Integración de voz sintética para lectores de pantalla

Por Equipo editorial LectorVoz · Actualizado 2026-11-19

Esta guía ayuda a equipos de producto a integrar lectura en voz alta accesible en sus aplicaciones. Cubrimos criterios de selección, voces ideales para dislexia, costos reales y detalles técnicos de la API de LectorVoz.

Obtendrás ejemplos concretos de integración, análisis de rendimiento y consideraciones de privacidad. Es un recurso práctico para desarrolladores que priorizan la claridad y la inclusión sin complicaciones técnicas innecesarias.

Integración de voz sintética para lectores de pantalla

Preguntas frecuentes

¿Qué voz es mejor para dislexia?

Sage (calma, instructivo) y Aria (narradora clara) son ideales por su claridad. Luna es suave y narrativa. Aria también ofrece una voz clara y directa. Puedes ajustar la velocidad entre 0.25 y 4.0 para facilitar la comprensión auditiva, permitiendo que los usuarios con dislexia procesen el texto a su propio ritmo sin perder la claridad del audio generado.

¿Cuál es el idioma más soportado?

Todos los 23 idiomas tienen el mismo soporte técnico y calidad. No hay un idioma 'mejor' que otro; las voces pueden hablar cualquier idioma de la lista, desde inglés hasta swahili. Si usas texto en latín que no sea inglés, debes especificar el campo language para evitar que el sistema adivine incorrectamente el idioma.

¿Es más barato MP3 o WAV?

El precio es idéntico para todos los formatos, incluido MP3 y WAV. Se cobra $0.01 por cada 1.000 caracteres procesados, independientemente del formato de salida seleccionado. La diferencia radica únicamente en la calidad de audio y el tamaño del archivo, no en el costo de la API. Puedes elegir el formato que mejor se adapte a tu aplicación.

¿Cuánto tarda en generarse el audio?

El audio se genera aproximadamente a velocidad real, lo que equivale a unos 25 caracteres por segundo de texto. Las frases cortas pueden tardar unos segundos adicionales debido al procesamiento. Si hay muchas solicitudes simultáneas, las peticiones pueden entrar en una cola y tardar más.

¿Puedo mezclar varias voces?

La API no permite mezclar voces en una sola solicitud ni tiene soporte para SSML. Cada llamada genera audio con una sola voz predefinida. Para crear una mezcla, debes generar fragmentos de audio por separado con la voz deseada y unirlos posteriormente en tu aplicación cliente usando un editor de audio o lógica personalizada.

¿Qué es una marca de agua en audio?

Cada archivo de audio generado contiene una marca de agua inaudible que indica que el contenido es síntesis de voz artificial. Esta marca no afecta la calidad audible ni la experiencia del usuario final. Sirve para identificar claramente el origen del audio como generado por nuestra API, diferenciándolo de grabaciones humanas o contenido natural.

¿Es seguro para datos de niños?

El texto ingresado se usa exclusivamente para generar el audio y no se utiliza para entrenar modelos. El audio generado se devuelve en la respuesta y no se almacena en nuestros servidores. Solo conservamos metadatos de la solicitud (tiempo, caracteres, estado) para facturación. Esto garantiza que la información personal de los niños no se retenga para otros usos.

¿Se puede usar en iOS o Android?

Sí, puedes integrar la API en aplicaciones iOS o Android mediante llamadas HTTP estándar o usando los SDKs de OpenAI modificando la URL base. No ofrecemos un SDK móvil nativo específico, pero la API funciona en cualquier entorno que soporte solicitudes HTTP POST JSON. Solo necesitas tu clave API y conocer la estructura del cuerpo de la solicitud.

¿Qué pasa si excedo los 60 req/min?

Tu solicitud entrará en una cola de procesamiento. Las peticiones se procesan una tras otra, por lo que experimentarás un aumento en el tiempo de respuesta hasta que la carga baje. No se pierden las solicitudes ni se cobran dos veces, pero la generación de audio tardará más tiempo debido a la congestión de la cola.

¿Necesito un dominio específico?

No necesitas un dominio propio para usar la API, pero tu clave API está vinculada a la cuenta creada en este sitio. Debes apuntar tus solicitudes a https://api.g781b.info/v1. Si usas SDKs de terceros, solo necesitas ajustar la URL base. El dominio del sitio web no afecta el funcionamiento técnico de la API.

¿Las voces cambian con el tiempo?

Las voces son presets fijos basados en grabaciones licenciadas de LibriVox y no cambian dinámicamente. No hay clonación de voz personalizada ni diseño de voz en tiempo real. Las ocho voces disponibles (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) mantienen su identidad acústica estable para garantizar consistencia en tus aplicaciones a lo largo del tiempo.

