¿Cómo funciona nuestra API de texto a voz?

Por Equipo editorial de Oído API · Actualizado 2026-11-18

Esta página explica cómo integrar la API de texto a voz de Oído en tus proyectos de accesibilidad y lectura asistida. Aprenderás a enviar texto y recibir audio mediante endpoints REST estándar, compatibles con el SDK de OpenAI si ajustas la URL base. Ideal para desarrolladores independientes que buscan una solución clara, sin complicaciones técnicas ni dependencias de grandes plataformas.

Descubrirás los formatos de salida disponibles, los límites técnicos como los 4096 caracteres por solicitud y cómo gestionar la velocidad de síntesis. También verás por qué nuestra arquitectura en la nube elimina la necesidad de instalaciones locales, garantizando una integración rápida y escalable para mejorar la experiencia de usuario en aplicaciones inclusivas.

¿Cómo funciona nuestra API de texto a voz?

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que convierte texto en archivos de audio. Envías una solicitud con tu texto y recibes un archivo de audio generado por una voz sintética natural, ideal para integrar lectura asistida en tus aplicaciones sin complicaciones técnicas.

¿Cómo funciona la síntesis de voz?

Realizas una petición POST al endpoint /v1/audio/speech con el texto y la voz deseada. Nuestro motor procesa la solicitud y devuelve el archivo de audio en el formato elegido. Los textos largos deben dividirse en partes de hasta 4096 caracteres y los audios unirse manualmente.

¿Es difícil integrar una API?

No. La estructura de la solicitud es idéntica a la de la API de OpenAI. Puedes usar los SDKs oficiales de OpenAI simplemente cambiando la base_url a https://api.playok59.com/v1 y usando tu clave de API. Es compatible con cualquier lenguaje que soporte HTTP.

¿Qué beneficios tiene para la accesibilidad?

Permite que tus usuarios con dislexia o dificultades de lectura accedan al contenido de tu proyecto de forma auditiva. Al generar audio a partir de texto, facilitas la inclusión sin requerir que los usuarios lean bloques densos de texto en pantallas.

¿Qué formatos de audio se generan?

Ofrecemos mp3, wav, opus, flac y pcm. Puedes elegir el formato que mejor se adapte a tu aplicación. El formato mp3 es ideal para reducir el tamaño del archivo, mientras que wav y flac ofrecen alta calidad sin pérdida.

¿Necesito un servidor propio?

No. Es una API en la nube. Solo necesitas enviar las solicitudes desde tu aplicación o script. Nosotros nos encargamos del procesamiento de la síntesis de voz y te devolvemos el archivo de audio directamente en la respuesta.

¿Cómo se paga por el uso?

Pagas solo por lo que usas: $10 por cada millón de caracteres. No hay planes mensuales ni costos fijos. Puedes recargar tu saldo con USDT (TRC-20) y el saldo no expira. Los fallos en la síntesis son gratuitos.

¿Qué voces están disponibles?

Tienes 8 voces predefinidas: aria, nova, luna, sage, felix, milo, atlas y orion. Cada una tiene un tono distinto, desde narradoras claras hasta voces profundas para documentales. Todas pueden hablar en los 23 idiomas soportados por la API.

¿Es segura la API?

Utilizas una clave de API (Bearer token) para autenticar tus solicitudes. Los datos de entrada se usan solo para generar audio y no se almacenan ni se usan para entrenamiento. Solo guardamos metadatos de facturación para tu registro de uso.

¿Puedo usarla en tiempo real?

No ofrecemos streaming ni WebSockets. La API devuelve el archivo completo una vez procesado. Para textos largos, la velocidad es aproximadamente en tiempo real (25 caracteres por segundo), pero las solicitudes se procesan en cola si hay carga.

¿Qué es el límite de caracteres?

Cada solicitud puede contener hasta 4096 caracteres. Si tu texto es más largo, debes dividirlo en partes y unir los archivos de audio resultantes. Los espacios y la puntuación cuentan como caracteres dentro de este límite.

¿Cómo se manejan los errores?

Si la síntesis falla, no se realiza ningún cargo y el crédito se devuelve íntegramente. Recibirás un código de estado HTTP indicando el error para que puedas reintentar la solicitud.

¿Es compatible con mi lenguaje de programación?

