Preguntas frecuentes
¿Qué significa API en este contexto?
Es un endpoint web donde envías texto y recibes un archivo de audio. Usas POST para la síntesis y GET para listar voces. Funciona con cualquier lenguaje de programación que pueda hacer peticiones HTTP, permitiendo integración directa en tus pipelines de datos sin interfaces gráficas.
¿Es necesario conocer programación?
Sí, aunque sea básica. La API se consume mediante peticiones HTTP o SDKs como el de OpenAI. Necesitas enviar un JSON con el texto, modelo y voz. Si usas cURL o scripts Python, puedes automatizar la generación de miles de archivos sin tocar una interfaz visual.
¿Se puede usar para entrenar modelos?
El texto enviado no se usa para entrenar nuestros modelos, pero el audio generado es tuyo. Puedes usarlo para entrenar tus propios modelos de ASR o TTS. El audio lleva una marca de agua inaudible que lo identifica como sintético, útil para distinguir datos reales de generados.
¿Cuánto tiempo tarda una solicitud?
Rondan el tiempo real: unos 25 caracteres de texto por segundo de audio. Frases cortas tardan unos segundos. Las peticiones se procesan en cola; bajo carga, puede haber espera. Si el texto supera 4096 caracteres, debes dividirlo y unir los archivos de audio resultantes.
¿Qué es un dataset de texto a voz?
Es un conjunto de pares de texto y audio usados para entrenar o evaluar modelos de voz. Aquí, envías texto y recibes el audio correspondiente. Puedes generar grandes volúmenes a bajo costo para crear datasets diversos con diferentes voces, velocidades y formatos para tus experimentos de ML.
¿Se pueden combinar voces?
No. Cada solicitud genera audio con una única voz predefinida (como Aria o Felix). No hay mezcla en tiempo real ni fusión de voces. Para combinar voces, debes generar dos archivos por separado y unirlos en tu pipeline de procesamiento de audio usando herramientas externas.
¿Es el audio compatible con ASR?
Sí, es compatible con sistemas de reconocimiento de voz estándar. Ofreces formatos como WAV, FLAC o MP3. Sin embargo, el audio lleva una marca de agua sintética inaudible que podría ser detectada por clasificadores entrenados para identificar voz generada por IA, útil para etiquetar tus datasets.
¿Qué es la tasa de solicitudes?
Es el límite de peticiones por minuto: 60 por clave activa (10 antes del primer recargo). Si excedes el límite, las solicitudes pueden fallar o entrar en cola. Esto asegura estabilidad del servidor. Para volúmenes masivos, gestiona la cola de tu script para respetar este límite y evitar errores 429.
¿Se puede usar en producción?
Sí, es una API REST estándar diseñada para integración programática. No ofrece SLA ni garantía de disponibilidad. Ideal para generar datasets o audio on-demand. Asegúrate de manejar reintentos y límites de tasa en tu código de producción.
¿Qué es el watermark?
Es una marca de agua inaudible incrustada en cada archivo de audio generado. Marca el audio como síntesis artificial. Es útil para identificar datos sintéticos en tus datasets de entrenamiento o para verificar la procedencia del audio sin afectar la calidad perceptible para el oyente humano.
¿Hay límite de voces simultáneas?
No hay límite estricto de voces concurrentes, pero sí de solicitudes por minuto (60/min). Puedes usar cualquier voz disponible en cualquier momento. El cuello de botella es la tasa de solicitudes, no la diversidad de voces. Distribuye las peticiones para mantener el flujo constante.
¿Se puede automatizar el proceso?
Totalmente. La API es 100% programática. Puedes usar scripts Python, cURL o SDKs para enviar texto y guardar audio automáticamente. Ideal para generar grandes datasets. Solo necesitas gestionar la clave API, el límite de 4096 caracteres y la tasa de 60 solicitudes por minuto.
¿Qué formato es mejor para ML?
