Preguntas frecuentes
¿Qué es una API?
Una API (Interfaz de Programación de Aplicaciones) es un protocolo que permite a dos programas comunicarse. En nuestro caso, tu software envía texto y recibe audio. Es la forma estándar en que las aplicaciones modernas intercambian datos de manera eficiente y automatizada.
¿Qué significa API de texto a voz?
Significa que tu aplicación puede convertir texto escrito en archivos de audio mediante una conexión web. Envías una solicitud JSON y recibes el audio generado. Es ideal para audioguías, ya que elimina la necesidad de grabaciones humanas previas.
¿Cómo funciona una API de TTS?
Envías texto a nuestro endpoint POST y especificas voz y formato. El servidor procesa la solicitud y devuelve un archivo de audio. Soportamos formatos como MP3, WAV y OPUS. Puedes controlar la velocidad y el idioma para ajustar la experiencia del usuario.
¿Qué es una audioguía digital?
Es un sistema de audio que acompaña al usuario en un recorrido físico o virtual. En turismo, permite reproducir narraciones sobre museos o ciudades sin necesidad de dispositivos físicos. Nuestra API genera el contenido de audio de forma dinámica según el texto que envíes.
¿Necesito un locutor para una audioguía?
No necesariamente. Nuestra API genera voces sintéticas de alta calidad usando voces predefinidas como Aria o Felix. Esto elimina los costos de estudios de grabación y locutores. Puedes generar audio sin contratar personal adicional ni reservar cabinas.
¿Qué es un archivo MP3?
Es un formato de audio comprimido muy común, ideal para audioguías móviles por su equilibrio entre calidad y tamaño. También puedes elegir WAV, OPUS, FLAC o PCM según tus necesidades de compatibilidad. Es el estándar para la mayoría de reproductores de audio.
¿Qué es un SDK?
Un Kit de Desarrollo de Software es una colección de herramientas para crear aplicaciones. Nosotros no tenemos un SDK propio, pero nuestra API es compatible con los SDKs oficiales de OpenAI. Solo necesitas ajustar la URL base para integrarlo fácilmente.
¿Qué es la licencia CC BY 4.0?
Es una licencia Creative Commons que permite el uso de las grabaciones base de nuestras voces. Las voces provienen de grabaciones licenciadas bajo CC BY 4.0 o dominio público. Esto asegura que las bases de audio sean legales y accesibles para tu proyecto.
¿Qué es el dominio público?
Se refiere a obras cuyos derechos de autor han expirado o no existen. Nuestras voces utilizan grabaciones de LibriVox, que son de dominio público. Esto permite usar las voces base sin pagar regalías adicionales por el uso de la interpretación original.
¿Qué es USDT TRC-20?
Es un token de stablecoin en la red TRON. Es nuestro único método de recarga disponible. Puedes añadir saldo mínimo de $5. El crédito se acredita automáticamente en minutos tras la transferencia, sin necesidad de facturas ni procesos bancarios tradicionales.
¿Qué significa base_url?
Es la dirección raíz de la API. Para usar nuestros servicios con herramientas existentes, cambias la base_url a https://api.ak7x.info/v1. Esto permite reutilizar código de otros proveedores de TTS, facilitando la integración en tus aplicaciones móviles o web.
¿Qué es la latencia en una API?
Es el tiempo que tarda la API en responder. En textos largos, la generación es aproximadamente en tiempo real (25 caracteres por segundo). Para frases cortas, puede tardar unos segundos. La latencia depende de la carga del servidor en ese momento.
¿Qué es el procesamiento por cola?
Significa que las solicitudes se procesan una tras otra. Si hay muchas peticiones simultáneas, algunas pueden esperar en una cola. Esto asegura la estabilidad del servicio, aunque puede aumentar ligeramente el tiempo de espera durante picos de tráfico en la API.
¿Qué es una petición HTTP?
Es la solicitud que tu aplicación envía al servidor para obtener datos. Usamos el método POST para enviar texto y recibir audio. Cada petición cuenta como un uso de caracteres. Es la base técnica de cómo tu software interactúa con nuestra API.
Definición básica
VozNómada es una API que transforma texto en archivos de audio listos para reproducir. En lugar de contratar locutores o alquilar estudios, tu aplicación envía un fragmento de texto y recibe un archivo de audio sintetizado (el tiempo varía según la longitud del texto y la carga del servidor), ideal para audioguías de museos y apps de turismo.
