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

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

Esta página explica cómo la API de texto a voz de CantoClaro convierte texto en archivos de audio listos para usar en tus proyectos de capacitación. Descubre los endpoints, la gestión de voces y los formatos disponibles para integrar nuestra tecnología directamente en tus flujos de trabajo de RR. HH. sin depender de plataformas genéricas.

Está diseñada para agencias que buscan escalabilidad masiva y costos predecibles. Aquí encontrarás detalles técnicos sobre los 23 idiomas soportados, la estructura de precios por carácter y las limitaciones técnicas, como el límite de 4096 caracteres por petición. Todo lo que necesitas para auditar tu infraestructura de e-learning.

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

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 solicitud POST. Envías el texto y recibes el audio generado, con un costo de $0.01 por cada 1.000 caracteres. Es ideal para escalar la producción de contenido de capacitación sin depender de plataformas genéricas.

¿Cómo funciona la API de texto a voz?

Realizas una solicitud POST a https://api.bets7.info/v1/audio/speech con el texto y la voz deseada. La API procesa la solicitud y devuelve el archivo de audio. Si el texto excede 4.096 caracteres, se divide en partes y los archivos de audio resultantes se unen.

¿Qué ventajas tiene para agencias de RR. HH.?

Ofrece costos predecibles ($0.01 por 1.000 caracteres) y control técnico para generar contenido masivo y consistente. Puedes usar 8 voces distintas y 23 idiomas, asegurando uniformidad en la capacitación. Las solicitudes fallidas son gratuitas, lo que reduce riesgos en la producción de grandes volúmenes de audio.

¿Qué es un endpoint en una API?

Es la dirección URL específica donde se envían las solicitudes. En nuestro caso, el endpoint principal es https://api.bets7.info/v1/audio/speech. También dispones de GET /v1/voices para listar opciones y GET /v1/models para ver los modelos disponibles, facilitando la integración técnica.

¿Qué es el SDK de OpenAI?

Es una librería de código abierto que facilita la comunicación con APIs. Nuestra API es compatible con el SDK de OpenAI solo cambiando la base_url a https://api.bets7.info/v1. No ofrecemos un SDK propio, pero esta compatibilidad permite usar herramientas estándar para tus integraciones.

¿Qué es la API de texto a voz?

Es un servicio cloud que transforma texto escrito en audio audible. Recibes archivos en formatos como mp3, wav o opus. El proceso es simple: envías texto y recibes audio, con un costo fijo de $10 por cada millón de caracteres procesados, sin suscripciones mensuales.

¿Qué es una API de texto a voz?

Es una interfaz que permite generar audio a partir de texto mediante programación. Utiliza voces basadas en grabaciones licenciadas y ofrece control sobre el idioma, formato y velocidad. Es una herramienta técnica diseñada para integrar generación de voz en flujos de trabajo de capacitación corporativa.

¿Qué es una API de texto a voz?

Es un servicio que convierte texto en audio mediante una solicitud HTTP. Puedes especificar la voz, el idioma y el formato de salida. Cada archivo generado lleva una marca de agua invisible que indica que es síntesis de voz, garantizando transparencia en el contenido producido.

¿Qué es una API de texto a voz?

Es una herramienta que genera audio a partir de texto escrito. Funciona enviando una solicitud JSON a nuestro endpoint. Soporta hasta 4.096 caracteres por solicitud y ofrece 8 voces distintas. Es ideal para agencias que necesitan producir grandes cantidades de contenido de capacitación de forma consistente.

¿Qué es una API de texto a voz?

Es un servicio en la nube que sintetiza texto en audio. Envías texto y recibes un archivo de audio listo para usar. El costo es de $0.01 por 1.000 caracteres. No requiere infraestructura adicional y se integra fácilmente mediante solicitudes HTTP estándar o el SDK de OpenAI.

¿Qué es una API de texto a voz?