WAV o FLAC son ideales por ser sin pérdida y mantener la fidelidad original. PCM también es válido si necesitas datos crudos. MP3 es más ligero pero introduce compresión. Para entrenamiento de modelos sensibles a la calidad, evita códecs con pérdida. Elige según tu pipeline de procesamiento.
¿Se almacenan los datos generados?
El texto de entrada se usa solo para generar el audio y no se entrena con él. El audio se devuelve en la respuesta y no se almacena en nuestros servidores. Solo guardamos metadatos de la solicitud (tiempo, caracteres, estado) para facturación y registro de uso.
Definición técnica de API TTS
La API es un endpoint HTTP estándar: envías texto y recibes un archivo de audio. La dirección base para todas las peticiones es https://api.vs777.info/v1, compatible con los SDKs oficiales de OpenAI si ajustas la URL base a https://api.vs777.info/v1 y usas la clave de autenticación de VozLumina.
Cada solicitud POST a /v1/audio/speech genera un archivo binario. No hay streaming ni WebSockets; el audio se entrega completo tras el procesamiento. Esto permite integraciones simples con scripts Python o cURL sin dependencias complejas.
Solicitud HTTP y respuesta de audio
La integración requiere una petición POST con cabecera Authorization: Bearer. El cuerpo JSON determina el modelo (tts-1 o tts-1-hd), el texto de entrada y el formato de salida. La respuesta es un archivo de audio inmediato en los formatos seleccionados.
Estructura JSON estándar
El cuerpo de la solicitud incluye campos como model, input, voice y response_format. El texto puede tener hasta 4096 caracteres por petición. Si el texto excede este límite, debes dividirlo manualmente y unir los archivos resultantes.
- Modelos:
tts-1ytts-1-hdcomparten motor y precio. - Formatos soportados: mp3, wav, opus, flac, pcm.
- Límite estricto de 4096 caracteres por request.
Programabilidad completa
Al no depender de una SDK propietaria, la API se integra con cualquier cliente HTTP. Esto facilita la automatización de pipelines de generación de datasets, permitiendo parametrizar voces y velocidades desde scripts de CI/CD sin intermediarios.
Uso en conjuntos de datos (Datasets)
La API está diseñada para generar grandes volúmenes de audio sintético necesario para entrenar modelos de ML. Envía texto de hasta 4096 caracteres y recibe un archivo de audio listo para ser incorporado en tu dataset, manteniendo una estructura predecible y programática para la automatización.
Generación masiva de audio
Para textos largos, divide la entrada en fragmentos de 4096 caracteres y une los archivos de audio resultantes. El procesamiento es secuencial, por lo que las solicitudes pueden entrar en cola bajo carga, lo que debe considerarse al planificar la generación de datasets extensos.
Variabilidad de voces e idiomas
Accede a 8 voces predefinidas y 23 idiomas para añadir diversidad a tus conjuntos de datos. Cualquier voz puede hablar cualquier idioma de la lista. Cada voz tiene un timbre distintivo, desde narradoras hasta voces documentales, permitiendo la creación de corpus multilingües y multivoces sin necesidad de sintetizadores adicionales.
- 8 voces con tonalidades diferenciadas
- 23 idiomas soportados
- Detección automática o especificación de idioma
Coste por carácter medible
El precio es de $10 por millón de caracteres, lo que equivale a $0.01 por cada 1.000 caracteres. Los espacios y signos de puntuación cuentan como caracteres. Las solicitudes fallidas no se cobran, asegurando que solo pagues por audio generado exitosamente.
- $0.01 por 1.000 caracteres
- Cobro preciso por uso real
- Solicitudes fallidas son gratuitas
Integración en pipelines de ML
La API se integra directamente en pipelines de ML mediante llamadas HTTP estándar, permitiendo la generación de audio sintético desde cualquier script o entorno de programación. Al seguir la estructura de la API de OpenAI, las bibliotecas oficiales funcionan sin adaptadores complejos, solo cambiando la URL base a https://api.vs777.info/v1 y usando la clave de VozLumina.