¿Cómo se valida la calidad del audio?

La calidad se basa en voces licenciadas de grabaciones reales y modelos de síntesis estándar. Puedes escuchar ejemplos probando las diferentes voces y configuraciones de velocidad. No ofrecemos garantías de calidad subjetiva ni SLA. Se recomienda probar la voz con tu texto específico antes de integrarlo a gran escala.

Criterios de selección

Ilustración de onda de sonido para: Criterios de selección

Para equipos de producto que priorizan la accesibilidad, la claridad es el primer filtro. LectorVoz ofrece voces como Aria (narradora clara y cálida). La API no garantiza clínicamente que reduzca la fatiga auditiva, pero su claridad la hace útil para lectores con dislexia.

El soporte de 23 idiomas y la detección automática permiten escalar aplicaciones sin configuraciones complejas. La integración es inmediata mediante un endpoint REST estándar, compatible con SDKs de OpenAI, lo que acelera el desarrollo sin dependencias propietarias.

Claridad de las voces

La legibilidad auditiva es crítica para lectores de pantalla. Aria ofrece una narrativa clara y constante, ideal para contenido informativo.

Nova proporciona un tono brillante y enérgico, útil para avisos rápidos o notificaciones que requieren atención inmediata.

Luna suaviza la experiencia con una voz narrativa ideal para historias largas, manteniendo un ritmo cómodo para la comprensión.

Soporte de idiomas

La API soporta 23 idiomas, incluyendo español, inglés, francés, alemán y japonés. Si el campo language no se especifica, el sistema detecta el guion, asumiendo inglés para texto en latín.

Esta detección automática simplifica la internacionalización de aplicaciones, permitiendo que el mismo motor maneje múltiples mercados sin cambios de infraestructura.

  • Español, Inglés, Francés, Alemán, Italiano, Portugués
  • Chino, Japonés, Coreano, Árabe, Ruso
  • Danés, Finlandés, Griego, Hebreo, Hindi
  • Malayo, Noruego, Polaco, Sueco, Turco
  • , Suajili

Facilidad de integración

Utiliza la misma estructura de solicitud que el endpoint de voz de OpenAI. Solo necesitas cambiar el base_url a https://api.g781b.info/v1 y usar tu clave API.

La autenticación es mediante un token Bearer. Un solo tipo de clave activa por cuenta, renovable instantáneamente si es necesario.

  • Endpoint: POST /v1/audio/speech
  • Formato: JSON estándar
  • SDK: Compatible con librerías oficiales de OpenAI
  • Autenticación: Bearer token

Voces recomendadas para lectura

Ilustración de onda de sonido para: Voces recomendadas para lectura

Aquí tienes las tres voces recomendadas para lectura

Aria: narradora clara

Aria es la opción ideal para textos informativos largos. Su tono claro y cálido facilita la comprensión lectora.

  • Voz femenina
  • Estilo narrador claro

Nova: voz brillante y rápida

Nova ofrece un tono brillante y enérgico, perfecto para lecturas dinámicas.

  • Voz femenina
  • Estilo brillante y enérgico

Luna: suave para historias

Luna destaca por su suavidad, ideal para narrativas o contenido relajante.

  • Voz femenina
  • Estilo suave y narrativo

Comparativa de idiomas soportados

Ilustración de onda de sonido para: Comparativa de idiomas soportados

LectorVoz ofrece soporte nativo para 23 idiomas, cubriendo las necesidades principales de audiencia global. Esta variedad permite que productos de accesibilidad funcionen desde el primer día en mercados diversos sin configuración adicional compleja.

23 idiomas disponibles

La API gestiona voces de alta calidad en múltiples idiomas, asegurando coherencia auditiva en aplicaciones multilingües. Esto facilita la inclusión de usuarios con dislexia o dificultades de lectura en diferentes regiones lingüísticas.

Detección automática de idioma

Si no especificas el campo language, el sistema intenta deducirlo basado en el script del texto. El texto en latín se asume como inglés por defecto, por lo que es crucial establecer el código ISO para textos en otros idiomas latinos.

Idiomas soportados

Se admiten los siguientes idiomas: Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish y Turkish.

No se incluyen vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otros.

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

Análisis de costos

Ilustración de onda de sonido para: Análisis de costos

Aquí encontrarás el desglose transparente de los costos para tu proyecto de accesibilidad. Entender el precio por carácter te permite presupuestar con precisión y evitar sorpresas en la facturación mensual.

