Voz artificial para videos: API TTS técnica para educación

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

Esta página explica cómo VozCura genera audio claro para lecciones y módulos de LMS. Presentamos la API TTS diseñada para docentes e instructores de diseño instruccional que necesitan integrar síntesis de voz técnica en sus cursos sin complicaciones de infraestructura.

Obtendrás ejemplos concretos de integración, especificaciones de las 8 voces y el precio por carácter usado. También encontrarás una demostración técnica para probar la API, detalles sobre los 23 idiomas soportados y los límites de uso para asegurar un flujo de trabajo predecible en la generación de material didáctico.

Voz artificial para videos: API TTS técnica para educación

Preguntas frecuentes

¿Qué es una API de voz artificial?

Es un servicio en la nube que recibe texto y devuelve un archivo de audio mediante una solicitud POST al endpoint /v1/audio/speech. Utiliza un formato JSON compatible con el estándar de OpenAI, permitiendo integrar síntesis de voz directamente en tus flujos de trabajo técnicos sin necesidad de interfaces gráficas adicionales.

¿Cómo se integra con un LMS existente?

Envía texto mediante POST a https://api.52d.info/v1/audio/speech con tu clave Bearer. Puedes usar los SDK de OpenAI modificando el base_url. Genera archivos de audio listos para incrustar en módulos LMS, lecciones o materiales didácticos mediante integración técnica directa con la API.

¿Cuántas voces hay disponibles?

Hay 8 voces preestablecidas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Cubren registros femeninos y masculinos con tonos variados como narrador, documental o conversacional. Todas las voces pueden hablar cualquier idioma soportado, garantizando consistencia en tus materiales educativos sin importar el contenido.

¿Se puede ajustar la velocidad de la voz?

Sí, el parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto permite acelerar explicaciones rápidas o ralentizar contenido complejo para facilitar la comprensión. Ajustar la velocidad ayuda a optimizar la duración del audio generado sin perder claridad en la síntesis de voz.

¿Qué formatos de audio se soportan?

El servicio 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 cubren necesidades estándar para reproducción web, edición posterior o almacenamiento de alta fidelidad en tus sistemas LMS.

¿Cuántos idiomas están disponibles?

Hay 23 idiomas disponibles, incluyendo español, inglés, alemán, francés, japonés y árabe. Cualquier voz puede hablar cualquier idioma de la lista. Si no se especifica language, el sistema intenta adivinarlo, pero se recomienda establecerlo explícitamente para textos en idiomas latinos distintos al inglés.

¿Cuánto cuesta el servicio?

El costo es de $10 por 1 millón de caracteres, lo que equivale a $0.01 por cada 1000 caracteres. Los espacios y puntuación cuentan como caracteres. No hay planes mensuales ni costos fijos; pagas únicamente por los caracteres procesados exitosamente en tus solicitudes de audio.

¿Se cobra por solicitudes fallidas?

No. Si la síntesis falla, el cargo se devuelve íntegramente. Solo se cobra por las solicitudes que generan audio correctamente. Esto asegura que tu presupuesto se utilice eficientemente para contenido educativo válido sin penalizaciones por errores técnicos momentáneos durante el procesamiento de la API.

¿Es necesario un mínimo de gasto mensual?

No existe mínimo de gasto mensual ni planes de suscripción. No hay cargos por inactividad ni costos fijos. El saldo no expira y puedes recargar cuando lo necesites. Este modelo permite escalar el uso según la demanda de tus cursos sin compromisos financieros a largo plazo.

¿Qué pasa si el texto excede 4096 caracteres?

Debes dividir el texto en partes de hasta 4096 caracteres y enviar cada parte como una solicitud separada. Luego, une los archivos de audio generados para crear el contenido completo. Esta gestión manual o programada asegura que cada solicitud cumpla con el límite técnico del endpoint.

¿Las voces son clonadas de personas reales?

Las voces están basadas en grabaciones con licencia de LibriTTS-R (CC BY 4.0) de lecturas de dominio público de LibriVox. No ofrecemos clonación de voz personalizada ni copias exactas de celebridades. Cada archivo generado incluye una marca de agua invisible que indica que es speech sintético.

¿Cómo se paga con USDT?

El pago se realiza exclusivamente con USDT en la red TRON (TRC-20). El monto mínimo es de $5. El saldo se acredita automáticamente en minutos tras la transferencia. No se aceptan tarjetas, PayPal ni facturas con IVA. La recarga es directa y sin intermediarios bancarios.

¿Hay garantía de disponibilidad del servidor?