Automatización con scripts
El proceso de síntesis es completamente programable. Puedes enviar texto mediante JSON y recibir el archivo de audio directamente en la respuesta, facilitando la integración en flujos de trabajo automáticos sin intervención manual. Esto permite generar conjuntos de datos masivos de forma consistente.
- Compatible con bibliotecas oficiales de OpenAI cambiando el base_url.
- Entrada y salida estandarizadas para fácil parsing en Python, Node.js, etc.
Escalabilidad horizontal
La API está diseñada para manejar volumen. Puedes distribuir solicitudes desde múltiples instancias o scripts simultáneos, respetando el límite de 60 peticiones por minuto por clave. Para cargas mayores, emite nuevas claves o gestiona la cola de solicitudes para evitar cuellos de botella.
- Sin límites de usuarios ni seats fijos.
- Escala generando más claves API o distribuyendo la carga entre múltiples keys.
Control de parámetros
Cada solicitud permite ajustar parámetros críticos para la consistencia del dataset. Puedes especificar la voz, el formato de audio (mp3, wav, opus, flac, pcm) y la velocidad (0.25–4.0). El texto se limita a 4096 caracteres por petición, requiriendo lógica de chunking para textos largos.
- Formatos: mp3, wav, opus, flac, pcm.
- Velocidad ajustable de 0.25x a 4.0x.
- Límite de 4096 caracteres por request.
Ventajas sobre síntesis local
La síntesis local requiere hardware específico (GPUs) y mantenimiento continuo de entornos de inferencia. Nuestra API elimina esa carga operativa: recibes audio generado en la nube sin gestionar hardware ni dependencias de runtime.
No necesitas reiniciar servicios ni parchear modelos manualmente; cada solicitud utiliza la versión más reciente del motor de síntesis disponible sin intervención tuya.
Sin gestión de GPUs
Generar audio localmente implica asignar recursos de GPU y monitorizar su uso. Con la API, la carga computacional es responsabilidad del proveedor. Envías el texto y recibes el archivo; no hay procesos de background ni gestión de memoria.
Esto reduce la complejidad operativa en pipelines de producción.
- Sin inversión inicial en hardware especializado.
- Eliminación de tareas de mantenimiento de drivers y runtime.
Actualizaciones automáticas
Las mejoras en la calidad de voz o la eficiencia se despliegan automáticamente en el backend. Tus scripts siguen funcionando sin cambios al usar el mismo endpoint, pero con el motor actualizado.
No hay versiones de modelo que debas descargar o sincronizar manualmente. Cada llamada a la API utiliza la última versión estable del motor de síntesis.
Menor infraestructura
Reducir la infraestructura local significa menos servidores, menos consumo eléctrico y menos tiempo de administración. Solo necesitas conexión a internet y una clave API para generar audio a escala.
Esto es crítico para equipos indie que priorizan el desarrollo del producto sobre la gestión de servidores de inferencia de voz. La escalabilidad es inmediata y elástica.
- Reducción de costes operativos (OpEx) frente a CAPEX en hardware.
- Escalabilidad elástica sin aprovisionamiento previo de recursos.
Calidad y consistencia
La API ofrece ocho voces predefinidas con características fijas (como Aria, Nova o Atlas), garantizando una entrega de audio coherente. Esta estabilidad es crítica para mantener la uniformidad en grandes volúmenes de datos sintéticos.
Voces predefinidas y estables
Cada voz tiene un timbre y registro constantes, lo que facilita la estandarización de las grabaciones para entrenamiento de modelos ML. No hay variaciones de emoción ni tono dinámico, lo que elimina el ruido de variabilidad en el conjunto de datos.
- Aria: Narradora clara y cálida.
- Nova: Tono brillante y enérgico.
- Luna: Suave, ideal para storytelling.
- Sage: Calma, instruccional.
- Felix: Energético, estilo promo.
