API de texto a voz para datasets de machine learning

Por equipo editorial de VozLumina · Actualizado 2026-11-19

VozLumina proporciona una API de texto a voz programática y predecible, diseñada específicamente para ingenieros de ML y desarrolladores indie que necesitan generar grandes volúmenes de audio sintético para conjuntos de datos. Utilizamos un endpoint compatible con OpenAI para una integración rápida y económica.

Esta página explica cómo generar audio masivo mediante control de velocidad y formatos variados, con soporte para 23 idiomas y 8 voces licenciadas bajo CC BY 4.0. Descubre la estructura de costes por carácter, la integración técnica con SDKs oficiales y los flujos de trabajo para entrenamiento de ASR y generación de datos sintéticos.

API de texto a voz para datasets de machine learning

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que recibe texto y devuelve un archivo de audio mediante una solicitud POST. Sigue el formato de la API de OpenAI, lo que permite usar sus SDKs oficiales modificando la base URL. Es ideal para integrar síntesis de voz en aplicaciones o pipelines de datos de forma programática.

¿Es realmente gratuita la prueba de texto a voz?

Sí, al registrarte con Google recibes $0.50 de crédito válido por 7 días, equivalente a unos 50.000 caracteres. Si te registras con correo y contraseña, no obtienes este crédito inicial. Los fallos en la síntesis no consumen saldo, garantizando que pruebas sin riesgo financiero.

¿Cuáles son los límites de caracteres por solicitud?

Cada solicitud acepta hasta 4096 caracteres, incluyendo espacios y puntuación. Para textos más largos, debes dividirlos en partes de este tamaño y unir los archivos de audio resultantes. El procesamiento es secuencial, por lo que grandes volúmenes pueden requerir gestión de cola para mantener la eficiencia.

¿Qué formatos de audio están soportados?

Soportamos mp3, wav, opus, flac y pcm. Puedes especificar el formato deseado en el campo response_format de tu solicitud JSON. Estos formatos cubren necesidades desde compresión eficiente hasta calidad sin pérdida, adecuados para diferentes etapas del procesamiento de datasets de ML.

¿Se pueden usar las voces para entrenar modelos?

El texto enviado solo se usa para producir el audio y no se utiliza para entrenar nuestro modelo. Sin embargo, los archivos generados llevan una marca de agua invisible que los identifica como voz sintética, lo cual es relevante si los usas como datos de entrenamiento etiquetados.

¿Cómo funciona el pago con USDT?

Aceptamos USDT en la red TRON (TRC-20) como único método de recarga. El monto mínimo es de $5 y el saldo se acredita automáticamente en minutos. No hay suscripciones ni facturación con IVA; el saldo no caduca y se usa bajo el modelo de pago por uso.

¿Qué idiomas están soportados?

Ofrecemos soporte para 23 idiomas, incluyendo inglés, español, alemán, japonés y chino. Cualquier voz puede hablar cualquier idioma de la lista. Si no especificas el código ISO, el sistema intenta adivinarlo, pero se recomienda definirlo explícitamente para textos en latín que no sean inglés.

¿Las voces son clonaciones personalizadas?

No. Ofrecemos 8 voces predefinidas basadas en grabaciones licenciadas de LibriTTS-R y LibriVox. No realizamos clonación de voz personalizada ni permitimos subir tu propia voz. Las voces son fijas y están diseñadas para cubrir diferentes estilos narrativos e instructivos para tus datasets.

¿Hay garantía de disponibilidad (SLA)?

No ofrecemos garantía de disponibilidad (SLA) ni contrato empresarial. No hay certificaciones como SOC 2 o HIPAA. Aunque la API es estable, no garantizamos un tiempo de actividad específico. Es ideal para proyectos indie o desarrollo donde una caída menor no es crítica.

¿Cómo se gestiona la tasa de solicitudes?

El límite es de 60 solicitudes por minuto por clave API (10 antes del primer recargo). Las solicitudes se procesan en cola si hay carga. Para generar grandes volúmenes, gestiona la velocidad de tus scripts para evitar saturar el límite y mantener la consistencia en la generación.

¿Se almacena el texto enviado?

El texto se usa exclusivamente para generar el audio y no se almacena para entrenamiento. Solo conservamos metadatos de la solicitud (hora, caracteres, estado) para facturación. El audio generado se devuelve en la respuesta y no se guarda en nuestros servidores tras la entrega.

¿Hay soporte por teléfono?

No contamos con número de teléfono ni chat en vivo. El soporte se realiza exclusivamente por correo electrónico. Esta estructura mantiene los costos bajos y es adecuada para desarrolladores que prefieren resolver incidencias mediante tickets escritos con detalles técnicos de sus solicitudes.