Es una interfaz que convierte texto en audio audible. Permite seleccionar entre 8 voces y 23 idiomas. Las solicitudes se procesan de forma secuencial, con un tiempo de generación cercano al tiempo real. Es una solución técnica para escalar la producción de audio sin dependencias de plataformas genéricas.

¿Qué es una API de texto a voz?

Es un servicio que genera audio a partir de texto mediante una API REST. Envías una solicitud POST con el texto y la voz deseada. Recibes el archivo de audio en formatos como mp3 o wav. Es ideal para agencias de RR. HH. que buscan control y costos predecibles.

¿Qué es una API de texto a voz?

Es un servicio cloud que transforma texto en audio. Utiliza voces basadas en grabaciones licenciadas y ofrece 23 idiomas. El costo es de $10 por millón de caracteres. Las solicitudes fallidas son gratuitas, lo que asegura que solo pagues por el audio generado con éxito.

¿Qué es una API de texto a voz?

Es una herramienta que convierte texto escrito en audio mediante una solicitud API. Soporta 8 voces distintas y múltiples formatos de audio. Es diseñada para agencias que necesitan generar contenido de capacitación masivo y consistente, con costos predecibles y control técnico sobre la producción de audio.

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 convierte texto en archivos de audio mediante una llamada HTTP. Las agencias de RR. HH. envían el contenido de capacitación y reciben el archivo listo para usarse.

El servicio opera en la nube, eliminando la necesidad de infraestructura local. Solo necesitas una clave API y una conexión a internet para generar audio a escala.

Entrada de texto

Envías el guion de la capacitación en el cuerpo de la solicitud JSON. El campo input acepta hasta 4096 caracteres por petición, incluyendo espacios y puntuación.

  • Cuerpo JSON con el texto a sintetizar
  • Límite de 4096 caracteres por solicitud
  • Soporte para texto plano o JSON estructurado

Salida de audio

Recibes un archivo de audio directo en la respuesta. Puedes elegir entre formatos como mp3, wav, opus, flac o pcm según la necesidad de tu sistema de gestión del aprendizaje.

  • Archivos de audio listos para reproducirse
  • Formatos: mp3, wav, opus, flac, pcm
  • Incluye marca de agua invisible de audio sintético

Proceso en la nube

La síntesis ocurre en nuestros servidores al recibir la solicitud. Los datos se procesan secuencialmente; textos largos se dividen automáticamente en partes para garantizar la integridad del audio.

Ventajas para agencias de RR. HH.

Ilustración de onda de sonido para: Ventajas para agencias de RR. HH.

Las agencias de RR. HH. generan volúmenes masivos de contenido formativo. La API permite convertir miles de manuales en audio sin límites de capacidad ni planes fijos. Escala desde cientos hasta millones de caracteres según la necesidad del cliente, manteniendo un costo predecible de $0.01 por cada 1.000 caracteres.

Escalabilidad masiva

La infraestructura en la nube absorbe picos de demanda sin intervención manual. No existen límites de usuarios ni cargos por capacidad reservada. Cada solicitud se procesa independientemente, permitiendo lanzar cientos de conversiones simultáneas durante la carga de nuevos programas de capacitación.

  • Sin límites de capacidad fijos
  • Costo variable por carácter utilizado
  • Procesamiento secuencial de solicitudes

Consistencia de marca

Cada voz seleccionada (Aria, Nova, Luna, etc.) mantiene un tono uniforme en todos los módulos de formación. Esto garantiza que los empleados reciban un mensaje coherente, independientemente de si el contenido proviene de un módulo de onboarding o de una actualización de protocolos.

  • 8 voces predefinidas con personalidades distintas
  • Tono uniforme en todo el contenido
  • Marca auditiva identificable

Reducción de tiempos

La generación de audio es rápida, aproximadamente 25 caracteres de texto por segundo de audio generado. Esto permite actualizar materiales obsoletos en horas en lugar de semanas, agilizando la distribución de nuevas normas o procedimientos a equipos distribuidos geográficamente.

