Preguntas frecuentes
¿Cuáles son las mejores voces para capacitación?
Las voces disponibles para capacitación son Aria (narradora clara), Nova (alegre), Luna (suave), Sage (calmada), Felix (enérgica), Milo (conversacional), Atlas (neutral) y Orion (profunda). Todas pueden hablar los 23 idiomas soportados. Elija según el estilo de su curso, desde instrucciones formales hasta presentaciones dinámicas.
¿Qué diferencia hay entre Aria y Nova?
Aria es una voz femenina cálida y clara, ideal para narración de narraciones o contenido educativo serio. Nova es una voz femenina brillante y animada, adecuada para contenido más dinámico o promocional. Ambas son presets de nuestra API y pueden generar audio en cualquiera de los 23 idiomas soportados sin diferencias técnicas adicionales.
¿Qué es la voz Sage?
Sage es una voz femenina calmada e instruccional. Es ideal para capacitación corporativa porque su tono transmite claridad y profesionalismo sin distraer al oyente. Su estilo es adecuado para guías paso a paso o explicaciones técnicas donde la comprensión precisa es más importante que la energía emocional del audio generado.
¿Qué voz es mejor para noticias?
Atlas es la voz masculina diseñada para noticias, con un tono neutral y directo. Su estilo de presentación es claro y profesional, lo que lo hace ideal para boletines informativos o actualizaciones corporativas. No tiene inflexiones emocionales excesivas, garantizando que la información se transmita de manera objetiva y eficiente a los empleados.
¿Qué es la voz Orion?
Orion es una voz masculina profunda, ideal para documentales o contenido narrativo serio. Su tono grave y solemne aporta autoridad al material generado. Es una de las ocho voces disponibles en la API, diseñada para ofrecer una experiencia auditiva distinta a las voces más brillantes o neutrales, perfecta para historias corporativas.
¿Qué formatos de audio son mejores para LMS?
Para LMS, MP3 es el formato más compatible y eficiente en tamaño. WAV ofrece calidad sin pérdida pero ocupa más espacio. FLAC es un formato de audio sin pérdida. OPUS y PCM son opciones técnicas. MP3 suele ser la mejor opción para equilibrar calidad de audio y velocidad de carga en plataformas de gestión de aprendizaje.
¿Qué es el modelo tts-1-hd?
tts-1-hd es uno de los dos modelos disponibles, junto con tts-1. Ambos utilizan el mismo motor de síntesis y tienen el mismo precio por carácter. La elección entre ellos depende de sus preferencias de calidad de audio, aunque técnicamente comparten la misma capacidad de generación de voz a través de la API.
¿Qué licencia tienen las voces?
Las voces están basadas en grabaciones con licencia CC BY 4.0 de LibriTTS-R, derivadas de audiolibros de dominio público de LibriVox. Esto garantiza una base legal clara para el uso de las muestras de voz. Sin embargo, cada archivo generado lleva una marca de agua inaudible que identifica el audio como sintético.
¿Qué es LibriVox?
LibriVox es una plataforma de audiolibros de dominio público. Nuestras voces se basan en grabaciones de LibriVox (LibriTTS-R). Esto significa que las voces están basadas en grabaciones de lectores de LibriVox.
¿Qué es una marca de agua en audio?
Es un código inaudible incrustado en cada archivo de audio generado. Marca el audio como síntesis de voz artificial. Esto permite identificar que el contenido no fue grabado por humanos. Es una característica técnica estándar de nuestra API para transparencia, sin afectar la calidad perceptible del audio ni la experiencia del oyente final.
¿Cómo afecta la velocidad a la comprensión?
La velocidad se ajusta entre 0.25 y 4.0. Aumentar la velocidad reduce la duración del audio. Para capacitación, velocidades moderadas suelen ser mejores para la retención. La velocidad es un parámetro de la solicitud que permite adaptar el ritmo del audio a las necesidades específicas del contenido educativo.
¿Qué es la concatenación de audio?
Es el proceso de unir archivos de audio generados por separado. Como la API limita la entrada a 4096 caracteres, textos largos se dividen en partes. Cada parte se sintetiza por separado y luego se concatenan para crear un archivo de audio continuo. Esto permite generar contenido de capacitación extenso sin límites estrictos de longitud.
