API de Síntesis de Voz para Integración en Aplicaciones

Por Equipo editorial de VozNube · Actualizado 2026-11-19

Esta página describe la API de síntesis de voz de VozNube, diseñada para que desarrolladores indie integren audio en aplicaciones SaaS sin complejidad de infraestructura. Ofrece un endpoint REST estándar compatible con SDKs de OpenAI, permitiendo convertir texto en archivos de audio con una integración predecible y económica.

Aquí encontrarás los detalles técnicos para empezar: ejemplos de código, lista de voces disponibles, formatos de salida y estructura de precios por uso. Si buscas una solución simple para notificaciones o lectores de interfaz, esta es tu guía de referencia rápida.

API de Síntesis de Voz para Integración en Aplicaciones

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que convierte texto en archivos de audio mediante una llamada HTTP POST. Envías el texto y recibes el audio generado. Utiliza un endpoint compatible con el estándar de OpenAI, lo que facilita la integración en aplicaciones existentes sin necesidad de adaptar protocolos complejos o gestionar infraestructura de síntesis de voz.

¿Cómo se integra en una aplicación web?

Realiza una petición POST a https://api.wasp66.info/v1/audio/speech con tu clave API en el encabezado Authorization. El cuerpo debe incluir el texto, el modelo y la voz deseada. Recibirás el archivo de audio directamente en la respuesta. Puedes usar SDKs oficiales de OpenAI modificando solo la base URL para simplificar la implementación.

¿Qué formatos de audio están disponibles?

La API soporta los formatos mp3, wav, opus, flac y pcm. Puedes especificar el formato deseado en el campo response_format de tu solicitud. Esto te permite elegir entre compresión con pérdida, sin pérdida o audio sin comprimir según los requisitos de tu aplicación y el ancho de banda disponible.

¿Cuántos idiomas soporta la API?

Soporta 23 idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suahili, sueco y turco. Cualquier voz puede hablar cualquiera de estos idiomas. Si no especificas el idioma, se deduce del script, por defecto inglés para texto latino.

¿Las voces son realistas y naturales?

Las voces están basadas en grabaciones con licencia de LibriTTS-R y lecturas de dominio público de LibriVox. Ofrecen ocho presets con tonos distintos, desde narradores cálidos hasta voces profundas para documentales. Cada archivo generado incluye una marca de agua inaudible que indica que es síntesis de voz, garantizando transparencia en el contenido generado.

¿Cuánto cuesta el uso de la API?

El costo es de $10 por 1 millón de caracteres, equivalente a $0.01 por 1.000 caracteres. Los espacios y puntuación cuentan como caracteres. No hay planes mensuales ni gastos mínimos. Ofrecemos una prueba gratuita con $0.50 de crédito válido por 7 días al registrarte con Google.

¿Qué pasa si la síntesis falla?

Si la síntesis falla, la carga se devuelve íntegramente. No se te cobra por las solicitudes que no completan la generación de audio. Esto asegura que solo pagues por el trabajo exitoso realizado. Puedes verificar el estado de tu solicitud en los metadatos de la respuesta o en tu panel de uso.

¿Se pueden usar los SDKs de OpenAI?

Sí, la API es compatible con el formato de solicitud de OpenAI. Solo necesitas cambiar la base_url a https://api.wasp66.info/v1 y usar tu clave API de VozNube. Esto permite reutilizar el código existente de aplicaciones que ya integran la API de OpenAI, facilitando la migración o la integración simultánea.

¿Qué límites de velocidad tiene la API?

El límite es de 60 solicitudes por minuto por clave API. Antes de la primera recarga, el límite es de 10 solicitudes por minuto. Las solicitudes se procesan en cola, por lo que bajo carga alta puede haber retrasos. La velocidad de generación es aproximadamente en tiempo real para textos largos (unos 25 caracteres por segundo de audio).

¿Se almacena mi texto para entrenamiento?

No. El texto de entrada se utiliza únicamente para producir el audio y no se usa para entrenamiento de 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 fines de facturación y registro.

¿Cómo puedo recargar mi saldo?

