Texto a voz online para integrar en aplicaciones móviles

Por Equipo editorial de VozFlujo · Actualizado 2026-11-18

Esta página explica cómo integrar una API REST de texto a voz en aplicaciones móviles, permitiendo convertir texto en audio de forma rápida y sin dependencias externas. Si tu equipo prioriza la velocidad de integración y el control de costos por carácter, aquí encontrarás los pasos técnicos y ejemplos prácticos para comenzar.

Obtén acceso inmediato a voces naturales en 23 idiomas, formatos optimizados para móviles y un modelo de precios transparente basado en el uso. Descubre cómo gestionar la velocidad, manejar textos largos y conectar tu app en minutos usando herramientas estándar como curl o los SDKs de OpenAI.

Texto a voz online para integrar en aplicaciones móviles

Preguntas frecuentes

¿Qué es la API de texto a voz?

Es un servicio en la nube que convierte texto en archivos de audio mediante una solicitud POST a https://api.playak444.com/v1/audio/speech. Envías el texto y recibes el archivo de audio generado. Funciona con el formato de cuerpo JSON estándar, compatible con SDKs oficiales como los de OpenAI al ajustar la base URL.

¿Cómo se integran las voces en una app móvil?

Envía una solicitud POST con tu clave Bearer, el texto y el ID de la voz. La API devuelve el archivo de audio directamente en la respuesta. Puedes usar el SDK de OpenAI cambiando la base URL a https://api.playak444.com/v1. No requiere streaming ni WebSockets para la integración básica.

¿Qué formatos de audio se pueden usar?

La API soporta los formatos mp3, wav, opus, flac y pcm. Puedes especificar el formato deseado en el campo response_format de tu solicitud JSON. Estos formatos cuben necesidades estándar de reproducción en aplicaciones móviles y desarrollo de software sin depender de codecs externos adicionales.

¿Cuántos idiomas soporta la API?

La API soporta 23 idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco y turco. No soporta vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otros no listados.

¿Las voces pueden hablar cualquier idioma?

Sí, cada una de las 8 voces preestablecidas puede pronunciar cualquiera de los 23 idiomas soportados. Puedes especificar el código ISO del idioma en la solicitud. Si no se indica, el sistema intenta adivinarlo basándose en el script, aunque se recomienda establecerlo explícitamente para textos en latinos no ingleses.

¿Cómo se calcula el precio por carácter?

El costo es de $10 por cada 1 millón de caracteres, lo que equivale a $0.01 por cada 1.000 caracteres. Los espacios y la puntuación cuentan como caracteres. El precio es el mismo para los modelos tts-1 y tts-1-hd. No hay planes mensuales ni costos fijos adicionales.

¿Se cobra por las peticiones fallidas?

No. Si la síntesis falla, el cargo se devuelve completamente. Solo se cobra por las solicitudes que generan audio con éxito. Esto permite probar la integración sin riesgo de costos inesperados si ocurren errores técnicos durante el procesamiento de la solicitud de texto a voz.

¿Qué es el límite de 60 peticiones por minuto?

Es el límite de tasa de 60 solicitudes por minuto por clave API. Antes de la primera recarga, el límite es de 10 por minuto. Las solicitudes se procesan en cola, por lo que bajo carga pueden tardar más. Este límite ayuda a gestionar la estabilidad del servicio sin SLA garantizado.

¿Se puede cambiar la clave API?

Sí, puedes emitir una nueva clave en cualquier momento desde tu cuenta. Al generar una nueva, la clave anterior deja de funcionar inmediatamente. Solo hay una clave activa por cuenta. Esto permite revocar accesos rápidamente si es necesario sin afectar el saldo ni la configuración de voces.

¿Se almacena el texto enviado?

El texto de entrada se usa solo para producir el audio y no se utiliza para entrenar modelos. El audio generado se devuelve en la respuesta y no se almacena. Solo se conservan los metadatos de la solicitud (tiempo, caracteres, estado) para fines de facturación y control de uso.