Sí, siempre que tu lenguaje pueda enviar solicitudes HTTP JSON. Es compatible con cualquier tecnología que soporte la estructura de la API de OpenAI. Puedes usar el SDK de OpenAI modificando la URL base o hacer llamadas HTTP directas.

¿Qué es la velocidad de síntesis?

Es un parámetro ajustable entre 0.25 y 4.0 que permite acelerar o ralentizar la voz generada. Esto te permite adaptar el ritmo de la lectura a las preferencias del usuario o a la longitud del contenido a reproducir.

Definición básica

Ilustración de onda de sonido para: Definición básica

Oído API transforma texto escrito en archivos de audio mediante una llamada HTTP. Envías una solicitud POST con tu texto y la voz deseada, y recibes un archivo listo para reproducirse. Es una herramienta técnica diseñada para que desarrolladores independientes integren lectura asistida en sus proyectos sin complicaciones.

Texto a audio

La API recibe texto plano (hasta 4096 caracteres) y genera un archivo de audio sintético. Cada solicitud produce un archivo único con una marca de agua invisible que lo identifica como voz generada. No se almacena el texto original, solo se usa para la síntesis inmediata.

Interfaz de programación

Utilizamos un endpoint estándar compatible con el formato de solicitud de OpenAI. Solo necesitas ajustar la URL base a https://api.playok59.com/v1 y usar tus propias claves API. Esto permite integrar la tecnología con las bibliotecas oficiales existentes sin aprender una sintaxis nueva.

  • Endpoint: POST /v1/audio/speech
  • Formato: JSON con campos 'model', 'input' y 'voice'
  • Autenticación: Bearer token en el encabezado

Automatización

Al ser una API REST, puedes integrar la generación de voz en flujos de trabajo automáticos. Por ejemplo, convertir artículos de blog en audio al publicarse o generar notificaciones de estado sin intervención humana. El procesamiento es asíncrono, lo que permite manejar múltiples solicitudes mediante cola.

Beneficios para desarrolladores

Ilustración de onda de sonido para: Beneficios para desarrolladores

Integrar Oído API es directo: solo necesitas enviar una petición POST con el texto y recibir un archivo de audio. Al seguir el formato JSON estándar compatible con los SDKs oficiales, puedes añadir voz a tu aplicación en pocas líneas de código sin dependencias complejas.

Esta simplicidad te permite enfocarte en la lógica de tu proyecto, no en la gestión de servidores de audio o codecs. Es una solución ligera que se adapta a flujos de trabajo existentes sin fricción técnica.

Integración sencilla

Conectar la API es inmediato. Envías texto en formato JSON y recibes el audio listo para reproducirse. Al usar la misma estructura que los SDKs conocidos, la curva de aprendizaje es mínima.

No necesitas configurar servicios adicionales ni gestionar infraestructura. La integración ocurre directamente en tu backend o aplicación mediante llamadas HTTP estándar.

  • Formato JSON familiar
  • Compatible con SDKs existentes
  • Sin dependencias pesadas

Escalabilidad

La API maneja la carga en la nube, pero las solicitudes se procesan secuencialmente y pueden esperar en una cola bajo carga. Puedes procesar múltiples solicitudes simultáneas según tus necesidades.

Ideal para aplicaciones que necesitan generar audio bajo demanda sin saturar tus propios recursos computacionales.

  • Sin gestión de servidores
  • Crecimiento automático
  • Límites claros y predecibles

Ahorro de tiempo

Elimina la complejidad de la síntesis de voz local. Te ahorras horas de configuración y mantenimiento técnico para centrarte en desarrollar tu producto.

El proceso es rápido para frases cortas, pero para textos largos la velocidad es de aproximadamente 25 caracteres por segundo.

  • Menos código de infraestructura
  • Despliegue más rápido
  • Menos mantenimiento continuo

Uso en accesibilidad

Ilustración de onda de sonido para: Uso en accesibilidad

La API de texto a voz permite convertir contenido digital en audio claro, facilitando el acceso a la información para usuarios con dislexia o dificultades de lectura. Al eliminar la barrera visual, se democratiza el consumo de contenidos sin depender de herramientas externas complejas.

Lectura para dislexia

El audio sintetizado ayuda a reducir la fatiga visual y mejora la comprensión al permitir que los usuarios escuchen mientras leen o simplemente escuchen. Esto es especialmente útil para quienes tienen dificultades con la decodificación de texto.