¿Qué es un LMS?
Un LMS (Learning Management System) es una plataforma de gestión del aprendizaje donde se alojan cursos. Nuestra API genera archivos de audio compatibles con la mayoría de LMS mediante formatos como MP3 o WAV. Puede integrar el audio generado directamente en sus lecciones para ofrecer capacitación auditiva a sus empleados de manera escalable.
¿Qué es un ejemplo de código cURL?
Es una solicitud HTTP estándar que puede ejecutar en su terminal. Envía texto y parámetros como voz o formato a nuestra API. Recibe el archivo de audio en la respuesta. Es la forma más directa de probar la integración técnica, permitiendo una implementación rápida en sus flujos de trabajo de RR. HH.
Voces femeninas para formación
Arias, Novas y Lunas ofrecen tres registros femeninos distintos para adaptar el tono de la capacitación. Aria garantiza claridad narrativa ideal para procedimientos estándar. Nova aporta un tono optimista que mantiene la atención en módulos dinámicos. Luna suaviza la presentación de historias corporativas o casos de estudio.
Aria: Narradora clara
Su voz es directa y precisa, eliminando ambigüedades en instrucciones complejas. Es la opción preferida para manuales de procesos donde la legibilidad del audio es crítica.
- Ideal para procedimientos paso a paso
- Clara y sin ambigüedades
- Ideal para audiencias globales
Nova: Tono optimista
Nova introduce energía positiva, útil para motivación y onboarding. Su tono vibrante ayuda a reducir la monotonía en presentaciones de valores corporativos o anuncios internos.
- Tono energético y moderno
- Adecuada para bienvenida
- Mantiene el interés del oyente
Luna: Relato suave
Luna ofrece una entrega narrativa más pausada y cálida. Es adecuada para contar historias de éxito o explicar contextos emocionales dentro de la formación de recursos humanos.
- Narrativa envolvente
- Tono cálido y cercano
- Para casos de estudio
Voces masculinas para formación
Las voces masculinas de CantoClaro ofrecen tres registros distintos para cubrir las necesidades de la capacitación corporativa. Cada preset está diseñado para un contexto específico, desde la energía de ventas hasta la claridad de la información técnica.
La elección depende del ritmo de la formación y del nivel de engagement que se busca mantener en las audiencias de RR. HH. sin sacrificar la comprensión del mensaje.
Felix: Energía promocional
Felix es ideal para módulos de ventas o introducciones dinámicas. Su tono enérgico mantiene la atención del personal en secciones que requieren motivación o énfasis en objetivos comerciales.
Su rendimiento es óptimo en textos cortos y directos, donde la velocidad de entrega debe ser rápida pero clara.
- Ideal para presentaciones de productos
- Mantiene alto nivel de energía
- Tono promocional y directo
Milo: Conversacional
Milo simula una conversación natural, lo que lo hace perfecto para tutoriales paso a paso o guías de procedimientos internos. Su cercanía facilita la asimilación de instrucciones complejas.
Este preset reduce la fatiga auditiva en capacitaciones de larga duración, ofreciendo un ritmo amigable y comprensible.
- Tono cercano y amigable
- Ideal para tutoriales
- Reduce la fatiga auditiva
Atlas: Neutralidad informativa
Atlas proporciona una voz neutral, similar a la de un presentador de noticias. Es la opción más segura para comunicados oficiales, cambios de política o información corporativa estándar.
Su claridad y falta de modismos marcan la diferencia cuando la precisión del mensaje es crítica y no se requiere un tono emocional específico.
- Tono neutral y profesional
- Comunicados oficiales
- Precisión en el mensaje
Voces para documentación
La documentación técnica y los manuales de procedimientos requieren una voz que transmita autoridad sin cansar al oyente. En CantoClaro, esta necesidad se cubre con dos voces diseñadas específicamente para la claridad de la información compleja: Sage para instrucciones paso a paso y Orion para narrativas contextuales más extensas.
Sage: Instruccional
Sage ofrece un tono calmado y directo, ideal para guías de usuario, manuales de seguridad o protocolos de calidad. Su voz evita inflexiones emocionales que puedan distraer, garantizando que la atención se centre en los pasos técnicos. Es la opción preferida para audios de formación interna donde la precisión es crítica.