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5. El crédito se acredita automáticamente en minutos después de la transferencia. No aceptamos tarjetas, PayPal ni suscripciones. El saldo no tiene fecha de caducidad y puedes emitir una nueva clave API en cualquier momento.

¿Cuántos caracteres caben en una petición?

Cada solicitud puede contener hasta 4096 caracteres. Para textos más largos, debes dividirlos en partes de este tamaño y unir los archivos de audio resultantes. La API no maneja automáticamente la división; es responsabilidad del cliente gestionar la lógica de fragmentación y concatenación si el texto excede este límite.

¿Hay suscripción mensual obligatoria?

No. No hay planes mensuales, asientos ni gasto mínimo. Pagas solo por los caracteres consumidos. El saldo no expira. Puedes usar la API de forma intermitente sin compromisos recurrentes. La facturación es proporcional al uso real, lo que la hace ideal para proyectos con volúmenes de generación de voz variables o impredecibles.

¿Cómo funciona la detección de idioma?

Si no especificas el campo language, la API deduce el idioma del script del texto. Para texto en latín, el idioma por defecto es inglés. Para otros idiomas en script latino, debes establecer explícitamente el código ISO en el campo language. Esto asegura que la voz pronuncie correctamente los acentos y reglas del idioma deseado.

Primera solicitud

curl

curl https://api.wasp66.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Integración Rápida para Devs

Ilustración de onda de sonido para: Integración Rápida para Devs

VozNube ofrece una API REST predecible para convertir texto en audio, diseñada para desarrolladores indie que integran síntesis de voz en aplicaciones SaaS sin complicaciones de infraestructura.

Endpoint REST estándar

Endpoint REST estándar

Envía texto mediante POST https://api.wasp66.info/v1/audio/speech con un cuerpo JSON. Soporta modelos tts-1 y tts-1-hd, con entradas de hasta 4096 caracteres y velocidades ajustables entre 0.25x y 4.0x.

  • Endpoint único para síntesis
  • Cuerpo JSON estándar
  • Formatos: mp3, wav, opus, flac, pcm

SDK compatible con OpenAI

Reutiliza tus SDKs existentes cambiando la base_url a https://api.wasp66.info/v1. No necesitas aprender una nueva librería; la forma de la solicitud es idéntica a la de OpenAI.

Autenticación por Bearer

Usa un único token activo por cuenta con la cabecera Authorization: Bearer tts-.... Si necesitas revocar el acceso, emite una nueva clave y la anterior deja de funcionar inmediatamente.

Voces para Interfaces y Notificaciones

Ilustración de onda de sonido para: Voces para Interfaces y Notificaciones

La API ofrece ocho voces predefinidas, entrenadas con grabaciones licenciadas de LibriTTS-R y audiolibros de dominio público. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética, garantizando transparencia sin afectar la experiencia de usuario.

Aria y Nova para narración clara

Aria ofrece un tono cálido y claro, ideal para narraciones lineales o lecturas de contenido largo. Nova aporta un brillo energético y optimista, perfecto para mantener la atención del usuario en interfaces interactivas o anuncios breves.

Atlas y Orion para noticias

Atlas proporciona una voz neutral y directa, adecuada para la lectura de titulares o boletines informativos. Orion, con su registro grave, se utiliza para documentales o contextos que requieren autoridad y profundidad sonora.

Felix y Milo para conversaciones

Felix es ideal para promociones dinámicas o llamadas a la acción urgentes. Milo ofrece un tono amigable y conversacional, excelente para asistentes de voz o respuestas automáticas que buscan cercanía con el usuario final.

Formatos de Audio Flexibles

Ilustración de onda de sonido para: Formatos de Audio Flexibles

El formato de salida se define mediante el parámetro response_format en la solicitud JSON. Elige el equilibrio adecuado entre tamaño de archivo, calidad y compatibilidad según los requisitos de tu infraestructura SaaS.

MP3 para web y móviles

El formato MP3 es la opción predeterminada para la mayoría de las aplicaciones. Ofrece una buena relación calidad-tamaño, asegurando una carga rápida en navegadores y dispositivos móviles sin comprometer la inteligibilidad del habla sintetizada.