  • Generación casi en tiempo real
  • Actualización ágil de contenido
  • Integración directa con flujos de trabajo

Integración técnica

Ilustración de onda de sonido para: Integración técnica

La API de texto a voz de CantoClaro se integra mediante endpoints REST estándar, permitiendo a las agencias de RR. HH. generar audio de capacitación sin dependencias de plataformas genéricas. La estructura de solicitud es idéntica a la de OpenAI, lo que simplifica la migración para equipos técnicos que buscan control y costos predecibles.

El punto de entrada principal es POST /v1/audio/speech, que acepta un cuerpo JSON con el texto y parámetros opcionales. Además, GET /v1/voices y GET /v1/models permiten gestionar las 8 voces disponibles y los formatos de salida, asegurando que la integración técnica se alinee con los flujos de trabajo de producción masiva de contenido.

Endpoints REST

La comunicación se realiza enviando texto al endpoint POST https://api.bets7.info/v1/audio/speech. El cuerpo de la solicitud sigue la forma estándar de OpenAI, facilitando la integración en sistemas de gestión de aprendizaje (LMS) o plataformas de e-learning corporativo.

Endpoints adicionales como GET /v1/voices y GET /v1/models permiten consultar la disponibilidad de voces, idiomas y formatos sin necesidad de adivinar la estructura de la respuesta.

  • POST /v1/audio/speech para generación de audio
  • GET /v1/voices para listar opciones de voz
  • GET /v1/models para información del motor

SDKs compatibles

Al modificar la variable base_url en los SDKs oficiales de OpenAI a https://api.bets7.info/v1, las agencias pueden reutilizar su código existente para generar audio. Esto elimina la necesidad de aprender una librería propietaria o desarrollar integraciones desde cero.

No se requiere un SDK propio ni una extensión de navegador; la integración se basa en solicitudes HTTP estándar o en los SDKs de OpenAI modificando la base_url.

La autenticación se maneja mediante un token Bearer en el encabezado Authorization, asegurando que cada cuenta tenga un control preciso sobre el acceso a la API.

Automatización

El proceso de generación de audio se puede automatizar completamente mediante scripts que consumen la API. Las agencias pueden integrar la generación de voz en sus pipelines de contenido para capacitación de nuevos empleados o actualización de manuales.

Dado que las solicitudes se procesan secuencialmente, es posible implementar lógica de colas para manejar grandes volúmenes de texto sin sobrecargar el sistema. Los errores de síntesis no generan cargos, lo que permite reintentos automáticos sin riesgo financiero.

La facturación transparente por carácter permite predecir costos exactos antes de iniciar una campaña de producción masiva de audio.

Casos de uso en formación

Ilustración de onda de sonido para: Casos de uso en formación

La API permite transformar manuales y guías en audio de alta calidad, eliminando la barrera de lectura para empleados que prefieren el formato auditivo. Este enfoque acelera la onboarding y asegura que la información se consuma de manera consistente.

Al generar archivos de audio masivos, las agencias pueden distribuir capacitación sin depender de la disponibilidad de narradores humanos, manteniendo un tono uniforme en todos los centros de trabajo o regiones.

Capacitación de nuevos empleados

Integre protocolos de seguridad o procedimientos operativos directamente en la API. Al enviar el texto del manual, la API genera audio listo para reproducirse en plataformas LMS, facilitando el aprendizaje auditivo sin necesidad de sesiones presenciales.

Los nuevos empleados pueden acceder al contenido en cualquier momento, reduciendo la curva de aprendizaje inicial y permitiendo la repetición ilimitada sin costos adicionales por sesión.

  • Generación instantánea de guías de onboarding en audio
  • Consistencia en el tono de voz entre diferentes regiones
  • Acceso asincrónico para equipos remotos

Actualización de manuales

Cuando los procesos de la empresa cambian, basta con actualizar el texto en la API para regenerar el audio correspondiente. Esto asegura que la información auditiva esté siempre alineada con la documentación escrita, sin necesidad de reprocesos manuales costosos.