¿Se usa el audio generado para entrenar modelos?

No. El texto de entrada se utiliza exclusivamente para generar el audio solicitado y no se emplea para el entrenamiento de modelos. Los metadatos de la solicitud se guardan solo para facturación. Esto garantiza que tu contenido de texto no se use para mejorar otros modelos de la plataforma.

¿Qué es el modelo 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. La elección entre ellos depende de la calidad de audio preferida, pero técnicamente comparten la misma infraestructura y características de entrada, como el límite de 4096 caracteres.

¿Se pueden unir fragmentos de audio largos?

Sí. Puedes dividir textos largos en partes de hasta 4096 caracteres por solicitud. Luego, debes unir los archivos de audio generados mediante tu lógica de aplicación. La API devuelve cada fragmento por separado, permitiendo un control total sobre la concatenación en tu flujo de trabajo móvil.

¿Cómo se detecta el idioma del texto?

Si no especificas el campo language, la API adivina el idioma basándose en el script. El texto en latinos por defecto se interpreta como inglés. Para textos en otros idiomas con caracteres latinos, debes establecer explícitamente el campo language con el código ISO para asegurar la pronunciación correcta.

Primera solicitud

curl

curl https://api.playak444.com/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

Cómo funciona la integración

Ilustración de onda de sonido para: Cómo funciona la integración

La integración es directa: envías texto mediante una petición POST al endpoint /v1/audio/speech y recibes un archivo de audio. El cuerpo de la solicitud sigue la forma estándar JSON, lo que permite usar los SDKs oficiales de OpenAI cambiando únicamente la URL base.

El sistema procesa las peticiones secuencialmente. Las frases cortas tardan unos segundos en generarse, mientras que textos más largos se dividen en partes de hasta 4096 caracteres y se unen los archivos de audio. Es fundamental gestionar la velocidad de las peticiones para evitar colas de espera.

Envío de texto y recepción de audio

Envío de texto y recepción de audio

Envía tu texto al endpoint POST https://api.playak444.com/v1/audio/speech. El API devuelve el archivo de audio generado directamente en la respuesta. Si la síntesis falla, no se cobra ningún carácter.

Formatos compatibles para móviles

Puedes solicitar el audio en formatos optimizados para diferentes entornos móviles: mp3, wav, opus, flac o pcm. El formato opus es eficiente para redes móviles, mientras que wav o pcm son ideales para procesamiento local inmediato.

  • mp3: Compatible universalmente con reproductores móviles.
  • opus: Alta compresión, ideal para ahorro de datos.
  • wav: Sin pérdida, para procesamiento local.
  • flac: Compresión sin pérdida para calidad alta.
  • pcm: Audio sin comprimir en bruto.

Control de velocidad y volumen

Ajusta la velocidad de habla entre 0.25 y 4.0 mediante el parámetro speed. Esto permite adaptar la voz a las necesidades de UX de tu aplicación, desde narraciones lentas hasta instrucciones rápidas, sin cambiar de voz.

Voces disponibles para tu app

Ilustración de onda de sonido para: Voces disponibles para tu app

Selecciona la voz que mejor se ajuste al tono de tu aplicación móvil. Nuestra API ofrece ocho presets diseñados para diferentes contextos de uso, desde narración clara hasta conversaciones dinámicas.

Voces femeninas: Aria, Nova, Luna, Sage

Aria ofrece una narradora cálida y clara, ideal para contenido informativo. Nova aporta un tono brillante y enérgico, perfecto para anuncios o actualizaciones rápidas. Luna es suave y narrativa, adecuada para historias o contenido relajado. Sage proporciona una voz calmada e instruccional, excelente para guías paso a paso.

Voces masculinas: Felix, Milo, Atlas, Orion

Felix tiene un tono energético, adecuado para promociones. Milo es amigable y conversacional, ideal para interacciones naturales. Atlas mantiene un tono neutral y directo, óptimo para noticias o datos. Orion ofrece una voz profunda y documental, perfecta para contextos más solemnes o informativos.