Entrada texto
El proceso comienza con una solicitud JSON que contiene el texto a leer. Puedes enviar hasta 4096 caracteres por petición. Si el contenido es más extenso, el sistema lo divide automáticamente en partes y une los archivos resultantes.
- Límite de 4096 caracteres por solicitud
- Formato de entrada: campo
inputen JSON - Soporte para textos largos mediante división automática
Salida audio
La API devuelve un archivo de audio en el formato elegido (mp3, wav, opus, flac o pcm). El archivo se entrega en la respuesta una vez completada la síntesis, listo para ser reproducido en tu aplicación móvil o dispositivo de visita.
- Formatos: mp3, wav, opus, flac, pcm
- Archivos listos para reproducción inmediata
- Sin almacenamiento persistente del audio generado
Proceso en la nube
Toda la síntesis ocurre en nuestros servidores. Solo necesitas enviar la petición y recibir el resultado. No requiere instalación de software adicional ni gestión de infraestructura de audio, lo que permite escalar rápidamente sin preocupaciones técnicas.
Diferencia con grabación tradicional
La grabación tradicional exige reservar horas en un estudio profesional y coordinar la disponibilidad de locutores. Con nuestra API, envías el texto y recibes el audio sin infraestructura física ni agendamientos complejos.
Sin estudio de sonido
Eliminas el coste de alquiler de cabinas y equipos de alta fidelidad. Todo el procesamiento de síntesis de voz ocurre en la nube, listo para integrarse directamente en tu aplicación móvil o web.
Sin locutores freelance
No dependes de la agenda ni de la disponibilidad de talentoss externos. Tienes acceso a 8 voces predefinidas con acentos naturales, disponibles para cualquier proyecto de audioguía o visita guiada.
Actualización inmediata
Si cambias una ruta o un dato histórico, regenera el audio en segundos. No necesitas volver a montar una sesión de grabación ni redistribuir archivos físicos o digitales actualizados.
Uso en turismo
Audioguías de museos
Genera guías narrativas a partir de textos históricos sin necesidad de contratar estudios de grabación ni locutores freelance. Con la API, cada descripción de una obra o sala se convierte en audio al instante, permitiendo actualizaciones inmediatas del contenido cuando cambia la exposición.
Apps de visita guiada
Integra audio directamente en aplicaciones móviles para dispositivos de visita. Envía texto y recibe el archivo de audio mediante la API; los usuarios escuchan la guía mientras caminan por el museo o la ciudad, con una integración técnica simple basada en HTTP y JSON.
Contenido multilingüe
Ofrece audioguías en 23 idiomas, desde inglés hasta japonés o árabe. Cada voz puede hablar cualquiera de los idiomas soportados, lo que permite adaptar la experiencia a visitantes internacionales sin necesidad de crear voces nuevas para cada idioma.
Diferencia con clonación de voz
Nuestra API no clona voces personalizadas ni permite subir grabaciones propias. Ofrece ocho presets con acentos naturales, ideales para audioguías sin necesidad de sesiones de estudio ni contratos de voz.
Voces predefinidas
Selecciona entre ocho voces con tonos variados, desde narrativas hasta conversacionales, sin depender de talento externo. Cada audio generado lleva una marca de agua sintética invisible.
- 8 presets listos para usar
- Acentos reales y naturales
Sin grabación propia
No subas tu voz ni diseñes timbres. El motor sintetiza texto directamente, evitando la logística de grabación y edición para lanzamientos rápidos de contenido turístico.
Licencias incluidas
Todas las voces provienen de grabaciones licenciadas (LibriTTS-R, CC BY 4.0) y audiolibros de dominio público, simplificando la gestión legal para tu startup.
Tecnología subyacente
Nuestra API se basa en dos modelos de generación de voz: tts-1 y tts-1-hd. Ambos utilizan el mismo motor de síntesis para procesar tus textos y convertirlos en audio de alta calidad, garantizando una experiencia de escucha coherente en tus audioguías.
No importa cuál elijas, la experiencia auditiva es idéntica en cuanto a calidad y estilo de voz. La única diferencia práctica es el modelo especificado, ya que ambos utilizan el mismo motor y precio.