Ideal para normativas que cambian frecuentemente; la versión de audio se actualiza en minutos, garantizando que todos los agentes reciban la instrucción correcta sin retrasos operativos.

  • Actualización rápida de contenido normativo
  • Sincronización entre texto escrito y audio
  • Eliminación de versiones desactualizadas en formato físico

E-learning multimodal

Combine el texto visual con audio generado para reforzar la retención de información. La API soporta múltiples idiomas y voces, permitiendo crear módulos de formación accesibles para equipos multilingües sin contratar dobladores ni streaming en tiempo real.

Los formatos de audio como MP3 o WAV se integran fácilmente en cualquier plataforma de e-learning, ofreciendo una experiencia rica sin requerir plugins específicos ni streaming en tiempo real.

  • Soporte multilingüe para equipos globales
  • Integración sencilla en LMS existentes
  • Formatos optimizados para descarga y reproducción

Gestión de voces

Ilustración de onda de sonido para: Gestión de voces

La API ofrece ocho voces predefinidas, cada una con un registro y timbre distintos, para que las agencias elijan el tono exacto que refleje la identidad de sus clientes sin necesidad de diseños personalizados.

Selección por tono

Las voces se dividen en femeninas (Aria, Nova, Luna, Sage) y masculinas (Felix, Milo, Atlas, Orion). Cada una está diseñada para contextos específicos: narración clara, narración de historias, instrucción, promociones energéticas, conversación amigable, noticias neutrales o documentales profundos.

  • Aria: narradora clara y cálida.
  • Luna: suave, ideal para contar historias.
  • Felix: enérgico, adecuado para promociones.
  • Atlas: neutral, apropiado para noticias.

Atributos de voz

Todas las voces son multilingües y pueden hablar los 23 idiomas disponibles. Si no se especifica el idioma, el sistema detecta el guion (el texto en latino por defecto es inglés). La velocidad es ajustable de 0.25 a 4.0 para sincronizar el audio con materiales de capacitación.

8

El catálogo consta de ocho presets basados en grabaciones con licencia (LibriTTS-R). No se requiere clonación ni diseño de voz para obtener consistencia; simplemente se selecciona la voz adecuada para cada tipo de contenido de RR. HH.

Idiomas y alcance global

Ilustración de onda de sonido para: Idiomas y alcance global

La API de CantoClaro procesa texto en 23 idiomas distintos, incluyendo inglés, español, alemán, japonés, chino y árabe, entre otros. Esta capacidad permite a las agencias de RR. HH. producir contenido de capacitación para equipos distribuidos globalmente sin necesidad de múltiples proveedores de voz sintética.

23 idiomas soportados

Cada voz puede pronunciar cualquiera de los 23 idiomas listados, garantizando coherencia acústica independientemente del lenguaje del texto de entrada.

  • Idiomas incluidos: árabe, chino, danés, holandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, swahili, sueco y turco.

Detección automática

Si no se especifica un idioma, el sistema infiere el lenguaje basado en el script del texto. Para textos en latín, la detección asume por defecto el inglés.

Configuración manual

Para textos en latín que no sean en inglés, es necesario configurar explícitamente el campo language en la solicitud para asegurar la pronunciación correcta. Idiomas no soportados como vietnamita o tailandés no están disponibles.

Idiomas y alcance global

Control de calidad

Ilustración de onda de sonido para: Control de calidad

El control de calidad en la generación de audio se basa en parámetros técnicos precisos que permiten ajustar la velocidad y el formato de salida. Esto garantiza que el contenido de formación sea coherente y esté optimizado para su integración en plataformas de e-learning.

Los usuarios pueden ajustar la velocidad de habla entre 0.25 y 4.0 veces, adaptando el ritmo a la complejidad del material educativo. Además, la selección del formato de audio asegura compatibilidad con los sistemas de gestión del conocimiento corporativos.