Precio por carácter

El costo es de $0.01 por cada 1,000 caracteres, contando espacios y puntuación. Esto equivale a $10 por millón de caracteres. Los caracteres se miden exactamente como los envías en el campo input.

  • $0.01 / 1,000 caracteres
  • $10 / 1,000,000 caracteres
  • Espacios y puntuación cuentan como caracteres

Costos en volumen alto

No hay planes fijos ni pagos mínimos. Solo pagas lo que usas. Si una solicitud falla, el cargo se devuelve íntegramente, lo que protege tu presupuesto en casos de errores de red.

El saldo no expira y puedes recargar cuando quieras con USDT (TRC-20). No hay cargos ocultos por suscripciones o facturas con IVA.

Prueba gratuita incluida

Al registrarte con Google, recibes $0.50 de crédito, suficiente para aproximadamente 50,000 caracteres. Este crédito es válido por 7 días.

Si usas correo y contraseña, no hay crédito inicial. Es ideal probar la integración antes de comprometer fondos.

  • $0.50 de crédito inicial
  • Aprox. 50,000 caracteres
  • Válido por 7 días
  • Solo con inicio de sesión Google

Tecnología subyacente

Ilustración de onda de sonido para: Tecnología subyacente

La API utiliza dos modelos de motor de síntesis, "tts-1" y "tts-1-hd", que comparten el mismo motor subyacente y precio. Ambos utilizan el mismo motor y tienen el mismo precio; la diferencia es la calidad de audio (tts-1-hd es superior).

Cada solicitud procesa texto plano mediante endpoints REST simples, permitiendo a los equipos de producto integrar la funcionalidad de lectura en voz alta directamente en sus aplicaciones sin complejidades adicionales.

Motor de síntesis

El sistema emplea los modelos "tts-1" y "tts-1-hd", que funcionan con el mismo motor de síntesis y tienen el mismo precio. Esto simplifica la integración técnica, ya que la lógica de generación es idéntica independientemente de la elección de calidad.

Archivos de audio licenciados

Las voces se basan en grabaciones con licencia del proyecto LibriTTS-R (CC BY 4.0), derivadas de lecturas de audiolibros de dominio público de LibriVox. Esto garantiza una base sólida de voces naturales y libres de restricciones complejas.

Marca de agua sintética

Cada archivo de audio generado lleva una marca de agua inaudible que identifica el contenido como voz sintética. Esto permite una verificación sencilla de la procedencia del audio sin afectar la experiencia de escucha del usuario.

Integración técnica

Ilustración de onda de sonido para: Integración técnica

La integración de LectorVoz es directa: basta con cambiar la URL base del SDK de OpenAI a https://api.g781b.info/v1 y utilizar la clave de la API. Esto permite usar las mismas librerías oficiales sin adaptar código complejo, ideal para equipos que buscan rapidez de implementación en sus aplicaciones de accesibilidad.

Uso con SDK de OpenAI

Configura el cliente apuntando a https://api.g781b.info/v1 y usa el método audio.speech. La estructura del cuerpo JSON es idéntica, lo que facilita la migración o el desarrollo inicial sin fricción técnica.

  • SDK oficial de OpenAI compatible
  • Cambio único de base_url
  • Mismas librerías de código abierto

Endpoints REST simples

Envía texto mediante POST /v1/audio/speech y recibe el archivo de audio cuando finaliza la síntesis. Los parámetros model, voice y input son los únicos necesarios para generar la lectura en voz alta en la aplicación.

Para gestionar la cuenta, GET /v1/voices muestra las 8 voces disponibles y sus formatos, mientras que GET /v1/models detalla las opciones de motor.

Manejo de errores

Las solicitudes fallidas no consumen crédito, garantizando que el balance del equipo no se afecte por errores transitorios. Si la síntesis falla, el cargo se devuelve íntegramente.

Los límites de tasa (60 req/min) se manejan con lógica estándar de reintento exponencial. Para textos largos, divide el input en fragmentos de 4096 caracteres y une los archivos resultantes.

Formatos de audio optimizados

Ilustración de onda de sonido para: Formatos de audio optimizados

La API permite elegir entre mp3, wav, opus, flac y pcm para adaptarse a las necesidades técnicas de tu aplicación. Esta flexibilidad asegura que el audio se reproduzca correctamente en cualquier dispositivo, desde smartphones hasta sistemas de accesibilidad avanzados.

MP3 para móviles

El formato MP3 ofrece un equilibrio óptimo entre calidad y tamaño de archivo. Es ideal para aplicaciones móviles donde el ahorro de datos y la velocidad de carga son prioritarios.