- Ideal para listas de verificación y procedimientos operativos.
- Tono neutro que facilita la escucha repetida.
- Claridad en la articulación de términos técnicos.
Orion: Documental profundo
Orion proporciona una voz profunda y seria, adecuada para explicaciones de contexto histórico, visión corporativa o narrativas de larga duración. Su timbre añade peso y seriedad al contenido, haciendo que la información sea memorable sin sonar artificial. Es perfecto para videos de inducción o presentaciones corporativas que requieren un tono más solemne.
- Adecuado para narrativas de larga duración.
- Aporta seriedad y peso al contenido.
- Mejor para explicaciones contextuales complejas.
Comparativa de tono
La elección entre Sage y Orion depende del tipo de información. Sage optimiza la comprensión de instrucciones inmediatas, mientras que Orion mejora la retención de conceptos narrativos. Ambas voces son consistentes en todos los idiomas soportados, permitiendo estandarizar la experiencia de aprendizaje en agencias multinacionales sin perder la claridad técnica.
Selección por idioma
La claridad del mensaje en capacitación depende directamente de la precisión fonética. Seleccionar la voz adecuada para el idioma objetivo asegura que los conceptos técnicos se comprendan sin ambigüedades, especialmente en entornos multilingües donde la formación debe ser uniforme.
Inglés y español
Estos idiomas tienen una amplia cobertura de voces. El inglés nativo se beneficia de la voz Aria para narrativas claras o Felix para energía promocional. El español, con voces como Milo o Luna, ofrece tonos conversacionales o suaves ideales para manuales internos.
- Aria y Luna destacan en inglés y español para narrativas fluidas.
- Milo y Luna ofrecen cercanía para instrucciones paso a paso.
Alemán y francés
Para formación técnica en Europa, Atlas proporciona la neutralidad informativa necesaria para documentos normativos. Sage es ideal para instrucciones claras en alemán o francés, garantizando que la dicción sea precisa y profesional sin distraer con emociones excesivas.
- Atlas para neutralidad en documentos normativos.
- Sage para instrucciones claras y directas.
Asiáticos y nórdicos
El soporte para idiomas como japonés, coreano, chino, danés, noruego, sueco y turco permite estandarizar la capacitación global. Utilice Orion para documentales profundos o Nova para presentaciones dinámicas, asegurando coherencia en regiones con requisitos lingüísticos específicos.
- Soporte para japonés, coreano, chino, danés, noruego, sueco y turco.
- Orion para profundidad; Nova para dinamismo.
Formatos recomendados
El formato de audio determina cómo se distribuyen y reproducen los archivos generados en tus plataformas de capacitación. La elección depende del equilibrio entre compatibilidad, calidad y ancho de banda disponible en tu infraestructura LMS.
MP3 para web
Es el estándar universal para la reproducción en navegadores modernos. Ofrece una compresión eficiente que mantiene la inteligibilidad mientras reduce significativamente el tamaño del archivo, facilitando la carga rápida en dispositivos móviles y desktop.
- Compatibilidad nativa con la mayoría de los reproductores LMS
- Tamaño de archivo optimizado para transmisión bajo demanda
WAV para alta calidad
Proporciona audio sin pérdida de calidad, ideal para ediciones posteriores o archivos maestros. Es el formato recomendado cuando la fidelidad sonora es prioritaria sobre el ahorro de espacio, aunque ocupa más almacenamiento.
- Calidad de audio sin compresión
- Ideal para archivado o procesamiento adicional
Opus para eficiencia
Ofrece una relación compresión-calidad superior a MP3 a bitrates similares. Es excelente para reducir costos de ancho de banda en despliegues masivos sin sacrificar la claridad de la voz sintética.
- Máxima eficiencia en tamaño de archivo
- Calidad perceptual alta a bajos bitrates
Velocidad y comprensión
La velocidad de reproducción ajusta la duración del audio sintetizado, permitiendo adaptar el contenido a diferentes contextos de aprendizaje. El rango aceptable va de 0.25x a 4.0x, lo que facilita la personalización según la densidad del texto y el nivel de experiencia del oyente.