Velocidad ajustable

La API permite modificar la velocidad de reproducción entre 0.25 y 4.0. Esto facilita la adaptación del contenido a diferentes niveles de audiencia, desde explicaciones detalladas hasta repasos rápidos de políticas corporativas.

  • Rango de velocidad: 0.25x a 4.0x.
  • Ajuste fino para control de ritmo.
  • Ideal para capacitación y e-learning.

Formatos optimizados

Se ofrecen cinco formatos de audio: mp3, wav, opus, flac y pcm. Esta variedad permite elegir el equilibrio adecuado entre calidad de sonido y tamaño de archivo, optimizando el almacenamiento y la carga en las plataformas de RR. HH.

  • Formatos disponibles: mp3, wav, opus, flac, pcm.
  • Optimización para distintos sistemas de e-learning.
  • Equilibrio entre calidad y tamaño de archivo.

Pruebas de sonido

Las pruebas se realizan mediante solicitudes de texto cortas para validar la claridad y el tono antes de escalar la producción masiva. Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial.

  • Validación de claridad y tono.
  • Uso de solicitudes cortas para pruebas.
  • Marca de agua inaudible en archivos generados.

Costos y facturación

Ilustración de onda de sonido para: Costos y facturación

La facturación opera bajo un modelo estricto de pago por uso, sin planes mensuales ni compromisos mínimos. El costo es de $0.01 por cada 1.000 caracteres, con una tarifa base de $10 por millón. Las solicitudes fallidas se facturan de forma inversa, garantizando que no se cobre por trabajo no realizado. No existen suscripciones ni cargos ocultos por la infraestructura subyacente.

Pago por uso

El consumo se mide en caracteres totales, incluyendo espacios y puntuación. La prueba gratuita inicial ofrece $0.50 de crédito (aproximadamente 50.000 caracteres) por 7 días al registrarse con Google. Para recargas, se utiliza exclusivamente USDT en la red TRON (TRC-20), con un mínimo de $5 y acreditación automática en minutos.

Transparencia de datos

Cuenta con un panel que detalla el saldo, los caracteres restantes y el historial de uso. Se retienen metadatos (tiempo, estatus) únicamente para facturación precisa. No se ofrecen facturas con IVA ni facturas tradicionales; la transparencia se basa en el registro técnico de cada solicitud.

Optimización de caracteres

Para textos largos, se recomienda dividir el input en partes de hasta 4096 caracteres y unir los archivos de audio resultantes. Esto permite un control granular del costo y evita límites de longitud. La velocidad de generación varía según la carga, pero el costo por carácter permanece constante.

Limitaciones técnicas

Ilustración de onda de sonido para: Limitaciones técnicas

La API tiene un límite estricto de 4096 caracteres por solicitud, lo que requiere dividir textos largos en partes y unir los archivos de audio resultantes. Este enfoque mantiene la integridad del audio pero añade complejidad técnica mínima.

El procesamiento se realiza secuencialmente; bajo carga, las solicitudes pueden esperar en una cola. Esto afecta la latencia percibida en picos de uso, aunque el costo se mantiene predecible.

Límite de 4096 caracteres

Cada llamada a la API acepta como máximo 4096 caracteres, incluyendo espacios y puntuación. Para manuales de capacitación extensos, es necesario implementar lógica de división en el lado del cliente o usar un script que gestione la concatenación de los archivos de audio generados.

Este límite no afecta la calidad de la síntesis, pero requiere planificación en el flujo de trabajo de producción masiva de audio para las agencias.

  • Máximo 4096 caracteres por request
  • Espacios y puntuación cuentan como caracteres
  • Requiere concatenación manual o automática

Procesamiento en cola

Las solicitudes se procesan una tras otra. En momentos de alta demanda, una solicitud puede esperar en cola antes de comenzar la síntesis. Esto significa que el tiempo de generación puede variar, aunque el precio sigue siendo $0.01 por cada 1000 caracteres.

La velocidad típica es de aproximadamente 25 caracteres por segundo de audio generado. Las frases cortas pueden tardar unos segundos adicionales.

