¿Cómo funciona la API de texto a voz y qué ofrece?

Por Equipo editorial LectorVoz · Actualizado 2026-11-19

Esta página explica cómo funciona nuestra API de texto a voz (TTS) y por qué es una herramienta clave para equipos de producto que desarrollan aplicaciones accesibles. Descubre cómo convertir texto en audio de alta calidad, optimizar la experiencia para usuarios con dislexia y entender las limitaciones técnicas reales sin promesas exageradas.

Obtendrás detalles concretos sobre la integración, los 23 idiomas soportados, los formatos de audio disponibles y el modelo de precios por uso. También aclararemos cómo se gestiona la privacidad de tus datos y qué características faltan, para que puedas evaluar si esta solución cloud se adapta a los flujos de trabajo de tu equipo de desarrollo.

¿Cómo funciona la API de texto a voz y qué ofrece?

Preguntas frecuentes

¿Qué significa API en este contexto?

Una interfaz que permite a tu aplicación enviar texto y recibir un archivo de audio mediante una petición POST. Sigue el formato estándar de OpenAI, lo que facilita la integración técnica sin necesidad de desarrollar un motor de síntesis desde cero.

¿Por qué es importante para la dislexia?

Facilita el acceso al contenido escrito al convertir texto en audio claro. Ofrece voces como Aria o Nova, apoyando directamente a usuarios con dislexia o dificultades de lectura dentro de tus aplicaciones y productos digitales.

¿Las voces suenan humanas?

Sí, son grabaciones licenciadas de Lecturas de Dominio Público de LibriVox. Cada archivo generado incluye una marca de agua inaudible que lo identifica como habla sintética, manteniendo una calidad natural pero claramente generada por la API.

¿Puede leer textos largos sin cortar?

La API procesa bloques de hasta 4096 caracteres. Para textos más extensos, debes dividirlos en partes y unir los archivos de audio resultantes. El proceso es secuencial, por lo que tiempos de espera pueden variar bajo carga.

¿Qué es el límite de 4096 caracteres?

Es la longitud máxima de texto permitida en el campo 'input' de cada solicitud individual. Si tu texto excede este límite, debes dividirlo en fragmentos más pequeños para garantizar que la API pueda procesar y sintetizar correctamente cada parte.

¿Se puede controlar la entonación?

No disponemos de etiquetas de emoción ni SSML. El control se limita a ajustar la velocidad entre 0.25 y 4.0. La entonación depende del modelo seleccionado y la voz elegida, sin personalización granular de la prosodia.

¿Qué es el formato MP3?

Es uno de los formatos de audio compatibles, junto con WAV, OPUS, FLAC y PCM. Se selecciona mediante el campo 'response_format' en la solicitud JSON, permitiendo elegir la calidad y el tamaño de archivo adecuados para tu aplicación.

¿Los datos del usuario son privados?

El texto de entrada se usa solo para generar el audio y no se entrena con él. El audio generado se devuelve en la respuesta y no se almacena. Solo conservamos metadatos de solicitud para fines de facturación y auditoría.

¿Necesito saber programar para usarlo?

Sí, requiere enviar peticiones HTTP POST con un cuerpo JSON. Puedes usar los SDKs de OpenAI modificando la URL base o realizar llamadas directas. Es necesario conocer conceptos básicos de integración de APIs y gestión de claves.

¿Qué es un SDK de OpenAI?

Es una biblioteca de código que simplifica las llamadas a la API. Funciona con nuestra interfaz cambiando la 'base_url' a https://api.g781b.info/v1, reutilizando la lógica de autenticación y manejo de respuestas que ya conoces de otros servicios.

¿Puedo usarlo en mi sitio web?

Sí, es ideal para integrar lectura en voz alta directamente en aplicaciones web. Solo necesitas enviar texto desde tu frontend o backend a nuestro endpoint y reproducir el audio resultante, facilitando la accesibilidad para tus usuarios finales.

¿Cómo se paga por el uso?

Se cobra $10 por cada millón de caracteres. El saldo se recarga mediante USDT en la red TRON (TRC-20). No hay planes mensuales ni costos fijos; pagas solo por los caracteres procesados, con facturación precisa y transparente.