No hay garantía de disponibilidad (SLA) ni contrato empresarial. El servicio puede experimentar tiempos de espera bajo carga, procesando solicitudes secuencialmente. No hay certificación de nivel empresarial ni soporte telefónico. Para incidencias, el contacto es únicamente por correo electrónico sin tiempos de respuesta garantizados.

¿Se almacena mi texto original para entrenamiento?

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

Primera solicitud

curl

curl https://api.52d.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

Generación de audio para lecciones

Ilustración de onda de sonido para: Generación de audio para lecciones

La API TTS de VozCura transforma texto en archivos de audio mediante una llamada HTTP POST. El sistema recibe el texto, lo sintetiza y devuelve el archivo de audio listo para usar en tus materiales didácticos.

Síntesis de texto a audio

Síntesis de texto a audio

Envía texto en formato JSON y recibe el audio en segundos. Cada solicitud procesa hasta 4096 caracteres, generando audio con claridad técnica ideal para lecciones.

  • Endpoint: POST /v1/audio/speech
  • Formatos: MP3, WAV, OPUS, FLAC, PCM

Integración con plataformas LMS

Integra audio generado directamente en módulos de cursos. La API es compatible con la estructura estándar de entrega de contenido multimedia en plataformas de aprendizaje.

Actualización rápida de contenido

Regenera audio al instante si corriges un error en el texto. No necesitas regrabar; solo envía el nuevo texto y obtén el archivo actualizado.

Voces claras y profesionales

Ilustración de onda de sonido para: Voces claras y profesionales

El sistema ofrece ocho perfiles vocales predefinidos, optimizados para la claridad en entornos de aprendizaje.

La selección permite alternar entre registros formales y conversacionales, asegurando que el tono del audio coincida con la estructura pedagógica del material generado.

8 presets para instrucción

Los modelos incluyen opciones masculinas como atlas (neutral, noticias) y milo (amigable), y femeninas como aria (narradora clara) y sage (instruccional). Cada preset está diseñado para legibilidad técnica.

  • Aria: Narradora clara y cálida.
  • Sage: Calma e instructiva.
  • Atlas: Neutral, estilo noticioso.
  • Milo: Conversacional y amigable.

Voces femeninas y masculinas

Se dispone de cuatro voces femeninas (aria, nova, luna, sage) y cuatro masculinas (felix, milo, atlas, orion). Esta variedad permite adaptar la voz según el público objetivo del curso sin requerir grabaciones adicionales.

Claridad narrativa y didáctica

Las voces se basan en grabaciones con licencia (LibriTTS-R) y están optimizadas para la dicción. El resultado es un audio limpio, ideal para transcribir o complementar diapositivas sin artefactos de compresión excesivos.

Soporte multilingüe

Ilustración de onda de sonido para: Soporte multilingüe

La API admite 23 idiomas, incluyendo español, inglés, francés, alemán, japonés, chino, árabe y ruso. Cualquier voz puede pronunciar cualquiera de estos idiomas con la misma claridad técnica, sin necesidad de seleccionar una voz específica por idioma.

El sistema detecta automáticamente el idioma basado en el script del texto de entrada. Para textos en latín que no sean inglés, se recomienda establecer explícitamente el campo language para evitar la predicción por defecto en inglés.

23 idiomas disponibles

El servicio cubre necesidades educativas multilingües con soporte para: 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 se admiten vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otros idiomas no listados. Verifica la compatibilidad antes de integrar contenido en idiomas menos comunes.

  • 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 por script

Si no se especifica el campo language, el motor infiere el idioma a partir de los caracteres enviados. El texto en script latino se predice como inglés por defecto.

Esta lógica permite automatizar la generación sin configuración adicional para contenido en inglés, pero requiere intervención manual para otros idiomas en latín.

Configuración de idioma ISO

Para garantizar la pronunciación correcta en idiomas no ingleses con script latino, envía el código ISO 639-1 en el parámetro language del cuerpo JSON.

Ejemplo: "language": "es" para español o "language": "fr" para francés. Esto anula la detección automática y asegura la salida acústica esperada.

Esta configuración es crítica para módulos LMS multilingües donde la precisión fonética afecta la comprensión del estudiante.

Control técnico del audio

Ilustración de onda de sonido para: Control técnico del audio

La API permite ajustar la velocidad de síntesis entre 0.25 y 4.0, facilitando la adaptación del audio a diferentes contextos pedagógicos. Esta configuración es útil para mejorar la comprensión en lecciones técnicas o para agilizar la revisión de módulos extensos sin alterar la claridad de la voz.