¿Qué es el watermark en el audio?

Cada archivo de audio generado contiene una marca de agua inaudible que indica que es voz sintética. Esto ayuda a identificar el origen del audio y es útil para etiquetar datasets de entrenamiento o verificar la autenticidad del contenido generado por nuestra API.

¿Puedo usar la API para producción?

Sí, la API es adecuada para producción, aunque no incluye SLA ni garantía de uptime. Es económica ($0.01 por 1000 caracteres) y predecible. Ideal para ingenieros que necesitan generar grandes volúmenes de audio para conjuntos de datos o aplicaciones que no requieren disponibilidad empresarial garantizada.

Primera solicitud

curl

curl https://api.vs777.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

API programática para síntesis de voz

Ilustración de onda de sonido para: API programática para síntesis de voz

VozLumina ofrece una API REST predecible para la síntesis de voz, optimizada para ingenieros que necesitan generar grandes volúmenes de audio para conjuntos de datos. La integración es inmediata mediante el endpoint estándar compatible con el formato de OpenAI.

Endpoint compatible con OpenAI

Endpoint compatible con OpenAI

Envía texto y recibe audio mediante POST https://api.vs777.info/v1/audio/speech. El cuerpo de la solicitud sigue la misma estructura que el endpoint de speech de OpenAI, lo que permite reutilizar SDKs oficiales simplemente modificando el base_url a https://api.vs777.info/v1 y usando tu clave API.

La autenticación se realiza con un token Bearer (Authorization: Bearer tts-...). Un solo clave activa por cuenta garantiza simplicidad en la gestión de credenciales dentro de tus pipelines de CI/CD o scripts de generación.

  • Endpoint: POST /v1/audio/speech
  • Cuerpo JSON idéntico al estándar de la industria
  • Compatible con SDKs oficiales de OpenAI

Generación por lotes

Para conjuntos de datos masivos, divide el texto en fragmentos de hasta 4096 caracteres y concatena los archivos de audio resultantes. Esta estrategia evita límites de longitud y mantiene la integridad del audio generado.

La velocidad típica es de aproximadamente 25 caracteres por segundo de audio generado. Las solicitudes se procesan en cola; bajo alta demanda, puede haber una espera adicional antes del procesamiento.

  • Límite: 4096 caracteres por solicitud
  • Velocidad: ~25 caracteres/segundo
  • Procesamiento secuencial bajo carga

Control de velocidad y formato

Ajusta la velocidad de síntesis entre 0.25 y 4.0 para adaptarse a las necesidades específicas de tu modelo o dataset. El formato de respuesta puede configurarse entre mp3, wav, opus, flac o pcm.

Estos parámetros te permiten optimizar el equilibrio entre tamaño de archivo y calidad, asegurando que el audio generado sea directamente utilizable en tus pipelines de entrenamiento sin transformaciones adicionales.

  • Velocidad: 0.25–4.0
  • Formatos: mp3, wav, opus, flac, pcm

Voces y idiomas para entrenamiento

Ilustración de onda de sonido para: Voces y idiomas para entrenamiento

La API ofrece ocho voces predefinidas con matices distintos, desde narrativas cálidas hasta tonos documentales profundos. Cada voz está basada en grabaciones licenciadas de LibriTTS-R (CC BY 4.0), garantizando una calidad consistente para tus conjuntos de datos.

El sistema soporta 23 idiomas, incluyendo español, inglés, japonés y alemán. Cualquier voz puede hablar cualquier idioma de la lista; si no se especifica el código de idioma, el sistema lo adivina, pero se recomienda definirlo explícitamente para textos en latín no ingleses.

8 presets vocales licenciados

Selecciona entre cuatro voces femeninas (aria, nova, luna, sage) y cuatro masculinas (felix, milo, atlas, orion). Esta variedad permite cubrir distintas necesidades de entrenamiento sin necesidad de clonación de voz personalizada.

Las voces son preestablecidas y no se pueden modificar. Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial, útil para etiquetar datasets mixtos.

  • Aria: narradora clara y cálida
  • Nova: tono brillante y enérgico
  • Luna: suave, ideal para storytelling
  • Sage: calmada, instruccional
  • Felix: dinámica, promocional
  • Milo: amigable, conversacional

Soporte para 23 idiomas

Los idiomas soportados son: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, swahili, sueco y turco.

Si no se establece el parámetro language, el sistema infiere el idioma basándose en el script. Para texto latino que no sea inglés, es obligatorio establecer language explícitamente.

Marcas de agua en audio sintético

Cada archivo de audio generado contiene una marca de agua inaudible que marca el contenido como síntesis artificial. Esto es relevante para la auditoría de datasets de entrenamiento donde se mezclan voz humana y generada.