¿Qué es USDT en TRON?

Es un token estable (USDT) que circula en la blockchain TRON (red TRC-20). Es el único método de recarga aceptado. Las transferencias se acreditan automáticamente en minutos, sin necesidad de tarjetas de crédito ni procesamiento bancario tradicional.

¿Hay garantía de disponibilidad?

No ofrecemos SLA ni garantía de tiempo de actividad (uptime). Las solicitudes se procesan en cola, por lo que tiempos de respuesta pueden variar. No hay contratos empresariales ni certificaciones específicas como SOC 2 o HIPAA asociadas al servicio.

Definición de API de texto a voz

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

La API de texto a voz (TTS) transforma caracteres escritos en audio audible. Permite a los equipos de producto integrar narración automatizada en sus aplicaciones, facilitando la accesibilidad para usuarios con dislexia o dificultades de lectura sin requerir lectores de pantalla externos.

Conversión de texto a audio

El sistema procesa input textual y devuelve un archivo de audio listo para reproducirse. Cada solicitud genera un archivo único que puede integrarse directamente en la interfaz de usuario.

Interfaz de programación

Se accede mediante una llamada HTTP POST al endpoint /v1/audio/speech. La estructura del cuerpo JSON es idéntica a la de OpenAI, lo que permite usar sus SDKs oficiales simplemente cambiando la base_url a https://api.g781b.info/v1.

  • Endpoint: POST /v1/audio/speech
  • Formato: JSON estándar
  • Compatibilidad: SDKs de OpenAI

Generación en la nube

Todo el procesamiento ocurre en servidores remotos, eliminando la necesidad de potencia de cómputo local. Solo necesitas enviar el texto y recibir el archivo audio resultante.

Importancia para la accesibilidad

Ilustración de onda de sonido para: Importancia para la accesibilidad

La API convierte texto en audio natural, permitiendo que los usuarios con dislexia accedan al contenido sin esfuerzo visual. Al escuchar la lectura, se reduce la carga cognitiva y se facilita la retención de información clave.

Ayuda a personas con dislexia

Ofrece una alternativa directa a la lectura visual, ideal para quienes tienen dificultades con el texto impreso o digital.

  • Reduce la fatiga visual
  • Permite leer a la velocidad adecuada

Mejora la comprensión lectora

La combinación de escuchar y leer simultáneamente refuerza la comprensión del material y mantiene el enfoque en el contenido.

Inclusión digital

Garantiza que las aplicaciones sean accesibles desde el primer momento, cumpliendo con estándares de inclusión sin complejidades técnicas.

Cómo funciona técnicamente

Ilustración de onda de sonido para: Cómo funciona técnicamente

La integración comienza enviando una petición POST al endpoint https://api.g781b.info/v1/audio/speech. El cuerpo de la solicitud debe incluir el texto (hasta 4096 caracteres), el modelo (tts-1 o tts-1-hd), la voz elegida y el formato deseado, autenticándose con una clave API.

El servicio procesa la solicitud de forma asíncrona. Si el texto excede el límite, debe dividirse en partes y unirse posteriormente. Los tiempos de generación varían según la carga, siendo aproximadamente en tiempo real para textos largos.

Envío de texto al endpoint

Envía una petición POST a https://api.g781b.info/v1/audio/speech con un cuerpo JSON que contenga el campo input con tu texto, el model seleccionado, el voice y el response_format.

  • Endpoint: POST https://api.g781b.info/v1/audio/speech
  • Cuerpo JSON con campos: model, input, voice, response_format
  • Límite de 4096 caracteres por petición

Procesamiento de audio

La API utiliza motores de síntesis estándar para convertir el texto en audio. El procesamiento se realiza secuencialmente; bajo alta carga, las solicitudes pueden esperar en una cola.

  • Modelos disponibles: tts-1 y tts-1-hd
  • Velocidad ajustable entre 0.25x y 4.0x

Recuperación del archivo

La respuesta contiene directamente el archivo de audio generado en el formato solicitado. Si la síntesis falla, no se realiza ningún cargo.