Velocidad estándar
El valor predeterminado (1.0x) ofrece un ritmo natural. Es la configuración más segura para capacitaciones generales, ya que garantiza una comprensión óptima sin fatiga auditiva excesiva.
Velocidad acelerada
Aumentar la velocidad (hasta 4.0x) reduce el tiempo de escucha, útil para repasar conceptos conocidos o auditorías rápidas. Ten en cuenta que textos densos pueden perder claridad si se excede la velocidad moderada.
Velocidad lenta
Reducir la velocidad (hasta 0.25x) mejora la comprensión para materiales complejos o para usuarios con dificultades auditivas. Ideal para introducciones de nuevos procedimientos o términos técnicos específicos que requieren mayor atención.
Consideraciones legales
La transparencia sobre el origen de las voces es fundamental para la gestión de riesgos en entornos corporativos. Nuestro modelo se basa en grabaciones licenciadas bajo CC BY 4.0, garantizando un uso comercial claro para la producción masiva de capacitación.
Licencias CC BY 4.0
Cada voz proviene de grabaciones con licencia Creative Commons BY 4.0, lo que permite su uso comercial.
- Uso comercial permitido sin royalties adicionales.
- Licencia estándar CC BY 4.0.
Procedencia LibriVox
Las voces están derivadas de lecturas de dominio público de LibriVox, asegurando que las interpretaciones base no tengan derechos de autor restrictivos.
- Base de datos de audios de dominio público.
- Origen verificado en LibriVox.
Marcas de agua
Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial, facilitando la trazabilidad en distribuciones masivas.

Integración en plataformas LMS
CantoClaro ofrece archivos de audio listos para integrarse en plataformas LMS corporativas, facilitando la estandarización de la formación de RR. HH. al eliminar la variabilidad de las grabaciones manuales.
Subida de archivos
Los archivos generados (MP3, WAV, Opus) se suben directamente como recursos multimedia estándar. Esto garantiza consistencia técnica y evita la necesidad de hardware de grabación en cada sede.
- Formatos compatibles con la mayoría de LMS modernos
Reproducción nativa
La API devuelve el audio listo para ser incrustado en módulos de curso. La reproducción sigue los controles nativos del LMS, manteniendo el flujo de aprendizaje sin redirecciones externas.
Accesibilidad
El uso de voces predefinidas asegura una calidad auditiva constante, beneficiando a empleados con dificultades de aprendizaje o lectores no nativos. El formato MP3 optimiza la carga en redes móviles.
- Optimización para redes móviles mediante MP3
Pruebas A/B de voces
Implementar pruebas A/B permite a las agencias de RR. HH. validar cuál voz resuena mejor con los empleados antes de escalar la producción de audio para capacitaciones masivas. Este enfoque elimina la subjetividad en la selección de voces como Nova o Milo, basándose en datos concretos de comprensión y engagement.
El método consiste en dividir una cohorte de prueba en grupos que reciben el mismo contenido con diferentes voces. Al medir la retención y el feedback directo, se identifica el tono óptimo para cada tipo de módulo formativo, asegurando consistencia y claridad en la comunicación interna.
Método de prueba
Divida el material de capacitación en fragmentos cortos, ideales para pruebas rápidas de comprensión. Asigne aleatoriamente grupos de empleados a diferentes voces (por ejemplo, Aria vs. Atlas) para el mismo módulo de onboarding. Utilice la API para generar las versiones en paralelo, manteniendo constantes la velocidad y el formato (mp3 o wav).
- Usar textos idénticos para aislar el factor voz
- Limitar la prueba a módulos de 2-3 minutos
- Generar audio con la misma velocidad (1.0x) para evitar sesgos
Feedback de usuarios
Incorpore preguntas específicas al final de cada módulo de prueba. Pregunte si la voz era clara, natural y fácil de seguir durante periodos extendidos. Este feedback cualitativo complementa los datos cuantitativos, ayudando a detectar fatiga auditiva que las métricas de tiempo no revelan por sí solas.
- Preguntar sobre claridad y naturalidad percibida
- Evaluar si la voz distrae del contenido
- Recopilar observaciones sobre el tono emocional (ej. demasiado formal vs. cercano)
Métricas de retención
Mida la tasa de finalización de los módulos y los resultados en cuestionarios de comprensión post-capacitación. Compare los puntajes de los grupos expuestos a diferentes voces. Una diferencia significativa en la retención de información indica claramente cuál voz es más efectiva para el aprendizaje corporativo en su contexto específico.