Costes optimizados para datos masivos

Ilustración de onda de sonido para: Costes optimizados para datos masivos

La facturación es estrictamente por carácter consumido, con un coste de 0,01 USD por cada 1.000 caracteres. Esto incluye espacios y puntuación, lo que permite calcular con precisión el presupuesto para conjuntos de datos masivos sin sorpresas.

Tarifa por carácter

El precio base es de 10 USD por millón de caracteres. Cada solicitud cuenta los caracteres exactos enviados en el campo input, incluyendo espacios. Si la síntesis falla, el cargo se devuelve íntegramente, asegurando que solo pagas por audio generado con éxito.

  • 0,01 USD por 1.000 caracteres
  • Espacios y puntuación cuentan como caracteres
  • Reembolso total en fallos de síntesis

Pago en USDT

El único método de recarga es USDT en la red TRON (TRC-20). No se aceptan tarjetas ni PayPal. El importe mínimo es de 5 USD y el saldo se acredita automáticamente en minutos. No hay suscripciones ni plazos de vencimiento.

  • Red TRC-20 (TRON)
  • Mínimo de recarga: 5 USD
  • Acreditación automática en minutos

Sin costes ocultos

Sin planes mensuales ni gastos de infraestructura ocultos. Tu saldo no expira y no hay cargos por inactividad. La transparencia es total: conoces el coste exacto antes de enviar cualquier solicitud de audio.

Demostración técnica

Ilustración de onda de sonido para: Demostración técnica

La API sigue el esquema de solicitud de OpenAI, permitiendo una integración directa sin necesidad de SDK propietario. Envía texto, recibe el archivo de audio y gestiona los lotes dividiendo textos largos en fragmentos de 4096 caracteres.

Ejemplo de código cURL

Envía una solicitud POST a https://api.vs777.info/v1/audio/speech con el cuerpo JSON que incluye model, input, voice y response_format. La autenticación se realiza mediante la cabecera Authorization: Bearer tts-....

Integración con SDK

Usa los SDK oficiales de OpenAI modificando el base_url a https://api.vs777.info/v1 y utilizando tu clave de API. Esto permite aprovechar la misma estructura de clientes que ya conoces.

Formatos de salida

Selecciona el formato de respuesta adecuado para tu pipeline de ML: mp3, wav, opus, flac o pcm. Cada solicitud devuelve un archivo de audio listo para ser añadido a tu conjunto de datos.

Infraestructura para desarrolladores

Ilustración de onda de sonido para: Infraestructura para desarrolladores

La infraestructura está diseñada para la predictibilidad en entornos de generación masiva. Los límites de tasa garantizan que puedas planificar tu pipeline de datos sin sorpresas inesperas en la cola de procesamiento.

Límites de tasa claros

El límite estándar es de 60 solicitudes por minuto por clave. Hasta la primera recarga, este valor se reduce a 10 solicitudes por minuto. Las solicitudes se procesan en secuencia, por lo que bajo carga puede haber pequeñas demoras en la cola.

  • Límite estándar: 60 req/min por clave
  • Límite inicial: 10 req/min hasta primera recarga
  • Procesamiento secuencial garantizado

Gestión de claves

Cada cuenta mantiene una única clave activa. Si emites una nueva clave, la anterior deja de funcionar inmediatamente. La gestión se realiza desde /get-api-key/, donde también visualizas el saldo y el uso acumulado.

Documentación técnica

La documentación completa está disponible en /docs/. Incluye la especificación del endpoint compatible con OpenAI y los parámetros de modelo, voz y formato para integrar VozLumina en tus scripts de Python o Go sin fricción.

Se recomienda revisar los límites de caracteres (4096 por petición) para optimizar el splitting de textos largos en tus pipelines de entrenamiento.

Infraestructura para desarrolladores

Casos de uso en IA

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

VozLumina permite generar grandes volúmenes de audio sintético para entrenar modelos de reconocimiento de voz (ASR). Con soporte para 23 idiomas y 8 voces distintas, se obtienen datasets diversos sin depender de grabaciones humanas costosas.

Entrenamiento de ASR

Utiliza la API para crear corpus de entrenamiento variados. La capacidad de mezclar voces y idiomas mejora la robustez de los modelos de reconocimiento de voz en entornos reales.

Generación de datos sintéticos

Genera texto a audio de forma programática para alimentar pipelines de machine learning. Ideal para crear datasets balanceados o específicos por idioma sin limitaciones de escala.

Pruebas de text-to-speech

Evalúa la calidad de síntesis en diferentes configuraciones de velocidad y formato. La API predecible facilita la validación técnica de modelos TTS antes del despliegue.