  • Formatos soportados: mp3, wav, opus, flac, pcm

Voces y naturalidad

Ilustración de onda de sonido para: Voces y naturalidad

La API ofrece ocho voces predefinidas, como Aria o Felix, que garantizan claridad y naturalidad en la lectura. Estas voces están diseñadas para integrarse sin fricción en aplicaciones educativas o de accesibilidad, manteniendo un tono profesional y amigable.

Voces predefinidas claras

Cada voz tiene un carácter distintivo: desde la narradora cálida de Aria hasta el tono documental de Orion. Puedes seleccionar la que mejor se adapte a tu audiencia, ya sea para contenido instruccional o narrativo, sin necesidad de ajustes complejos.

  • Aria: narradora clara
  • Felix: energético
  • Milo: conversacional
  • Atlas: neutral

Registro de audio licenciado

Las voces se basan en grabaciones con licencia CC BY 4.0 del proyecto LibriTTS-R. Esto asegura que el origen del audio sea transparente y legal, utilizando lecturas de dominio público que han sido procesadas para ofrecer consistencia en la calidad del sonido.

Marca de agua sintética

Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial. Esto permite verificar el origen del contenido sin afectar la experiencia de escucha del usuario final, manteniendo la transparencia sobre la naturaleza del audio.

Idiomas y alcance global

Ilustración de onda de sonido para: Idiomas y alcance global

LectorVoz soporta 23 idiomas, incluyendo inglés, español, alemán, japonés y árabe, con la capacidad de que cualquier voz hable cualquier idioma de la lista. Esto elimina la necesidad de gestionar múltiples voces para diferentes mercados globales.

23 idiomas soportados

El servicio incluye chino, danés, finés, griego, hebreo, hindi, malayo, noruego, polaco, portugués, ruso, sueco, turco, suajili y más. Si un idioma no está en esta lista, no se admite.

Detección automática

Si no especificas el idioma, el sistema lo adivina según el script del texto. El texto latino por defecto se interpreta como inglés; para otros idiomas en latín, debes configurar el parámetro language.

Cobertura multilingüe

La misma voz puede cambiar de idioma sin cambio de modelo, facilitando la integración en aplicaciones educativas o de accesibilidad que sirven a usuarios de diversas lenguas sin aumentar la complejidad técnica.

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

Integración en aplicaciones

Ilustración de onda de sonido para: Integración en aplicaciones

La API se integra directamente en el flujo de trabajo de desarrollo para habilitar la lectura en voz alta sin depender de componentes externos. Al enviar texto al endpoint, los equipos obtienen archivos de audio listos para reproducirse en cualquier dispositivo, facilitando la accesibilidad desde el primer momento.

Esta integración permite que las aplicaciones ofrezcan una experiencia de lectura multimodal, donde el usuario puede alternar entre leer y escuchar según sus necesidades cognitivas o del entorno.

Lectores de pantalla

La API complementa perfectamente a los lectores de pantalla existentes al ofrecer audio de alta calidad generado al instante. Los usuarios con dislexia o dificultades visuales pueden escuchar el contenido de la aplicación sin la rigidez de los sintetizadores básicos del sistema operativo.

Al integrar la API nativamente, el flujo de audio se sincroniza con la interfaz de usuario, mejorando la comprensión lectora y reduciendo la fatiga visual durante el uso prolongado.

  • Sincronización directa con la interfaz de usuario.
  • Calidad de voz superior a los sintetizadores del sistema.
  • Mejora la retención de información auditiva.

Apps educativas

En entornos de aprendizaje, la API permite convertir textos estáticos en experiencias auditivas dinámicas. Los estudiantes pueden escuchar lecciones, ejercicios o materiales de estudio en el formato que mejor se adapte a su estilo de aprendizaje, apoyando tanto la accesibilidad como la flexibilidad pedagógica.

El formato de audio generado se integra fácilmente en aplicaciones móviles o web, permitiendo que los usuarios accedan al contenido educativo en cualquier momento y lugar, sin necesidad de conexión visual constante.

  • Adaptación a diferentes estilos de aprendizaje.
  • Acceso a contenido educativo en formato auditivo.
  • Integración sencilla en plataformas LMS existentes.

Sitios web inclusivos

Los sitios web pueden utilizar la API para ofrecer una alternativa de lectura en voz alta a sus artículos o páginas de producto. Esto no solo mejora la accesibilidad para personas con dislexia, sino que también optimiza la experiencia para usuarios que prefieren consumir contenido auditivamente.