La velocidad ajustable (de 0.25 a 4.0) permite personalizar la velocidad de habla según las necesidades individuales, lo que favorece una experiencia de lectura más cómoda y menos estresante.

  • Reducción de la carga cognitiva visual
  • Velocidad de habla personalizable
  • Compatibilidad con lectores de pantalla

Contenido inclusivo

Al integrar audio directamente en proyectos web o aplicaciones, se garantiza que el contenido sea accesible para personas con discapacidades visuales o de lectura. Esto cumple con estándares de accesibilidad sin necesidad de producir audio manualmente.

Se pueden generar audios en 23 idiomas, lo que permite incluir a usuarios de diferentes lenguas sin complicaciones técnicas adicionales, promoviendo la diversidad lingüística en el contenido digital.

  • Soporte para 23 idiomas
  • Generación automática de audio
  • Integración sencilla en proyectos existentes

Experiencia de usuario

Las voces son naturales y claras, mejorando la experiencia de usuario al hacer que el contenido sea más atractivo y fácil de consumir.

Los formatos de audio como MP3, WAV y Opus permiten adaptarse a diferentes dispositivos y necesidades de calidad, asegurando que el audio se reproduzca correctamente en cualquier plataforma.

  • Voces naturales y claras
  • Formatos de audio flexibles
  • Reproducción en múltiples dispositivos

Tecnología subyacente

Ilustración de onda de sonido para: Tecnología subyacente

Nuestra API utiliza un motor de síntesis para convertir texto en audio con una naturalidad superior a las voces robóticas clásicas. Cada solicitud se procesa en nuestros servidores, garantizando consistencia y calidad sin depender del dispositivo del usuario.

Síntesis neural

El motor de IA genera ondas de voz fluidas, adaptándose al contexto del texto para producir una entonación más humana que las voces robóticas clásicas.

Voces naturales

Disponemos de 8 voces preestablecidas (como Aria, Nova o Atlas) basadas en grabaciones con licencia. Cada voz tiene un tono distinto, desde narrador cálido hasta noticias neutrales, permitiendo elegir la mejor opción para tu proyecto de accesibilidad.

Procesamiento en la nube

Todo el cálculo ocurre en nuestros servidores. Tú solo envías el texto y recibes el archivo de audio, sin necesidad de instalar librerías pesadas en tu aplicación.

Formatos de salida

Ilustración de onda de sonido para: Formatos de salida

La API de Oído devuelve el audio generado directamente en la respuesta de la solicitud. Puedes elegir entre varios formatos de archivo para adaptarte a las necesidades de tu aplicación, ya sea priorizar la compatibilidad general, la fidelidad del sonido o la eficiencia del ancho de banda.

MP3 para web

El formato MP3 es ideal para la mayoría de las aplicaciones web y móviles gracias a su amplia compatibilidad. Ofrece un buen equilibrio entre calidad de audio y tamaño de archivo, lo que facilita la carga rápida en cualquier navegador moderno sin necesidad de plugins adicionales.

  • Compatible con todos los navegadores y dispositivos móviles.
  • Tamaño de archivo optimizado para carga rápida.
  • Ideal para reproductores de audio estándar en la web.

WAV para alta calidad

Selecciona WAV cuando necesites la máxima fidelidad de audio sin compresión. Este formato es perfecto para aplicaciones de accesibilidad que requieren una reproducción precisa y clara, o para sistemas de procesamiento de audio posterior donde la pérdida de datos no es deseable.

  • Audio sin pérdida de calidad (PCM sin comprimir).
  • Latencia mínima y reproducción exacta.
  • Ideal para análisis de audio o grabaciones profesionales.

Opus para eficiencia

El formato Opus ofrece una eficiencia superior en la compresión, manteniendo una excelente calidad incluso a tasas de bits bajas. Es la mejor opción para reducir el consumo de ancho de banda y mejorar el tiempo de carga en conexiones móviles o entornos con limitaciones de red.

  • Alta relación calidad/tamaño de archivo.
  • Óptimo para conexiones móviles o datos limitados.
  • Soporte nativo en la mayoría de los navegadores modernos.

Integración técnica

Ilustración de onda de sonido para: Integración técnica

Integrar Oído API es directo: se utiliza el mismo formato JSON que el endpoint de OpenAI, lo que permite usar los SDKs oficiales simplemente cambiando la base_url a https://api.playok59.com/v1. Solo necesitas enviar una clave Bearer válida en el encabezado de autorización.