Adaptación a diferentes idiomas

Cada voz puede hablar cualquiera de los 23 idiomas listados. Si no especificas el idioma, el sistema lo deduce por el guión (el texto en latín se asume inglés por defecto). Para textos en latín que no sean inglés, establece el campo language explícitamente.

  • Soporta 23 idiomas sin restricciones de asignación por voz
  • Detección automática basada en el guión del texto
  • Configuración manual recomendada para evitar suposiciones incorrectas

Idiomas soportados

Ilustración de onda de sonido para: Idiomas soportados

La API soporta 23 idiomas, permitiendo que cualquier voz sintetice texto en cualquiera de las lenguas disponibles. Esta flexibilidad elimina la necesidad de gestionar múltiples motores o voces específicas por región, simplificando la arquitectura de la aplicación móvil.

Español, inglés y alemán

Estos idiomas cubren la mayoría de los mercados móviles occidentales. El sistema detecta automáticamente el idioma cuando se usa script latino, aunque se recomienda especificar el campo language para textos en inglés o alemán que no sean el idioma predeterminado de la cuenta.

  • Soporte nativo para variantes comunes
  • Configuración opcional de código ISO
  • Sin necesidad de voces separadas por idioma

Francés, italiano y portugués

Las mismas 8 voces naturales se utilizan para generar texto en estas lenguas romances. Esto garantiza una consistencia acústica en la aplicación, independientemente del idioma seleccionado por el usuario, manteniendo la calidad de narración sin cambios drásticos de timbre.

  • Voces unificadas para múltiples lenguas
  • Calidad constante entre idiomas
  • Compatible con todos los formatos de audio

Japonés, coreano y chino

El soporte para idiomas asiáticos permite llegar a audiencias en mercados de alta densidad móvil. La API detecta el script para inferir el idioma, pero para textos en latín que no sean inglés se recomienda establecer el campo language explícitamente.

  • Reconocimiento automático de scripts asiáticos
  • Cobertura de mercados clave
  • Mismo conjunto de voces disponible

Uso en entornos móviles

Ilustración de onda de sonido para: Uso en entornos móviles

La generación de audio para frases cortas toma unos segundos, lo que permite respuestas inmediatas en interacciones de usuario como confirmaciones o alertas. Para textos más extensos, el sistema divide automáticamente el contenido en fragmentos de hasta 4096 caracteres y los une para mantener la continuidad del audio sin intervención manual.

Cada solicitud se procesa secuencialmente, lo que significa que bajo alta demanda puede haber una cola de espera. Esto es predecible y no afecta la calidad del resultado final, solo la latencia inicial durante picos de uso.

Generación rápida para frases cortas

Las frases breves se sintetizan en segundos, ideal para notificaciones push o confirmaciones de acción. Esta velocidad permite una experiencia de usuario fluida sin bloquear la interfaz de la aplicación móvil.

El tiempo de generación es consistente para entradas pequeñas, facilitando la planificación de la experiencia de usuario en flujos interactivos.

  • Respuesta en segundos para entradas breves
  • Integración nativa sin latencia perceptible
  • Ideal para interacciones rápidas

Manejo de textos largos con división

El cliente debe dividir textos largos en partes de máximo 4096 caracteres y enviarlas en solicitudes separadas. Estas partes se sintetizan por separado y el cliente debe unir los archivos de audio generados.

Este enfoque elimina la necesidad de que el desarrollador gestione manualmente la segmentación del texto o la concatenación de archivos de audio en el lado del cliente.

  • Límite de 4096 caracteres por solicitud
  • Unión automática de fragmentos
  • Sin gestión manual de archivos

Límites de velocidad por minuto

Cada clave API está limitada a 60 solicitudes por minuto (10 por minuto antes del primer recarga). Si se excede este límite, las solicitudes adicionales pueden tardar más o rechazarlas la API.

Dado que las solicitudes se procesan una tras otra, una alta concurrencia puede aumentar el tiempo total de generación para textos largos debido a la cola.