WAV para estudio

Para usuarios que requieren la máxima fidelidad sonora sin compresión, el formato WAV es la opción recomendada. Garantiza una reproducción precisa que facilita la comprensión en entornos de aprendizaje o lectura crítica.

OPUS para bajo ancho de banda

En conexiones lentas o regiones con limitaciones de red, OPUS proporciona una compresión eficiente sin perder inteligibilidad. Es perfecto para mantener la fluidez en la lectura automática.

Formatos de audio optimizados

Rendimiento y latencia

Ilustración de onda de sonido para: Rendimiento y latencia

La velocidad de generación se aproxima a la velocidad real, procesando aproximadamente 25 caracteres por segundo para textos extensos. Sin embargo, las frases breves pueden requerir unos segundos adicionales debido a la sobrecarga inicial del motor.

Las solicitudes se procesan en secuencia, lo que significa que bajo carga, cada petición puede esperar en una cola antes de comenzar. Esto afecta la percepción de inmediatez en aplicaciones que realizan múltiples peticiones simultáneas.

Velocidad de generación

El rendimiento depende de la longitud del texto. Mientras los textos largos mantienen un ritmo constante cercano al tiempo real, las frases cortas experimentan latencias mayores debido al tiempo de inicialización del servicio.

Para una experiencia de usuario fluida, se recomienda enviar bloques de texto de hasta 4096 caracteres. Esto maximiza la eficiencia del motor y minimiza el tiempo total de espera.

  • Aproximadamente 25 caracteres por segundo en textos largos
  • Frases cortas pueden tardar varios segundos
  • Procesamiento secuencial de solicitudes

Cola de solicitudes

Las peticiones se encolan una tras otra. Si varios usuarios o servicios consumen la API al mismo tiempo, la cola crece y la latencia aumenta proporcionalmente.

Este modelo simple evita la complejidad del streaming, pero requiere que las aplicaciones manejen tiempos de espera variables para mantener la estabilidad.

Límites de tasa

El límite estándar es de 60 solicitudes por minuto por clave. Antes de la primera recarga, este límite se reduce a 10 solicitudes por minuto.

Superar estos límites puede resultar en respuestas 429 (Too Many Requests). Es crucial implementar lógica de reintento con retroceso exponencial en las aplicaciones para manejar estas limitaciones sin interrumpir la experiencia del usuario.

  • 60 solicitudes/minuto tras la primera recarga
  • 10 solicitudes/minuto antes de la primera recarga
  • Implementar reintentos con retroceso

Privacidad y datos

Ilustración de onda de sonido para: Privacidad y datos

LectorVoz está diseñado para proteger la privacidad de tus usuarios, especialmente en entornos de salud y educación donde la confidencialidad es crítica. Nuestra arquitectura minimiza la retención de información sensible para garantizar que el texto enviado sea estrictamente funcional.

El tratamiento de datos se limita a lo necesario para la generación del audio, asegurando que la identidad del usuario y el contenido de su lectura permanezcan bajo tu control.

Al integrarnos en tu flujo de trabajo de accesibilidad, eliminas la incertidumbre sobre el uso secundario del contenido que tus lectores con dislexia o dificultades de lectura consumen.

Texto no entrenado

El texto que envías mediante la API se utiliza exclusivamente para producir el archivo de audio correspondiente. No lo almacenamos para mejorar modelos ni lo utilizamos en conjuntos de datos de entrenamiento para futuros desarrollos del motor de síntesis.

Esto significa que las frases, nombres o contexto específico de tus usuarios no se convierten en parte de nuestro aprendizaje automático, manteniendo la originalidad de la entrada.

Sin almacenamiento de audio

Una vez que la síntesis finaliza, el archivo de audio se devuelve en la respuesta HTTP y no se persiste en nuestros servidores de forma permanente.

A diferencia de otros servicios que guardan copias de tus audios generados para ofrecer historiales o análisis, LectorVoz no conserva estos archivos de audio generados, garantizando que la salida sea efímera.

Si tu aplicación requiere guardar el audio, es tu responsabilidad gestionarlo según tu propia política de privacidad.

Metadatos mínimos

Para efectos de facturación y control de uso, conservamos metadatos básicos: la hora de la solicitud, la cantidad de caracteres procesados y el estado de la operación (éxito o fallo).

Estos datos son necesarios para garantizar que se aplique correctamente el precio por carácter y para resolver incidencias técnicas, pero no incluyen el contenido del texto ni identificadores directos de los usuarios finales.