- Tasa de finalización del módulo
- Puntuación promedio en cuestionarios de comprensión
- Tasa de repetición de módulos por confusión auditiva
Gestión de volumen
La API de CantoClaro procesa solicitudes con un límite estricto de 4096 caracteres por llamada. Esto incluye espacios y puntuación, por lo que textos largos de capacitación deben dividirse antes de enviarlos.
Límites de caracteres
Cada solicitud POST solo acepta hasta 4096 caracteres. Si tu guion de capacitación excede este límite, debes segmentarlo manualmente o mediante tu lógica de aplicación antes de la llamada a la API.
División de textos
La estrategia recomendada es dividir el texto en fragmentos que respeten el límite de caracteres, manteniendo la coherencia semántica. Esto asegura que cada parte se sintetice correctamente sin cortes abruptos en la voz.
Concatenación
Una vez generados los archivos de audio de cada fragmento, debes unirlos en tu lado del cliente o servidor. La API devuelve el audio directamente en la respuesta, por lo que la concatenación es responsabilidad de tu integración técnica.
Calidad de audio
El modelo tts-1 utiliza un motor de síntesis estándar, adecuado para la mayoría de los contenidos de capacitación interna. Ofrece un equilibrio entre calidad de voz y eficiencia en la generación de audio, manteniendo una claridad suficiente para la compresión auditiva en entornos corporativos.
Modelo tts-1-hd
El modelo tts-1-hd utiliza el mismo motor de generación que tts-1. Es una opción disponible con el mismo precio que tts-1.
- Mayor fidelidad en la síntesis de voz
- Ideal para módulos de alta prioridad
Diferencias de precio
Ambos modelos, tts-1 y tts-1-hd, comparten el mismo motor de generación y, por ende, el mismo precio. El costo se fija en $10 por cada millón de caracteres procesados, independientemente de la calidad de audio seleccionada. Esta uniformidad simplifica la previsión de gastos en la producción masiva de audio para RR. HH.
Calidad de audio
Modelo tts-1
Modelo tts-1-hd
Recursos adicionales
Complementamos esta guía con los recursos necesarios para integrar nuestra API en tus flujos de capacitación. Desde la documentación técnica hasta los ejemplos de código, todo está diseñado para agilizar la creación de contenido de audio sin fricciones técnicas.
Si surgen dudas específicas durante la implementación, nuestro equipo de soporte está disponible por email para asistirte en la resolución de incidencias o aclaraciones sobre la integración.
Documentación técnica
Accede a la especificación completa del endpoint de síntesis de voz en /docs/. Allí encontrarás la estructura exacta de las peticiones JSON, los modelos disponibles y las opciones de formato de audio para cada solicitud.
- Esquema de peticiones POST /v1/audio/speech
- Lista de voces y lenguajes soportados
- Formatos de respuesta: mp3, wav, opus, flac, pcm
Ejemplos de código
Utiliza los snippets de código listos para copiar y pegar. Están optimizados para funcionar con las librerías oficiales de OpenAI, solo necesitas ajustar la variable de entorno base_url a https://api.bets7.info/v1 y proporcionar tu clave API.
- Ejemplo con Python y la librería openai
- Configuración de base_url y headers
- Manejo de respuesta binaria de audio
Soporte por email
Para consultas sobre facturación, límites de tasa o detalles técnicos no cubiertos en la documentación, envíanos un correo electrónico. Nuestro equipo responderá a tus incidencias para asegurar que tu producción de capacitación continúe sin interrupciones.
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.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
Fuentes y lecturas adicionales
- Wikipedia
- LibriTTS-R paper (arXiv 2305.18802)
- MDN: Web Speech API
- LibriVox public-domain audiobooks
- OpenAI API reference: create speech
- IETF RFC 7845: Ogg Opus
- openai-node on GitHub
- W3C WAI: making audio and video accessible
- ISO 639 language codes
- TRON developer hub: TRC-20
- FFmpeg documentation
- Python documentation