  • 60 solicitudes por minuto por clave
  • Procesamiento secuencial
  • Cola bajo alta demanda

Precios transparentes

Ilustración de onda de sonido para: Precios transparentes

La facturación se basa estrictamente en los caracteres enviados por solicitud, incluyendo espacios y puntuación. El costo es de 0,01 USD por cada 1.000 caracteres procesados. Las solicitudes fallidas no generan cargo, lo que permite probar la integración sin riesgo de costo inesperado.

Costo por carácter procesado

El precio base es de $10 por cada millón de caracteres. No hay planes mensuales ni costos fijos por uso de la API, lo que facilita el control de gastos en aplicaciones con volumen variable.

  • Costo: $0,01 por 1.000 caracteres
  • Espacios y puntuación cuentan como caracteres
  • Las solicitudes fallidas son gratuitas

Crédito inicial de prueba

Al registrarte con Google, recibes $0,50 de crédito válido por 7 días, equivalente a aproximadamente 50.000 caracteres. Si te registras con correo y contraseña, el crédito no se aplica automáticamente.

Pagos con criptomonedas

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5 y el saldo se acredita automáticamente en minutos. No se aceptan tarjetas ni PayPal, y el saldo no caduca.

  • Moneda: USDT (TRC-20)
  • Mínimo de recarga: $5
  • Sin vencimiento del saldo
Precios transparentes

Tecnología subyacente

Ilustración de onda de sonido para: Tecnología subyacente

La API ofrece dos variantes del motor de síntesis: tts-1 y tts-1-hd. Ambas comparten el mismo motor y el mismo precio por carácter, lo que simplifica la infraestructura sin costos diferenciados.

El sistema no almacena el audio generado, devolviéndolo directamente en la respuesta. Solo se conservan los metadatos de la solicitud (tiempo, caracteres y estado) exclusivamente para el cálculo de la facturación y la gestión del saldo.

Modelos tts-1 y tts-1-hd

Aunque el API expone dos identificadores de modelo, ambos utilizan el mismo motor de generación. No hay diferencia técnica ni de precio entre ellos, lo que permite elegir cualquiera de los dos sin impacto en el costo final ni en la latencia.

Marcas de agua en audio generado

Cada archivo de audio sintetizado contiene una marca de agua inaudible que lo identifica como voz sintética. Esta característica permite distinguir el contenido generado automáticamente del audio grabado por humanos, sin afectar la calidad perceptible para el usuario final.

Uso de datos para facturación

La entrada de texto se utiliza únicamente para producir el audio y no se emplea para entrenar modelos. Los datos retenidos son estrictamente los metadatos de la solicitud, necesarios para registrar el volumen de caracteres procesados y deducir el saldo correctamente.

Ventajas para desarrolladores

Ilustración de onda de sonido para: Ventajas para desarrolladores

La API sigue el mismo formato de solicitud que el endpoint de speech de OpenAI, lo que permite reutilizar el código existente sin aprender una nueva estructura de cliente.

Sin SDKs propietarios

No dependes de un paquete específico de nuestra marca ni de una biblioteca móvil exclusiva. Utilizas HTTP estándar o los SDKs oficiales de OpenAI ajustando únicamente la URL base a https://api.playak444.com/v1.

Compatible con SDKs estándar

Cualquier SDK que soporte el envío de JSON con las claves model, input, voice y response_format funciona de inmediato. Esto reduce la fricción al integrar la síntesis en tus flujos de trabajo existentes.

Documentación clara y directa

La integración se basa en ejemplos concretos y especificaciones precisas de los campos requeridos. No hay ambigüedades en la estructura de la respuesta, lo que acelera la fase de desarrollo y pruebas.

Casos de uso comunes

Ilustración de onda de sonido para: Casos de uso comunes

La API permite generar audio enviando una solicitud y recibiendo el archivo en la respuesta, lo que evita bloquear la interfaz de usuario mientras se sintetiza el texto. Esto garantiza una experiencia fluida en dispositivos móviles, incluso con conexiones intermitentes.