Licencias de voz

Ilustración de onda de sonido para: Licencias de voz

Nuestras voces provienen de grabaciones licenciadas de LibriTTS-R y lecturas de audiolibros en dominio público. Esto garantiza una base acústica robusta y libre de restricciones de derechos de autor complejos para tus conjuntos de datos de entrenamiento.

Origen LibriTTS-R

Utilizamos fuentes de audio verificadas que cumplen con estándares de calidad para la síntesis de voz. Cada voz está preconfigurada para ofrecer claridad y consistencia en la generación masiva.

  • Fuentes de audio verificadas
  • Calidad consistente para TTS

Licencia CC BY 4.0

La infraestructura de voz se basa en licencias que permiten su uso comercial con atribución. Esto facilita la integración en modelos propietarios sin litigios de derechos de autor.

Audiolibros de dominio público

Complementamos con lecturas de audiolibros en dominio público para ampliar la variedad acústica. Este enfoque minimiza los riesgos legales al generar grandes volúmenes de audio sintético.

Política de datos

Ilustración de onda de sonido para: Política de datos

El texto enviado se utiliza exclusivamente para generar el archivo de audio correspondiente y no se incorpora a nuestros conjuntos de datos de entrenamiento. Una vez que la síntesis se completa, el audio generado se devuelve en la respuesta y no se almacena en nuestros servidores, garantizando que tu contenido específico no persista para futuros modelos.

Esta política asegura que tu propiedad intelectual sobre los textos y los audio generados permanezca bajo tu control, sin que se conviertan en parte de nuestro modelo base.

Texto no usado para entrenamiento

El contenido de entrada (input) se procesa en tiempo real para producir la salida de audio. No se retiene para mejorar ni para entrenar el motor de TTS de VozLumina, a diferencia de lo que hacen algunos proveedores de IA generativa.

Audio no almacenado

Los archivos de audio generados se entregan directamente en la respuesta de la API y no se guardan en almacenamiento persistente a largo plazo. Esto minimiza el riesgo de que tus datos de prueba o prototipos se filtren o se reutilicen sin tu consentimiento.

Metadatos para facturación

Para garantizar la transparencia en la facturación, conservamos únicamente los metadatos de la solicitud: hora, número de caracteres procesados y estado de la operación (éxito o fallo). Esta información es estrictamente necesaria para calcular el coste de $0.01 por cada 1.000 caracteres y verificar el saldo.

Integración rápida

Ilustración de onda de sonido para: Integración rápida

La integración en sistemas de producción es inmediata. Modifica la variable base_url de tu cliente existente a https://api.vs777.info/v1 y utiliza tu clave TTS para empezar a generar audio sintético en segundos.

El endpoint sigue el esquema de solicitud de OpenAI, lo que permite reutilizar la lógica de cliente ya implementada sin adaptaciones complejas.

Cambio de base URL

Apunta tu SDK a https://api.vs777.info/v1. La estructura JSON del cuerpo de la solicitud (model, input, voice, response_format) es idéntica a la estándar, garantizando compatibilidad directa con clientes HTTP existentes.

Envía POST a /v1/audio/speech y recibe el archivo de audio directamente en la respuesta. No se requiere middleware adicional para la síntesis básica.

  • Base URL: https://api.vs777.info/v1
  • Endpoint: POST /v1/audio/speech
  • Autenticación: Header Authorization Bearer tts-...

Soporte de SDK oficial

Utiliza los SDK oficiales de OpenAI (Python, Node.js, etc.) simplemente cambiando la URL base. Esto permite integrar VozLumina en pipelines de datos de ML sin escribir un cliente HTTP desde cero.

El formato de respuesta es compatible nativamente, facilitando la ingestión de los audiofiles generados en tus conjuntos de entrenamiento.

Documentación completa

Consulta /docs para la especificación técnica completa de los parámetros, límites de caracteres y formatos de salida soportados (mp3, wav, opus, flac, pcm).

La documentación detalla el manejo de errores y el formato de respuesta para facilitar la depuración en entornos automatizados.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Puedes revocar la clave actual y emitir una nueva en cualquier momento desde el mismo panel; la anterior dejará de funcionar inmediatamente.

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. W3C WAI: making audio and video accessible
  3. MDN: Web Speech API
  4. openai-node on GitHub
  5. TRON developer hub: TRC-20
  6. Creative Commons Attribution 4.0
  7. Tether (USDT)
  8. FFmpeg documentation
  9. Python documentation
  10. LibriVox public-domain audiobooks
  11. IETF RFC 7845: Ogg Opus
  12. openai-python on GitHub

Más en este sitio