El control técnico se extiende a la gestión de textos largos: los textos deben dividirse en fragmentos de hasta 4096 caracteres y los archivos de audio unirse. Los usuarios pueden seleccionar formatos de salida como WAV, MP3, FLAC, OPUS o PCM según sus necesidades de almacenamiento y reproducción en LMS.

Velocidad ajustable (0.25–4.0)

El parámetro speed permite modificar la tasa de generación entre 0.25 y 4.0. Esto es crítico para sincronizar audio con presentaciones visuales o para ajustar el ritmo de exposición de conceptos complejos en cursos de diseño instruccional.

  • Velocidad mínima de 0.25x para lecciones detalladas.
  • Velocidad máxima de 4.0x para revisiones rápidas.
  • El valor predeterminado mantiene un ritmo natural de narración.

Formatos WAV, MP3, FLAC

Se pueden solicitar archivos en MP3, WAV, OPUS, FLAC o PCM mediante el campo response_format. La elección del formato depende del balance entre calidad de audio y tamaño del archivo para la distribución en plataformas LMS.

  • MP3: equilibrio estándar entre calidad y tamaño.
  • WAV/FLAC: alta fidelidad para edición o archivos locales.
  • PCM: formato sin compresión para procesamiento posterior.
  • OPUS: formato eficiente para almacenamiento o transmisión.

Gestión de caracteres largos

Cada solicitud acepta un máximo de 4096 caracteres. Para textos más extensos, es necesario dividir el contenido y unir los archivos de audio generados. Este enfoque garantiza que la síntesis se complete correctamente sin errores de límite.

  • Límite estricto de 4096 caracteres por petición.
  • Los espacios y puntuación cuentan como caracteres.
  • Requiere lógica de división y concatenación en el cliente.

Precios transparentes

Ilustración de onda de sonido para: Precios transparentes

El costo se calcula estrictamente por la cantidad de caracteres transmitidos, incluyendo espacios y puntuación. No existen cargos fijos mensuales ni costos asociados a la disponibilidad de la API, lo que permite predecir el gasto exacto basado en el volumen de lecciones generadas.

Pago por carácter usado

La facturación se basa únicamente en el texto procesado con éxito. Cada solicitud que supera la síntesis sin errores genera un cargo proporcional a su longitud. Las peticiones fallidas se devuelven completamente, sin costo para el usuario.

  • Coste directo por carácter procesado.
  • Devolución íntegra en caso de error de síntesis.

$0.01 por 1 000 caracteres

La tarifa base es de 10 USD por cada millón de caracteres, equivalente a 0.01 USD por mil caracteres. Este precio es constante independientemente del modelo seleccionado (tts-1 o tts-1-hd) o el formato de audio elegido.

Sin costos ocultos ni suscripciones

El modelo elimina las suscripciones mensuales y los planes por asiento. Solo se paga por el crédito consumido. El saldo no caduca y las recargas mínimas permiten ajustar la capacidad según el ritmo de producción de contenido educativo.

  • Sin cuotas mensuales fijas.
  • Sin límite mínimo de gasto.
  • Saldo sin fecha de expiración.
Precios transparentes

Demostración técnica

Ilustración de onda de sonido para: Demostración técnica

Envía una solicitud POST a https://api.52d.info/v1/audio/speech con tu clave Bearer. El API procesa el texto y devuelve el audio en el formato seleccionado.

La respuesta incluye metadatos de la solicitud y el archivo binario listo para integrar en tu LMS sin pasos intermedios.

Prueba con texto de ejemplo

Utiliza un texto breve de instrucción para verificar la latencia. El sistema responde en segundos para frases cortas; textos largos toman tiempo similar a la duración del audio generado.

Visualización de respuesta API

La respuesta HTTP contiene los encabezados necesarios para identificar el formato de audio. No se requiere parseo complejo para obtener el archivo.

Los códigos de estado indican si la síntesis fue exitosa o si hubo un error en la longitud del texto o la credencial.

Descarga de archivo generado

El archivo resultante es un blob binario directo. Puedes guardarlo localmente o subirlo directamente a tu servidor de contenido.

El tamaño del archivo depende del formato elegido, siendo WAV y FLAC sin pérdida, o MP3 con compresión.

Casos de uso educativo

Ilustración de onda de sonido para: Casos de uso educativo

La API genera audio claro para lecciones, permitiendo la integración directa con plataformas LMS. Este flujo técnico asegura que el contenido de los módulos pueda actualizarse rápidamente sin necesidad de grabaciones de estudio.