Modelos tts-1 y tts-1-hd
Puedes especificar "tts-1" o "tts-1-hd" en tu solicitud JSON. Ambos modelos generan las mismas voces con la misma calidad narrativa, ideal para audioguías turísticas que requieren claridad y naturalidad.
Mismo motor
Dado que comparten el mismo motor de procesamiento, no notarás diferencias en la entonación o el ritmo. Esto simplifica tu integración: puedes cambiar de modelo sin afectar la experiencia del usuario final en tu app de visita guiada.
Mismo precio
El costo es idéntico para ambos modelos: $10 por cada millón de caracteres. No pagas extra por elegir uno u otro, lo que facilita la previsión de gastos en tus proyectos de contenido narrativo para museos o startups de turismo.
Ventajas para startups
VozNómada se adapta a tu volumen de descargas sin necesidad de infraestructura extra. Si tu app crece, la API procesa las solicitudes secuencialmente, manteniendo la coherencia del servicio sin picos de coste fijo.
Paga solo por lo que consumes: $0.01 por cada 1.000 caracteres. No hay planes mensuales ni mínimos. Además, si una síntesis falla, el cargo se devuelve íntegramente, eliminando el riesgo en pruebas.
Escalabilidad
La API maneja la carga de audio bajo demanda. No necesitas contratar más locutores ni ampliar servidores cuando aumentan las visitas a tus audioguías o apps turísticas.
Las solicitudes se procesan en cola, garantizando que cada solicitud reciba atención sin necesidad de planificación previa de capacidad.
- Procesamiento secuencial bajo demanda
- Sin límites de concurrentes fijos
Coste variable
El precio es de $10 por millón de caracteres. Solo pagas cuando se genera audio exitosamente. El saldo no caduca y puedes recargar con USDT (TRC-20) desde $5.
Ideal para startups con flujo de caja variable: inviertes en contenido solo cuando lo necesitas, sin compromisos de suscripción mensual.
- $0.01 por 1.000 caracteres
- Sin cargos por inactividad
Lanzamiento rápido
Con una clave de API y la documentación, puedes integrar la síntesis en horas. No esperas a negociar contratos con estudios ni a programar sesiones de grabación.
El modelo tts-1-hd está disponible desde el día uno, permitiendo lanzar tu producto turístico o de museo con contenido profesional inmediatamente.
- Integración en horas
- Sin contratos largos
Limitaciones técnicas
La API se centra en la generación básica de audio sin etiquetas de marcado avanzado. No soporta SSML, por lo que no puedes controlar la puntuación fina ni la entonación de las frases dentro del mismo archivo.
El audio se entrega completo tras el procesamiento, sin transmisión parcial en tiempo real. Esto significa que debes esperar a que termine la síntesis antes de reproducir el contenido, lo cual es suficiente para audioguías estáticas pero no para interacción instantánea.
Sin SSML
No puedes insertar etiquetas SSML para ajustar pausas, velocidad por palabra o énfasis en sílabas específicas. La entonación se gestiona automáticamente por la voz seleccionada.
- Sin control de pausas finas
- Sin énfasis en palabras concretas
Sin streaming
La respuesta contiene el archivo de audio completo una vez generado. No hay websocket ni flujo de datos parcial, por lo que la interacción en vivo requiere esperar al fin del procesamiento.
Sin emociones
Las ocho voces tienen un tono predefinido (por ejemplo, "cálido" o "enérgico"), pero no hay etiquetas para cambiar la emoción durante la reproducción, como pasar de neutral a alegre.
Formatos de audio
El formato de salida se elige mediante el campo response_format en la solicitud. Cada opción optimiza el equilibrio entre calidad, tamaño de archivo y compatibilidad para tu aplicación de audioguía.
MP3 para web
Es la opción más común para reproducir contenido en navegadores y aplicaciones móviles modernas. Ofrece un buen equilibrio entre calidad de audio y tamaño de archivo, ideal para audioguías turísticas que se entregan vía descarga o caché.
WAV para alta calidad
Proporciona audio sin pérdida de calidad. Es el formato estándar para archivos de audio sin comprimir, perfecto si necesitas editar las pistas generadas en un estudio de postproducción antes de distribuirlas.
OPUS para eficiencia
Ideal para reducir el uso de datos en dispositivos móviles. Ofrece una alta calidad de voz a un tamaño de archivo muy reducido, lo que ahorra ancho de banda y mejora la velocidad de carga en conexiones móviles.