JSON estándar

El cuerpo de la solicitud incluye solo los parámetros esenciales: model ("tts-1" o "tts-1-hd"), input con el texto (máx. 4096 caracteres), voice seleccionada, response_format y speed. Si omites el language, el sistema lo infiere o asume inglés para scripts latinos.

Método POST

Envías una petición POST a /v1/audio/speech. La API procesa la solicitud y devuelve el archivo de audio generado directamente en la respuesta HTTP, listo para ser reproducido o almacenado en tu aplicación sin pasos intermedios complejos.

Respuestas rápidas

La generación es aproximadamente en tiempo real para textos largos (aprox. 25 caracteres por segundo). Aunque las solicitudes se procesan en cola bajo carga, la integración vía HTTP estándar garantiza que tu aplicación reciba el audio sin necesidad de manejar WebSockets o streaming.

Integración técnica

Límites técnicos

Ilustración de onda de sonido para: Límites técnicos

Para integrar la API sin errores, es clave conocer sus límites técnicos. Cada solicitud acepta hasta 4096 caracteres. Si tu texto es más largo, debes dividirlo en partes y unir los archivos de audio resultantes. Esto asegura que la síntesis se complete correctamente.

La velocidad de generación depende de la longitud. En textos largos, el proceso es aproximadamente en tiempo real (25 caracteres por segundo). Las frases cortas pueden tardar unos segundos. Bajo carga, las solicitudes pueden esperarse en una cola.

Tamaño del texto

El límite por solicitud es estricto: 4096 caracteres. Esto incluye espacios y puntuación. Para textos más extensos, divide la entrada en fragmentos manejables y une los audios generados.

  • Máximo 4096 caracteres por POST
  • Espacios y signos cuentan como caracteres
  • Requiere concatenación manual para textos largos

Velocidad de síntesis

El tiempo de generación varía. Para textos largos, la velocidad es cercana al tiempo real. Para frases breves, pueden ser necesarios unos segundos adicionales para la inicialización del proceso.

  • Ritmo: ~25 caracteres/segundo en textos largos
  • Latencia mayor en frases cortas

Concurrencia

Las solicitudes se procesan una tras otra. Si recibes muchas peticiones simultáneas, algunas podrían esperar en una cola antes de comenzar la síntesis. El límite es de 60 solicitudes por minuto por clave.

  • Procesamiento secuencial bajo carga
  • Límite: 60 req/min por clave
  • Cola de espera posible

Casos de uso comunes

Ilustración de onda de sonido para: Casos de uso comunes

Nuestra API se integra fácilmente en flujos de trabajo existentes para generar audio de forma automática. Ya sea para contenido educativo, notificaciones o libros, el proceso es directo: envías el texto y recibes el archivo de audio.

El formato JSON estándar y las SDKs de OpenAI facilitan la implementación sin necesidad de conocimientos profundos de procesamiento de voz, permitiendo a los desarrolladores independientes centrarse en la experiencia del usuario.

Audiolibros

Ideal para convertir textos largos en narraciones accesibles. Puedes dividir el contenido en fragmentos de hasta 4096 caracteres y unir los archivos resultantes.

Las voces como Luna o Orion ofrecen tonos adecuados para storytelling, respetando la diversidad lingüística con soporte para 23 idiomas.

  • Soporte para formatos MP3, WAV, OPUS, FLAC y PCM
  • Velocidad ajustable entre 0.25x y 4.0x para adaptar la narración

Notificaciones

Genera avisos sonoros para aplicaciones o sistemas de alerta. Las respuestas permiten integrar voz en flujos de notificación, aunque pueden esperar en cola bajo carga.

Útil para confirmar acciones o recordar eventos en plataformas donde la lectura visual puede ser limitada.

  • Integración mediante POST JSON
  • Coste predecible: $0.01 por 1000 caracteres

Educación

Facilita la accesibilidad para estudiantes con dislexia o dificultades de lectura. El texto se convierte a audio con voces claras como Aria o Sage.

Permite crear recursos educativos en múltiples idiomas sin necesidad de grabaciones profesionales para cada idioma.