No realizamos seguimiento de comportamiento ni recopilamos datos adicionales más allá de lo estrictamente necesario para la operación del servicio y la generación de la factura.

Casos de uso específicos

Ilustración de onda de sonido para: Casos de uso específicos

LectorVoz permite convertir contenido estático en audio accesible, facilitando la lectura para usuarios con dislexia o dificultades cognitivas. Al integrar la API en aplicaciones móviles o web, los equipos de producto pueden ofrecer una experiencia de consumo de información más inclusiva y personalizada.

Apps de lectura para dislexia

Las aplicaciones pueden utilizar voces como Aria o Luna para leer textos educativos o de entretenimiento. La claridad de la síntesis reduce la carga cognitiva, permitiendo que los usuarios se concentren en el contenido en lugar de decodificar letras.

La integración es sencilla mediante el SDK de OpenAI, ajustando la velocidad y el formato de audio según las necesidades del dispositivo del usuario.

  • Voces claras y bien articuladas
  • Integración rápida en apps móviles
  • Soporte para múltiples idiomas

Noticias en audio

Los portales de noticias pueden ofrecer sus artículos en formato audio para lectores en movimiento. La voz de Atlas proporciona un tono neutral y profesional, ideal para la transmisión de información factual.

Los usuarios pueden consumir las últimas noticias mientras realizan otras actividades, mejorando la accesibilidad y el alcance del contenido periodístico.

  • Tono neutral y profesional
  • Consumo de contenido en movimiento
  • Actualización automática de noticias

Libros digitales

Las plataformas de libros digitales pueden utilizar LectorVoz para ofrecer narraciones sin costo adicional de derechos de voz. Las voces como Luna o Orion aportan calidez y profundidad a las historias, enriqueciendo la experiencia del lector.

El límite de 4096 caracteres por solicitud permite segmentar capítulos o secciones, generando archivos de audio optimizados para una reproducción fluida.

  • Narración de historias con voz cálida
  • Segmentación por capítulos
  • Ahorro en costos de producción

Limitaciones conocidas

Ilustración de onda de sonido para: Limitaciones conocidas

LectorVoz entrega el audio completo tras el procesamiento, por lo que no ofrece transmisión parcial ni streaming en tiempo real. Los archivos se generan secuencialmente, lo que implica una latencia inicial perceptible en frases cortas, aunque el proceso se acelera en textos largos.

La API no interpreta etiquetas SSML para controlar la entonación, las pausas o la duración de las sílabas. La entonación depende enteramente del modelo de voz seleccionado y del texto plano enviado, sin capacidad de ajuste fino mediante marcas XML nativas.

Sin streaming en tiempo real

La respuesta finaliza con el archivo completo. No hay transmisión parcial ni WebSocket para audio en vivo.

Sin SSML nativo

Se envía texto plano. No se interpretan etiquetas de síntesis para pausas o énfasis específicos.

Límite de caracteres

Cada solicitud acepta un máximo de 4096 caracteres. Para textos más extensos, es necesario dividirlo y unir los archivos resultantes.

Conclusión y recomendación

Ilustración de onda de sonido para: Conclusión y recomendación

LectorVoz ofrece una vía directa para que los equipos de producto integren lectura en voz alta sin gestionar infraestructura compleja. Con un enfoque en la accesibilidad, la API convierte texto en audio claro, ideal para usuarios con dislexia o dificultades de lectura.

Ideal para equipos de producto

La integración es sencilla mediante la API REST, compatible con SDKs estándar. No ofrece acuerdos de nivel de servicio (SLA) ni contratos empresariales, lo que permite escalar el uso según la demanda real sin costos fijos.

  • API REST simple
  • Sin SLA obligatorio
  • Escalado por uso

Enfoque en accesibilidad

Las voces están optimizadas para la claridad y la comprensión. El soporte para 23 idiomas y la detección automática facilitan la inclusión de usuarios multilingües en aplicaciones educativas y de lectura.

Inicio rápido y sencillo

Comienza con una prueba gratuita de 0,50 USD y genera tu primera clave API en minutos. Solo necesitas definir el modelo, el texto y la voz deseada para recibir el audio al instante.

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. TRON developer hub: TRC-20
  3. curl documentation
  4. LibriTTS-R paper (arXiv 2305.18802)
  5. Python documentation
  6. LibriVox public-domain audiobooks
  7. MDN: Web Speech API
  8. Node.js documentation
  9. ISO 639 language codes
  10. openai-python on GitHub
  11. LibriTTS-R corpus (OpenSLR 141)
  12. Creative Commons Attribution 4.0

Más en este sitio