  • Amplia compatibilidad con reproductores nativos y web

WAV y FLAC para alta fidelidad

Utiliza WAV para obtener audio sin compresión con latencia mínima, ideal para playback inmediato. FLAC proporciona compresión sin pérdida de calidad, reduciendo el ancho de banda necesario para almacenar o transmitir audio de alta fidelidad sin artefactos.

  • WAV: datos crudos sin compresión
  • FLAC: compresión sin pérdida de calidad

Opus y PCM para casos de uso específicos

Opus ofrece alta eficiencia de compresión, mientras que PCM proporciona datos de audio sin procesar para integraciones personalizadas. No se ofrece streaming en tiempo real ni conexión WebSocket.

Cobertura Lingüística Amplia

Ilustración de onda de sonido para: Cobertura Lingüística Amplia

VozNube soporta 23 idiomas, desde árabe hasta turco, permitiendo que cualquier voz sintetice en cualquiera de estos lenguajes. Esta flexibilidad es crítica para aplicaciones SaaS con usuarios globales que requieren interfaces y notificaciones en su idioma nativo sin gestión compleja de proveedores.

23 idiomas soportados

La lista incluye idiomas diversos como swahili, malayo y griego, cubriendo la mayoría de mercados emergentes y europeos. No se limita a los estándares anglosajones ni al español peninsular, ofreciendo cobertura real para audiencias variadas.

  • Inglés, español, alemán, francés, portugués, italiano
  • Chino, japonés, coreano, árabe, hindi
  • Ruso, turco, polaco
  • Danés, noruego, sueco, finés, holandés

Detección automática por script

Si no se especifica el idioma, el sistema infiere el idioma basándose en el script del texto. Por defecto, el texto en latín se asume como inglés.

Configuración explícita de idioma

Para textos en latín que no son inglés (ej. alemán o francés), debes establecer el parámetro language explícitamente para evitar pronunciaciones incorrectas. Esto garantiza la fidelidad fonética esperada.

Precios Transparentes

Ilustración de onda de sonido para: Precios Transparentes

La facturación se basa estrictamente en el volumen de texto generado. Cada solicitud cuenta caracteres, incluyendo espacios y puntuación, con un coste fijo de $10 por millón de caracteres procesados.

El pago se realiza mediante recargas de saldo en USDT (TRC-20) sobre la red TRON. El mínimo de recarga es de $5 y el crédito se acredita automáticamente en minutos. No hay suscripciones mensuales ni costes fijos.

$10 por millón de caracteres

El costo es de $0.01 por cada 1.000 caracteres. Este precio es constante independientemente del modelo seleccionado (tts-1 o tts-1-hd), ya que comparten el mismo motor y tarifa base.

  • Coste: $10 por 1 millón de caracteres.

Pago con USDT (TRC-20)

Utilizamos exclusivamente criptomonedas para simplificar la infraestructura. Las recargas se realizan enviando USDT (TRC-20) desde tu billetera. El saldo no tiene fecha de expiración.

  • Moneda: USDT (TRC-20).

Sin costes ocultos ni suscripciones

No existen planes mensuales obligatorios ni cargos por cuenta. Solo pagas por lo que consumes. Las solicitudes fallidas son gratuitas y el importe se devuelve íntegramente si la síntesis no se completa.

Precios Transparentes

Rendimiento y Límites

Ilustración de onda de sonido para: Rendimiento y Límites

La API gestiona la generación de audio mediante colas de procesamiento. Bajo carga, las solicitudes pueden esperar antes de ejecutarse, lo que afecta el tiempo de respuesta inmediato pero garantiza la integridad del audio.

Límite de 60 req/min

Cada clave API está limitada a 60 solicitudes por minuto. Antes de la primera recarga, el límite es de 10 req/min. Esto permite integrar la API en flujos de notificaciones sin saturar el servicio.

  • Límite estándar: 60 req/min por clave.
  • Límite inicial: 10 req/min hasta primera recarga.