  • 8 voces predefinidas con estilos variados
  • Sin necesidad de infraestructura propia

Comparativa con soluciones locales

Ilustración de onda de sonido para: Comparativa con soluciones locales

Las soluciones locales requieren instalar dependencias, gestionar archivos de voz y mantener el servidor de audio en tu infraestructura. Con Oído API, todo ocurre en la nube: envías texto y recibes audio sin configurar entornos complejos.

Sin instalación

No necesitas descargar modelos de voz ni gestionar discos duros adicionales. La síntesis se ejecuta en nuestros servidores, por lo que tu aplicación solo necesita conexión a internet y una clave API para comenzar a generar audio al instante.

Actualización constante

Las mejoras en el motor se aplican automáticamente en el backend. No tienes que reiniciar servicios ni volver a descargar modelos cuando añadimos nuevas voces o corregimos errores. Tu integración sigue funcionando sin interrupciones mientras obtienes mejoras transparentes.

Menor mantenimiento

Al evitar la gestión de servidores de audio locales, reduces la carga operativa. No hay que monitorear el uso de CPU para la síntesis ni parchear dependencias de audio. Te enfocas en el código de tu aplicación, mientras nosotros gestionamos la infraestructura de generación.

Seguridad y privacidad

Ilustración de onda de sonido para: Seguridad y privacidad

Nuestra API procesa tu texto en la nube para generar audio sin retenerlo. El contenido enviado se utiliza exclusivamente para la síntesis inmediata y no se almacena ni se emplea para entrenar modelos, garantizando que tu información sensible permanezca confidencial.

Mantenemos los metadatos de la solicitud (tiempo, caracteres, estado) únicamente para la facturación precisa. No recopilamos datos personales adicionales ni compartimos tu información con terceros, asegurando un uso mínimo y transparente de tus recursos.

Texto no almacenado

El texto de entrada se transmite para su generación y no queda guardado en nuestros servidores tras completar la tarea. Esto elimina el riesgo de que tus documentos o narrativas queden expuestos en bases de datos a largo plazo.

  • Uso exclusivo para síntesis inmediata
  • Sin almacenamiento de audio generado
  • No se usa para entrenamiento de IA

Claves API

Cada cuenta cuenta con una única clave activa que identifica tu uso. Si lo deseas, puedes emitir una nueva clave en cualquier momento; la anterior deja de funcionar al instante, ofreciendo un control total sobre el acceso a tus recursos.

  • Una clave activa por cuenta
  • Revocación inmediata al cambiar la clave
  • Autenticación simple con Bearer token

Datos mínimos

Solo conservamos los metadatos necesarios para la facturación: tiempo de solicitud, caracteres consumidos y estado. No guardamos el texto original ni el audio resultante, minimizando la huella de datos personales y garantizando la privacidad de tus proyectos.

Futuro de la tecnología

Ilustración de onda de sonido para: Futuro de la tecnología

Actualmente, nuestra API ofrece ocho voces predefinidas con estilos distintos, desde narrativas hasta informativas. El motor de síntesis genera audio de alta calidad sin necesidad de configuración compleja, permitiendo que los desarrolladores se centren en la experiencia del usuario final.

Mejoras de voz

El motor TTS-1 y TTS-1-HD se basa en grabaciones con licencia y audiopublicaciones de dominio público. Esto garantiza una base sólida para futuras optimizaciones de naturalidad sin perder la transparencia de origen.

Más idiomas

Soportamos 23 idiomas, incluyendo español, inglés, alemán, japonés y árabe. Cada voz puede hablar cualquier idioma de la lista, lo que facilita la internacionalización de aplicaciones sin gestionar múltiples motores de síntesis.

Mayor eficiencia

La generación se procesa en la nube, manteniendo un ritmo cercano al tiempo real. Esto permite escalar el uso en proyectos de accesibilidad sin depender de la potencia de hardware del dispositivo del usuario.

La infraestructura se optimiza constantemente para manejar colas bajo carga, asegurando que las solicitudes se procesen de forma ordenada y eficiente.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Haz que tu juego sea accesible para personas con dislexia desde el inicio.

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. Tether (USDT)
  4. LibriTTS-R paper (arXiv 2305.18802)
  5. Python documentation
  6. openai-python on GitHub
  7. ISO 639 language codes
  8. TRON developer hub: TRC-20
  9. curl documentation
  10. LibriVox public-domain audiobooks
  11. openai-node on GitHub
  12. FFmpeg documentation

Más en este sitio