- Milo: Conversacional y amigable.
- Atlas: Neutral, estilo noticioso.
- Orion: Profundo, estilo documental.
Marcas de agua sintéticas
Cada archivo de audio generado incluye una marca de agua inaudible que identifica el origen como voz sintética. Esto permite la verificación posterior de la autenticidad del audio sin afectar la calidad perceptual ni la usabilidad para el entrenamiento.
Formatos estandarizados
Se soportan formatos de audio estándar como MP3, WAV, OPUS, FLAC y PCM. Esto asegura la compatibilidad inmediata con las herramientas de procesamiento de señales y pipelines de ML existentes sin necesidad de conversiones adicionales complejas.
Ejemplo de flujo de trabajo
Un flujo de trabajo típico comienza dividiendo textos largos en fragmentos de menos de 4096 caracteres. Cada fragmento se envía como una solicitud JSON independiente al endpoint POST https://api.vs777.info/v1/audio/speech, especificando el modelo tts-1 o tts-1-hd, la voz deseada y el formato de salida requerido.
Preparación de texto
Antes de realizar las llamadas, divide el corpus en partes que respeten el límite de caracteres. Si no se especifica el campo language, el sistema intenta inferirlo del script; para textos en latín que no sean inglés, establece el código ISO explícitamente para garantizar la pronunciación correcta.
Solicitud batch
Envía las solicitudes secuencialmente o en paralelo, respetando el límite de 60 peticiones por minuto por clave. Dado que el procesamiento es secuencial bajo carga, las solicitudes pueden entrar en cola. Si una síntesis falla, no se cobra y puedes reintentar la solicitud sin coste adicional.
Almacenamiento de audio
La API devuelve el archivo de audio directamente en la respuesta HTTP. No se almacenan los audios generados en nuestros servidores. Guarda los archivos en tu infraestructura de datos (S3, blob storage) con el nombre de voz, el ID de la solicitud y el timestamp para mantener el orden del dataset.

Consideraciones de latencia
La síntesis de audio se procesa secuencialmente, lo que implica que las solicitudes se atienden una tras otra. Para textos largos, la velocidad aproximada es de 25 caracteres por segundo de audio generado, aunque frases cortas pueden tardar unos segundos adicionales en completarse.
Bajo carga, las peticiones pueden entrar en una cola de espera antes de ser procesadas. Esta latencia variable debe considerarse al diseñar pipelines de generación masiva para conjuntos de datos.
Procesamiento secuencial
Cada solicitud se ejecuta en orden, sin paralelismo interno. Esto garantiza que el resultado sea predecible, pero limita el throughput máximo a una síntesis activa por instancia en un momento dado.
Cola de solicitudes
Si se exceden los límites o hay alta demanda, las peticiones se apilan. La latencia aumenta proporcionalmente al número de solicitudes pendientes en la cola antes de su inicio.
Planificación de lotes
Para minimizar la latencia acumulada, se recomienda agrupar textos en lotes manejables y respetar el límite de 60 solicitudes por minuto. Esto optimiza el flujo de trabajo sin saturar la cola de procesamiento.
Monitorear el estado de la cola ayuda a ajustar el ritmo de generación para mantener la consistencia en la producción de datasets.
Idiomas y cobertura
La API acepta texto en 23 idiomas, incluyendo variantes del español, portugués y chino. Cualquier voz puede generar audio en cualquiera de estos idiomas sin necesidad de seleccionar una voz específica por región, lo que simplifica la configuración de los pipelines de generación de datos.
23 idiomas soportados
El sistema soporta árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco y turco. La lista es fija; otros idiomas como vietnamita o tailandés no están disponibles.
- Árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco, turco
Detección automática
Si no se especifica el campo language, el sistema infiere el idioma a partir del guion del texto. Por defecto, el texto en latinos se asume como inglés. Para textos en otros idiomas con caracteres latinos (ej. alemán o francés), debes pasar el código ISO explícitamente para evitar errores de pronuncicación.