La integración técnica es mínima: se envía el texto del DOM a la API y se reproduce el audio resultante. Esto garantiza que el contenido sea accesible sin requerir cambios mayores en la estructura del sitio.

  • Opción de 'escuchar artículo' en blogs.
  • Sin necesidad de plugins externos.

Formatos de audio útiles

Ilustración de onda de sonido para: Formatos de audio útiles

La API permite generar audio en múltiples formatos para adaptarse a las necesidades técnicas de tu aplicación. Cada formato tiene un propósito específico en cuanto a compatibilidad, calidad y eficiencia de almacenamiento.

MP3 para compatibilidad

Es el formato más universal, ideal para reproductores web y dispositivos móviles. Garantiza una amplia compatibilidad sin necesidad de codecs adicionales.

WAV para calidad

Ofrece audio sin pérdida, perfecto para edición posterior o archivos de alta fidelidad. Es la mejor opción cuando se prioriza la integridad del sonido sobre el tamaño del archivo.

OPUS para eficiencia

Proporciona una excelente relación calidad-tamaño, reduciendo el uso de ancho de banda. Es ideal para aplicaciones con limitaciones de red o almacenamiento.

Formatos de audio útiles

Privacidad de datos

Ilustración de onda de sonido para: Privacidad de datos

La API procesa tu texto para generar audio sin retener el contenido original. Una vez entregado el archivo de voz, el texto enviado no se almacena en nuestros servidores para futuras lecturas o análisis de contenido, garantizando que la información sensible de tus usuarios permanezca efímera.

Texto no almacenado

El texto que envías se utiliza únicamente para la síntesis inmediata y no se guarda para entrenar modelos ni para otros fines comerciales. Esto asegura que la privacidad de tus usuarios esté protegida desde el primer momento de la interacción.

Uso exclusivo para síntesis

Cada solicitud de audio es un proceso aislado. No realizamos minería de datos sobre tus textos para mejorar algoritmos genéricos, lo que mantiene el enfoque en tu aplicación específica sin desviar tu contenido para otros usos.

Metadatos de facturación

Se conservan solo los metadatos necesarios para la facturación precisa: timestamp, cantidad de caracteres procesados y estado de la solicitud. Esta información es estrictamente operativa y no contiene el contenido del texto ni identifica a los usuarios finales.

Limitaciones a considerar

Ilustración de onda de sonido para: Limitaciones a considerar

La API tiene límites técnicos claros que debes planificar para integraciones fluidas. Conocer estas restricciones desde el inicio evita sorpresas durante el despliegue en tus aplicaciones de accesibilidad.

Límite de 4096 caracteres

Cada solicitud soporta hasta 4096 caracteres de entrada. Para textos más largos, debes dividirlos en partes y unir los archivos de audio resultantes.

Sin SSML nativo

El servicio no interpreta etiquetas SSML para controlar pausas o entonación específica. La entonación se gestiona mediante la selección de la voz y la velocidad.

Sin streaming en tiempo real

La generación devuelve el archivo completo al finalizar el proceso. No hay transmisión parcial del audio mientras se sintetiza, lo que implica un breve retraso inicial.

Costos y monetización

Ilustración de onda de sonido para: Costos y monetización

La API de texto a voz de LectorVoz opera bajo un modelo estricto de pago por uso. Cada solicitud consume caracteres del texto enviado, independientemente del formato o la voz elegida.

El costo se calcula a razón de $10 por cada millón de caracteres, lo que equivale a $0.01 por 1.000 caracteres. Los espacios y signos de puntuación también cuentan como caracteres consumidos.

Pago por uso

La facturación es transparente y directa. Solo pagas por los caracteres que realmente se sintetizan en audio. Si una solicitud falla, la carga se devuelve íntegramente, asegurando que no pierdas crédito por errores del servicio.

Sin costos fijos

No hay planes mensuales, ni cuotas de permanencia, ni costes por asientos de usuario. Tampoco existe un gasto mínimo obligatorio. Si no generas audio, no pagas nada, lo que permite escalar el uso según la demanda real de tu equipo de producto.