El control preciso sobre velocidad y formato facilita la creación de materiales didácticos consistentes, optimizados para la comprensión auditiva en entornos de aprendizaje en línea.

Narración de diapositivas

Convierte texto de presentaciones en audio mediante la API. Con un límite de 4096 caracteres por petición, se segmentan guiones largos para mantener la coherencia narrativa sin interrupciones abruptas.

  • Automatización de guiones para presentaciones
  • Consistencia tonal entre diapositivas
  • Generación bajo demanda para actualizaciones

Audio para preguntas y respuestas

Genera respuestas auditivas para bancos de preguntas. La voz clara mejora la accesibilidad y permite a los estudiantes revisar conceptos clave sin leer texto extenso.

  • Accesibilidad para materiales de estudio
  • Revisión auditiva de conceptos
  • Integración con cuestionarios LMS

Material complementario de cursos

Produce audio para lecturas adicionales o resúmenes. El formato WAV o MP3 se integra directamente en los módulos, manteniendo la estructura pedagógica sin depender de archivos pregrabados estáticos.

  • Formatos compatibles con LMS
  • Actualización dinámica de contenido
  • Escalabilidad en producción de curso

Infraestructura y límites

Ilustración de onda de sonido para: Infraestructura y límites

La infraestructura está diseñada para procesar lotes de lecciones con predictibilidad técnica. El límite de 60 solicitudes por minuto por clave API permite generar módulos completos sin saturar la cola. El procesamiento es secuencial, lo que significa que las peticiones se ejecutan una tras otra.

Para textos extensos, es necesario dividir el texto en fragmentos de hasta 4096 caracteres y unir los archivos de audio resultantes. Esto asegura la integridad del audio final sin necesidad de lógica de拼接 compleja por parte del desarrollador.

60 solicitudes por minuto

Cada clave API tiene un límite de 60 solicitudes por minuto. Antes del primer recargo, este límite se reduce a 10 solicitudes por minuto para la prueba gratuita.

Este control permite planificar la generación de audio para módulos LMS sin riesgo de sobrecarga inesperada.

  • Límite estándar: 60 req/min por clave.
  • Límite inicial: 10 req/min sin recargo.
  • Procesamiento secuencial bajo carga.

Procesamiento secuencial

Las solicitudes se procesan una tras otra. Si hay múltiples peticiones en cola, cada una espera a que termine la anterior.

La velocidad típica es de aproximadamente 25 caracteres de texto por segundo de audio generado para textos largos.

Límite de 4096 caracteres por petición

Cada solicitud API acepta un máximo de 4096 caracteres en el campo input. Los caracteres incluyen espacios y puntuación.

Para lecciones más largas, se recomienda dividir el texto en partes y unir los archivos de audio resultantes.

  • Máximo 4096 caracteres por POST.
  • Incluye espacios y puntuación.
  • División manual o automática recomendada.

Inicio rápido

Ilustración de onda de sonido para: Inicio rápido

Accede a tu clave API desde /get-api-key/ para autenticar tus solicitudes. Regístrate con Google o correo electrónico para iniciar. La interfaz muestra el balance, la clave activa y un ejemplo cURL listo para usar.

Obtén tu clave API

La clave se genera automáticamente al crear la cuenta. Úsala en el encabezado Authorization: Bearer. Si necesitas una nueva, emítela desde el panel; la anterior deja de funcionar inmediatamente.

  • Clave única por cuenta
  • Invalidación instantánea al renovar

Configura tu cuenta en 52d.info

Regístrate en /get-api-key/. El sistema asigna saldo inicial y visualiza métricas de uso. No requiere configuración compleja de servidor.

Ejecuta tu primera síntesis

Envía una solicitud POST a /v1/audio/speech con tu texto y voz. Recibe el archivo de audio directamente en la respuesta. Integra este flujo en tu LMS o repositorio de lecciones.

  • Endpoint: POST /v1/audio/speech
  • Formatos: mp3, wav, opus, flac, pcm

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Formato sin pérdida que conserva toda la información del audio generado.

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. Tether (USDT)
  3. openai-node on GitHub
  4. TRON developer hub: TRC-20
  5. LibriTTS-R corpus (OpenSLR 141)
  6. curl documentation
  7. ISO 639 language codes
  8. OpenAI API reference: create speech
  9. W3C WAI: making audio and video accessible
  10. IETF RFC 7845: Ogg Opus
  11. Node.js documentation
  12. openai-python on GitHub

Más en este sitio