  • Procesamiento secuencial
  • Latencia variable bajo carga
  • Velocidad ~25 caracteres/seg

Sin streaming en tiempo real

La API no ofrece streaming de audio ni WebSockets para transmisión parcial. El archivo completo se devuelve solo tras completar la síntesis. No hay soporte para SSML ni etiquetas de emoción, lo que simplifica la integración pero limita la interactividad inmediata.

Para flujos de capacitación masiva, esto es suficiente, ya que el audio se genera y almacena antes de su distribución.

  • Sin streaming WebSocket
  • Sin SSML
  • Respuesta completa tras síntesis

Seguridad de datos

Ilustración de onda de sonido para: Seguridad de datos

La privacidad de los datos es un pilar fundamental para las agencias que manejan información sensible en formación corporativa. Nuestra API procesa cada solicitud con un enfoque minimalista en la retención de información, garantizando que el contenido generado no se almacene permanentemente ni se utilice para mejorar modelos de terceros.

Al enviar un texto, este se convierte en audio de manera efímera. Una vez entregado el archivo de audio en la respuesta, el texto original desaparece de nuestros sistemas de almacenamiento activo. Esto minimiza el riesgo de exposición de datos sensibles durante el ciclo de vida del audio.

Uso exclusivo para audio

El texto enviado se utiliza únicamente para generar el archivo de audio correspondiente. No se archiva el contenido lingüístico para otros fines.

Una vez que la respuesta con el audio se ha entregado al cliente, el texto original no se mantiene en almacenamiento persistente.

No entrenamiento de modelos

A diferencia de otras plataformas, no utilizamos tu texto ni tus audio generados para entrenar ni mejorar nuestros modelos de síntesis.

Esto asegura que la propiedad intelectual del contenido de tu capacitación permanezca bajo tu control total.

Retención de metadatos

Se conserva únicamente la información necesaria para la facturación y el control de calidad: hora de la solicitud, número de caracteres procesados y estado de la petición.

Estos metadatos son estrictamente operativos y no contienen el contenido del texto ni del audio.

Permiten auditar el uso exacto sin comprometer la confidencialidad del material generado.

Soporte técnico

Ilustración de onda de sonido para: Soporte técnico

El soporte técnico se gestiona exclusivamente por correo electrónico, sin números telefónicos ni chat en vivo. Para agilizar las consultas, es fundamental adjuntar los metadatos de la solicitud (tiempo, estado y caracteres) que conservamos para facturación, lo que permite un diagnóstico preciso sin necesidad de esperas adicionales.

Email como único canal

Nuestro equipo responde a las incidencias reportadas vía email. Al no ofrecer canales en tiempo real, garantizamos que cada ticket sea revisado por técnicos que tienen acceso directo al historial de procesamiento, asegurando soluciones técnicas concretas en lugar de respuestas genéricas.

Documentación técnica

La documentación detalla el esquema de la API, los encabezados de autenticación Bearer y los parámetros de velocidad y formato. Incluye ejemplos listos para copiar en curl o Python, facilitando la integración inmediata en los flujos de generación de audio para capacitación de RR. HH.

  • Esquema de solicitud JSON completo
  • Ejemplos de autenticación y códigos de error
  • Guías de integración con SDKs compatibles

Comunidad de desarrolladores

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. El uso de voces predefinidas asegura una calidad auditiva constante, beneficiando a empleados con dificultades de aprendizaje o lectores no nativos.

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. Tether (USDT)
  3. TRON developer hub: TRC-20
  4. IETF RFC 7845: Ogg Opus
  5. openai-python on GitHub
  6. OpenAI API reference: create speech
  7. FFmpeg documentation
  8. LibriTTS-R corpus (OpenSLR 141)
  9. Creative Commons Attribution 4.0
  10. curl documentation
  11. MDN: Web Speech API
  12. LibriVox public-domain audiobooks

Más en este sitio