Prueba gratuita disponible

Al registrarte con Google, recibes $0.50 de crédito en prueba, equivalente a aproximadamente 50.000 caracteres válidos por 7 días. Si usas correo y contraseña, la cuenta comienza sin este crédito. El saldo restante nunca expira.

  • Crédito inicial: $0.50 USD
  • Equivalente a ~50.000 caracteres
  • Validez: 7 días desde la activación

Casos de uso educativos

Ilustración de onda de sonido para: Casos de uso educativos

La API permite integrar lectura de voz en aplicaciones educativas, facilitando el acceso a textos largos para estudiantes con dislexia o dificultades de lectura. Al convertir material didáctico en audio, se mejora la comprensión y se reduce la carga cognitiva del proceso de lectura tradicional.

Lectura de libros digitales

Los estudiantes pueden consumir contenido literario o académico sin depender exclusivamente de la vista. La API procesa textos de hasta 4096 caracteres por solicitud, generando audio natural que mantiene la fluidez de la narrativa, lo cual es crucial para mantener la atención durante lecturas prolongadas.

  • Conversión automática de capítulos o artículos en audio
  • Uso de voces como 'luna' para narrativa
  • Compatibilidad con lectores de pantalla existentes

Ayuda en exámenes

En entornos evaluativos, la API permite leer preguntas y enunciados en voz alta, asegurando que las dificultades de lectura no afecten el rendimiento del estudiante. Esto nivela el campo de juego para quienes necesitan apoyo auditivo, permitiendo demostrar su conocimiento real del tema.

  • Lectura clara de instrucciones complejas
  • Soporte para múltiples idiomas (23 disponibles)
  • Generación rápida para tiempos de prueba ajustados

Acceso a noticias

Las aplicaciones educativas pueden integrar noticias diarias en formato audio, fomentando la actualización informativa sin exigir lectura visual constante. El formato MP3 u OPUS optimiza el uso de datos móviles, permitiendo a los estudiantes escuchar actualizaciones educativas mientras se desplazan o realizan otras actividades.

  • Integración sencilla en sitios web inclusivos
  • Soporte para textos en español y otros 22 idiomas
  • Costo eficiente por carácter consumido

Soporte y mantenimiento

Ilustración de onda de sonido para: Soporte y mantenimiento

El mantenimiento se centra en la estabilidad del servicio y la claridad de la información. No ofrecemos garantías de tiempo de actividad (SLA) ni soporte telefónico; la comunicación es asincrónica y eficiente.

Actualización de voces

Las ocho voces predefinidas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) están basadas en grabaciones licenciadas. No se ofrece clonación personalizada ni diseño de voces nuevas bajo demanda, pero las existentes se mantienen estables para garantizar consistencia en tus aplicaciones.

Soporte por email

El único canal de asistencia es el correo electrónico. No hay chat en vivo ni número de teléfono. Esto permite un seguimiento detallado de incidencias técnicas o de facturación sin las esperas típicas de la atención en tiempo real.

Documentación técnica

La documentación está en la ruta /docs/. Incluye ejemplos de código listos para copiar y explicar la estructura de las peticiones JSON. Es el recurso principal para integrar la API sin ambigüedades ni suposiciones.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Aquí encontrarás el desglose transparente de los costos para tu proyecto de accesibilidad.

Avatar de la voz aria
ariafemenino
Avatar de la voz nova
novafemenino
Avatar de la voz luna
lunafemenino
Avatar de la voz sage
sagefemenino
Avatar de la voz felix
felixmasculino
Avatar de la voz milo
milomasculino
Avatar de la voz atlas
atlasmasculino
Avatar de la voz orion
orionmasculino

23 idiomas

Cualquier voz puede hablar cualquiera de estos idiomas.

Fuentes y lecturas adicionales

  1. Wikipedia
  2. openai-python on GitHub
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. Node.js documentation
  5. MDN: Web Speech API
  6. IETF RFC 7845: Ogg Opus
  7. FFmpeg documentation
  8. openai-node on GitHub
  9. LibriVox public-domain audiobooks
  10. ISO 639 language codes
  11. LibriTTS-R corpus (OpenSLR 141)
  12. OpenAI API reference: create speech

Más en este sitio