindi, ruso y otros, permitiendo que equipos de producto generen contenido multilingüe sin complicaciones técnicas.

23 idiomas disponibles

Puedes elegir entre idiomas como danés, finés, griego, hebreo, malayo, noruego, polaco, suahili, sueco y turco, además de los principales. Cualquier voz puede hablar cualquier idioma de esta lista, lo que facilita la creación de materiales educativos y de difusión accesibles para audiencias diversas.

  • Español, inglés, francés, alemán, portugués, italiano
  • Chino, japonés, coreano, árabe, hindi, ruso
  • Danés, finés, griego, hebreo, malayo, noruego
  • Polaco, suahili, sueco, turco

8 voces distintas

Elige entre ocho presets diseñados para distintos contextos: ARIA (narradora clara), NOVA (alegre), LUNA (suave), SAGE (instructiva), FELIX (enérgico), MILO (amigable), ATLAS (neutral) y ORION (profundo). Todas las voces están basadas en grabaciones licenciadas de LibriTTS-R y LibriVox.

  • Femeninas: Aria, Nova, Luna, Sage
  • Masculinas: Felix, Milo, Atlas, Orion

Detección automática de idioma

Si no especificas el idioma, la API lo adivina por el guión; el texto latino por defecto se trata como inglés. Para textos en otros idiomas con caracteres latinos, establece el parámetro 'language' explícitamente para garantizar la pronunciación correcta.

Coste y eficiencia

Ilustración de onda de sonido para: Coste y eficiencia

El costo se calcula estrictamente por los caracteres enviados, a $0.01 por cada mil caracteres. Los espacios y la puntuación cuentan como caracteres, lo que permite predecir el gasto con precisión. Si la síntesis falla, el cargo se devuelve íntegramente, asegurando que solo pagues por audio generado con éxito.

Pago por uso real

La facturación refleja exactamente el volumen de texto procesado. No hay tarifas ocultas por la infraestructura subyacente ni por el número de solicitudes.

  • Tarifa: $10 por cada 1 millón de caracteres.
  • Los fallos en la síntesis son gratuitos.

Sin costes fijos mensuales

No existen planes de suscripción ni gastos mínimos. El saldo no caduca, por lo que puedes cargar fondos cuando sea necesario sin presión de tiempo.

  • Sin planes mensuales ni cargos por inactividad.
  • Sin mínimos de gasto obligatorios.

Prueba gratuita disponible

Al registrarte con Google, recibes $0.50 de crédito válido por 7 días, suficiente para unas 50 000 caracteres. Las cuentas creadas con correo y contraseña comienzan sin este crédito inicial.

  • Crédito: $0.50 para probar la API.
  • Validez: 7 días tras el registro.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Este enfoque elimina la necesidad de aprender protocolos propietarios, permitiendo a los equipos de producto centrarse en la lógica de negocio.

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. LibriTTS-R paper (arXiv 2305.18802)
  3. LibriVox public-domain audiobooks
  4. Python documentation
  5. curl documentation
  6. IETF RFC 7845: Ogg Opus
  7. Tether (USDT)
  8. ISO 639 language codes
  9. FFmpeg documentation
  10. W3C WAI: making audio and video accessible
  11. Creative Commons Attribution 4.0
  12. MDN: Web Speech API

Más en este sitio