Notificaciones con voz

Genera alertas sonoras personalizadas para recordatorios o actualizaciones de estado. Al recibir la respuesta MP3 o WAV, la app puede reproducirla directamente mediante los reproductores nativos del sistema operativo, manteniendo la coherencia del diseño sonoro sin depender de servicios en segundo plano complejos.

  • Respuesta inmediata para eventos de corta duración
  • Formatos optimizados para reproducción nativa (MP3/WAV)
  • Sin necesidad de mantener conexiones WebSocket activas

Lectura de artículos en la app

Convierte contenido de blog o noticias en audio para usuarios que prefieren escuchar mientras realizan otras tareas. Dado que el límite es de 4096 caracteres por petición, el código debe dividir el texto en fragmentos y unir los archivos resultantes. Esto permite ofrecer una experiencia de lectura accesible y continua.

  • División automática de textos largos en partes manejables
  • Soporte para múltiples idiomas con detección o especificación explícita
  • Costo predecible basado en caracteres procesados

Asistentes de voz nativos

Integra respuestas habladas en asistentes personalizados dentro de la aplicación. Utilizando voces como Aria o Atlas, la app puede interactuar con el usuario de manera más natural. La generación de frases cortas toma unos segundos, lo que puede requerir gestión de carga en la interfaz.

  • Respuestas contextuales generadas bajo demanda
  • Integración simple vía API REST estándar
  • Control total sobre la voz y velocidad según el contexto

Próximos pasos

Ilustración de onda de sonido para: Próximos pasos

Para comenzar, accede a /get-api-key/ y registra tu cuenta con Google o email. El panel mostrará tu clave Bearer, el saldo de prueba de $0.50 y el ejemplo de integración listo para copiar.

Genera tu primer audio enviando un POST a la API. Usa el comando cURL proporcionado para verificar que la integración funciona correctamente antes de implementar en producción.

Obtención de la clave API

Regístrate en la página de obtención de clave. Si usas Google, recibirás automáticamente $0.50 de crédito válido por 7 días. Si usas email, la cuenta se crea sin saldo inicial.

La clave se emite al instante. Puedes generar una nueva en cualquier momento; la anterior dejará de funcionar inmediatamente. No hay cargos por la emisión.

  • Registro con Google o email
  • Crédito inicial de $0.50 con Google
  • Clave activa inmediata

Primer ejemplo con curl

Envía una petición POST a https://api.playak444.com/v1/audio/speech. Incluye tu clave en el encabezado Authorization y el texto en el cuerpo JSON.

El sistema devuelve el archivo de audio directamente en la respuesta. Los formatos disponibles incluyen mp3, wav, opus, flac y pcm para máxima compatibilidad móvil.

Recuerda que las peticiones fallidas no se cobran. Esto permite probar la integración sin riesgo de coste si hay errores de formato.

  • Endpoint: POST /v1/audio/speech
  • Formatos: mp3, wav, opus, flac, pcm
  • Cobro solo en éxito

Documentación técnica completa

Consulta /docs/ para la referencia completa de parámetros, códigos de error y límites de velocidad (60 req/min).

Toda la documentación está estructurada para permitir una integración rápida en equipos de desarrollo móvil sin ambigüedades.

Los límites de 4096 caracteres por petición se manejan dividiendo textos largos en la lógica de tu aplicación.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Cada sitio opera de forma independiente, manteniendo tus credenciales aisladas del resto de la red.

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. LibriTTS-R corpus (OpenSLR 141)
  4. OpenAI API reference: create speech
  5. FFmpeg documentation
  6. Node.js documentation
  7. Creative Commons Attribution 4.0
  8. LibriVox public-domain audiobooks
  9. IETF RFC 7845: Ogg Opus
  10. openai-python on GitHub
  11. TRON developer hub: TRC-20
  12. Tether (USDT)

Más en este sitio