Entrada de hasta 4096 caracteres

Cada solicitud acepta un máximo de 4096 caracteres, incluyendo espacios y puntuación. Para textos más largos, es necesario dividirlos en partes y unir los archivos de audio resultantes.

  • Máximo 4096 caracteres por solicitud.
  • Incluye espacios y puntuación en el conteo.

Procesamiento en cola bajo carga

Las solicitudes se procesan secuencialmente. Si hay múltiples peticiones simultáneas, algunas pueden esperar en una cola. Esto es consistente con la arquitectura sin infraestructura compleja.

Casos de Uso en SaaS

Ilustración de onda de sonido para: Casos de Uso en SaaS

VozNube permite convertir alertas críticas y actualizaciones de estado en audio sintetizado. Las notificaciones push con voz reducen la carga visual en aplicaciones SaaS, ofreciendo información inmediata sin requerir la atención visual del usuario.

Notificaciones push con voz

Integra voz en notificaciones push para mantener informados a los usuarios sin saturar la interfaz. El formato MP3 optimiza el ancho de banda y la velocidad de carga.

  • Alertas de estado en tiempo real
  • Reducción de carga visual en dashboards

Lectores de interfaz accesibles

Genera audio para elementos de la interfaz que necesitan lectura en voz alta. Voces como Aria o Nova proporcionan narración clara y accesible para usuarios con discapacidad visual.

  • Lectura de textos largos en la UI
  • Accesibilidad mediante audio sintetizado

Resúmenes automáticos de datos

Convierte resúmenes de datos o reportes generados automáticamente en audio. Ideal para aplicaciones que entregan informes diarios o semanales sin necesidad de que el usuario lea extensos textos.

  • Audio de informes diarios
  • Resúmenes de métricas en tiempo real

Gestión de Cuentas

Ilustración de onda de sonido para: Gestión de Cuentas

Crea tu cuenta en /get-api-key/ usando Google o email. Cada sitio tiene cuentas independientes, y las cuentas creadas con email no incluyen crédito de prueba inicial.

Registro con Google o email

El registro es inmediato. Los usuarios de Google reciben $0.50 de crédito válido por 7 días (aprox. 50.000 caracteres). Con email y contraseña, el saldo inicia en cero.

Clave API única por cuenta

Se genera una clave Bearer activa por cuenta. Si la revocas, la anterior deja de funcionar al instante. Puedes emitir una nueva cuando quieras desde el panel.

Saldo sin expiración

El saldo de USDT no caduca. Recarga mínima de $5 vía TRC-20. Los fondos permanecen disponibles indefinidamente para tus integraciones SaaS sin costos de mantenimiento.

Privacidad y Datos

Ilustración de onda de sonido para: Privacidad y Datos

El texto de entrada se utiliza exclusivamente para generar el archivo de audio solicitado y no se incorpora a los conjuntos de datos para entrenar modelos posteriores. Esta práctica garantiza que tus entradas no se conviertan en parte del modelo base de manera persistente.

Texto no usado para entrenamiento

Garantizamos que el contenido que procesas permanece aislado del ciclo de mejora del modelo. Solo se conserva lo estrictamente necesario para la transacción actual.

Audio no almacenado tras entrega

Una vez que el archivo de audio se devuelve en la respuesta de la API, no se archiva en nuestros servidores. El audio generado es efímero y no persiste en nuestra infraestructura una vez entregado al cliente.

Metadatos solo para facturación

Conservamos los metadatos de la solicitud, incluyendo la marca de tiempo, el número de caracteres procesados y el estado de la petición. Esta información es estrictamente necesaria para calcular el costo exacto y gestionar el saldo de tu cuenta.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Esto evita errores de validación y permite un control preciso sobre la longitud de cada segmento de audio generado.

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 corpus (OpenSLR 141)
  3. TRON developer hub: TRC-20
  4. IETF RFC 7845: Ogg Opus
  5. Python documentation
  6. MDN: Web Speech API
  7. ISO 639 language codes
  8. LibriTTS-R paper (arXiv 2305.18802)
  9. curl documentation
  10. Creative Commons Attribution 4.0
  11. OpenAI API reference: create speech
  12. Node.js documentation

Más en este sitio