Cobertura limitada
No se admiten vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otros idiomas no listados. Si tu conjunto de datos requiere idiomas fuera de esta lista, la API no es compatible.
Licencias y derechos
Las voces utilizadas en la síntesis provienen de grabaciones licenciadas bajo CC BY 4.0 de LibriTTS-R, basadas en lecturas de audiolibros de dominio público de LibriVox.
El uso comercial está permitido.
Voces de LibriVox
Todas las 8 voces están construidas sobre grabaciones reales de lectores voluntarios de LibriVox. No son clonaciones ni síntesis pura de cero, sino modelos entrenados sobre este corpus específico.
Uso comercial permitido
El formato de audio generado puede usarse en productos comerciales, conjuntos de datos de ML o aplicaciones sin restricciones adicionales de la API. No hay cargos por derechos de autor sobre el audio resultante.
Atribución CC BY
Debes atribuir a los creadores originales según CC BY 4.0.
Monitoreo y métricas
La API mantiene un registro preciso de los metadatos de cada solicitud (timestamp, caracteres, estado) exclusivamente para facturación. El audio generado no se almacena; se devuelve en la respuesta y se descarta inmediatamente, garantizando que solo se conserven los datos necesarios para auditoría de costos.
Cada solicitud exitosa consume caracteres exactos (incluyendo espacios y puntuación). Las peticiones fallidas no generan cargo y el saldo se restaura íntegramente. Esto permite predecir el gasto con precisión matemática, sin sorpresas en la facturación ni cargos por latencia o tiempos de espera en cola.
Registro de metadatos
Se almacenan únicamente tiempo, longitud del texto y estado de la solicitud. No se guarda el audio ni el texto original después de la entrega.
Estos datos sirven exclusivamente para verificar cargos y auditar el uso de la API sin retener contenido sensible más allá de lo necesario.
- Timestamp de solicitud
- Longitud en caracteres
- Estado (éxito/fallo)
Costes exactos
El costo es fijo: $0.01 por cada 1,000 caracteres. No hay tarifas ocultas ni cargos por conexión.
Si la síntesis falla, se devuelve el saldo completo. El precio no varía según la velocidad o el formato.
- $0.01 / 1,000 caracteres
- Sin cargos por fallo
- Sin tarifas de formato
Estadísticas de uso
El panel muestra el saldo actual, crédito restante y caracteres consumidos. No se ofrecen métricas de rendimiento ni SLA.
El control es total: emite una nueva clave si es necesario y monitorea el consumo en tiempo real desde la consola.
- Saldo actual
- Crédito de prueba
- Caracteres consumidos
Errores comunes en integración
La integración rápida de la API TTS suele fallar por tres causas técnicas simples pero costosas. Identificar estos errores evita desperdiciar créditos o generar archivos inválidos en tus pipelines de ML.
Exceder límites de caracteres
Cada solicitud soporta un máximo de 4096 caracteres. El texto que supere este límite no se truncará automáticamente; la API devolverá un error y el cargo no se aplicará, pero perderás tu cuota de intentos.
- Divide textos largos en fragmentos de <4096 chars antes de enviarlos.
- Los espacios y la puntuación cuentan como caracteres.
Formatos de audio incorrectos
Especifica siempre el campo response_format en tu payload. Si omites el formato, la API podría devolver un valor por defecto no deseado o fallar si el cliente espera un codec específico como WAV o FLAC.
- Usa
mp3para eficiencia owavpara datos crudos. - Verifica que el formato coincida con tu pipeline de procesamiento.
Gestión de claves
La API solo acepta una clave activa por cuenta. Al emitir una nueva clave, la anterior queda inválida inmediatamente. No guardes múltiples versiones de tu tts-... key en diferentes entornos de desarrollo sin rotarlas correctamente.
- Emitir una nueva clave invalida la anterior al instante.
- Almacena la clave actualizada en tus variables de entorno.
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.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