- Compatible con la mayoría de reproductores modernos
- Alta relación calidad/tamaño
Integración técnica
Integrar la API de VozNómada en tu aplicación de audioguías es directo: envía texto y recibe audio. Utilizamos el estándar HTTP con cuerpos JSON, compatible con las librerías oficiales de OpenAI si ajustas la URL base.
El flujo es predecible y fácil de depurar. No necesitas aprender un protocolo propietario; simplemente haces una petición POST con tus credenciales y el texto a sintetizar.
Protocolo HTTP
La comunicación es estándar. Envías una petición POST a https://api.ak7x.info/v1/audio/speech con el encabezado Authorization: Bearer y tu clave de API. Es tan simple como cualquier llamada web moderna.
JSON simple
El cuerpo de la solicitud contiene solo los parámetros necesarios: model, input, voice y response_format. No hay XML complejo ni esquemas rígidos. El sistema devuelve el archivo de audio binario directamente en la respuesta.
SDKs existentes
Puedes usar las SDKs oficiales de OpenAI cambiando solo la base_url a nuestro endpoint. Esto te permite aprovechar bibliotecas probadas en Python, Node.js o Go sin escribir código de red desde cero.
Detección de idioma
La API detecta automáticamente el idioma del texto proporcionado analizando los caracteres del script. Si no se especifica nada, el sistema asume que el texto está en inglés cuando utiliza caracteres latinos, lo que puede no ser ideal para contenido turístico en otros idiomas.
Para evitar errores de pronunciación, es recomendable definir el campo language explícitamente en la solicitud. Esto asegura que la síntesis respete la fonética correcta del idioma objetivo, independientemente de los caracteres utilizados.
Automática por script
El sistema analiza los caracteres del texto de entrada para inferir el idioma. Esta detección automática funciona bien para textos en inglés o en idiomas con scripts distintivos, pero puede fallar si el contenido mezcla idiomas o si los caracteres latinos se usan para idiomas distintos al inglés.
- Análisis basado en caracteres detectados en el texto
- Adecuado para textos monolingües con scripts claros
- Proceso instantáneo sin configuración adicional
Forzar idioma específico
Al incluir el parámetro language con un código ISO (por ejemplo, es para español o fr para francés), garantizas que la voz utilice la entonación y pronunciación correctas. Esto es crucial para audioguías que visitan regiones donde el idioma local no es el predeterminado.
La especificación explícita evita que la IA adivine incorrectamente, especialmente cuando el texto contiene nombres propios o términos técnicos que podrían confundir al detector automático.
- Parámetro
languagecon código ISO - Garantía de pronunciación precisa
- Ideal para contenido multilingüe en una misma ruta
Latin defaults a inglés
Si el texto contiene caracteres latinos y no se especifica el idioma, la API asume por defecto que es inglés. Esto significa que el texto en español, francés o alemán escrito con caracteres latinos podría ser pronunciado con acento inglés si no se indica lo contrario.
Para una audioguía en español, siempre debes incluir language: "es" en la solicitud, incluso si el texto está escrito con caracteres latinos normales. Esta práctica evita malentendidos comunes en aplicaciones de turismo.
- Predeterminado: inglés para texto en latinos
- Requiere especificación manual para otros idiomas
- Prevención de acentos incorrectos en audioguías
Licencias de las voces
Cada archivo generado lleva una marca de agua inaudible que lo identifica como voz sintética. Las voces son interpretaciones basadas en grabaciones licenciadas, no imitaciones directas de celebridades ni clonaciones personalizadas para clientes.
LibriTTS-R
Las voces provienen de la base de datos LibriTTS-R. Esta fuente proporciona las grabaciones base para nuestros ocho presets, asegurando una calidad consistente en cada generación.
- Base de datos de referencia para las voces
Licencia CC BY 4.0
El uso de los datos está amparado bajo la licencia Creative Commons Attribution 4.0. Esto garantiza que las voces tienen un origen legal claro y transparente para tu aplicación.
- Uso comercial permitido con atribución
Audiolibros en dominio público
Las grabaciones base provienen de lecturas de audiolibros en dominio público de LibriVox. Esto asegura que el contenido original es de acceso libre y bien documentado.
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. Entender las diferencias de tono es clave para que tu audioguía suene coherente con el espacio físico.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
