Integra voz sintética en tus cursos online con nuestra API

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

Esta guía detalla cómo integrar la API de síntesis de voz de VozCura en tus cursos online y módulos LMS. Analizamos criterios técnicos clave como claridad de la voz, velocidad de generación y fatiga auditiva para seleccionar las voces más adecuadas según el tipo de contenido pedagógico.

Dirigida a docentes e instructores de diseño instruccional, esta página presenta comparativas objetivas de las 8 voces disponibles, casos de uso específicos y consideraciones sobre licencias. Obtienes los datos necesarios para optimizar la experiencia de aprendizaje sin supuestos ni características inventadas.

Integra voz sintética en tus cursos online con nuestra API

Preguntas frecuentes

¿Cuál es la voz más clara?

Aria es una voz femenina con un tono cálido y claro, ideal para narración. No existe una voz objetivamente «más clara»; cada preset tiene un tono distinto (nova, luna, sage, felix, milo, atlas, orion). Todas las voces pueden pronunciar con claridad cualquier idioma soportado. Para lecciones, elige la que mejor se adapte al estilo de tu curso, no a una jerarquía de nitidez.

¿Son las voces humanas reales?

Las voces se basan en grabaciones con licencia de LibriTTS-R, derivadas de audiolibros del dominio público de LibriVox. Son interpretaciones humanas reales, pero el audio generado es síntesis artificial y contiene una marca de agua inaudible que lo identifica como voz sintética.

¿Puedo elegir el acento?

No hay acentos predefinidos por voz, pero puedes controlar la pronunciación especificando el código ISO del idioma. Si no se indica, el sistema asume inglés para texto en latín. Para otros idiomas latinos como español o francés, establece el campo language explícitamente.

¿Qué voz es mejor para niños?

El catálogo ofrece ocho voces preset: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. No hay una voz específica etiquetada para niños. Para contenido infantil, Luna ofrece un tono suave y narrativo, mientras que Nova tiene un tono brillante y energético.

¿Las voces suenan naturales?

Las voces son claras y naturales, basadas en grabaciones licenciadas. La velocidad típica es aproximadamente en tiempo real (25 caracteres por segundo). La calidad es consistente, aunque las solicitudes se procesan en cola bajo carga, lo que puede añadir latencia inicial.

¿Hay voces para géneros diversos?

Sí, hay cuatro voces femeninas (Aria, Nova, Luna, Sage) y cuatro masculinas (Felix, Milo, Atlas, Orion). Cada una tiene un registro y timbre distintivo, permitiendo seleccionar el género vocal que mejor se adapte al tono de tus materiales didácticos o lecciones.

¿Se puede mezclar voces?

La API genera un archivo de audio por solicitud. No hay mezcla en tiempo real ni pistas separadas. Para mezclar, debes generar cada fragmento de texto con la voz deseada y unir los archivos resultantes en tu editor de audio o pipeline.

¿Qué voz usa menos CPU?

El modelo 'tts-1' y 'tts-1-hd' comparten el mismo motor y precio. No se especifica consumo de CPU por voz. El procesamiento es secuencial; bajo carga, las solicitudes pueden esperar en cola. La velocidad de generación es aproximadamente 25 caracteres por segundo.

¿Son todas las voces en español?

No. Las ocho voces pueden hablar en 23 idiomas, incluyendo español. Sin embargo, si envías texto en español sin especificar el campo language, el sistema podría asumir inglés si detecta caracteres latinos. Debes definir language: 'es' para garantizar la pronunciación correcta.

¿Puedo usar la voz en un video?

Sí, puedes descargar el audio generado (mp3, wav, opus, flac, pcm) e integrarlo en tus videos o cursos. El audio es un archivo estándar. Recuerda que lleva una marca de agua inaudible que identifica el contenido como síntesis artificial, pero es funcional.

¿Las voces tienen marcas de agua?

Sí, cada archivo de audio generado contiene una marca de agua inaudible que marca el contenido como voz sintética. Esto es automático y no requiere acción adicional por tu parte. Es una característica técnica del motor de síntesis para identificar el origen del audio.

¿Son libres de derechos?

Las voces se basan en grabaciones de LibriVox (dominio público) y LibriTTS-R (CC BY 4.0). Sin embargo, el audio generado es una síntesis. El uso del servicio está sujeto a los términos de uso del servicio. Revisa los términos de uso del servicio para detalles.

¿Qué voz es más rápida?

Todas las voces utilizan el mismo motor de síntesis. La velocidad de generación es aproximadamente 25 caracteres por segundo, independientemente de la voz seleccionada. Puedes ajustar la velocidad entre 0.25 y 4.0 mediante el parámetro speed en la solicitud de la API.

¿Hay voces para acentos regionales?

No hay voces específicas para acentos regionales como 'es-MX' o 'es-AR'. Las voces son neutras y pueden hablar cualquier idioma de la lista. Para controlar la pronunciación, especifica el código ISO del idioma. No se ofrecen variaciones dialectales automáticas por voz.

Criterios de selección

Ilustración de onda de sonido para: Criterios de selección

La calidad del audio en un curso online depende de la precisión acústica y la eficiencia del procesamiento. Nuestra API entrega archivos sintéticos claros, optimizados para la comprensión auditiva en entornos de aprendizaje estructurado.

Claridad fonética

Cada voz está calibrada para minimizar ambigüedades en la enunciación. La síntesis garantiza que los términos técnicos y las explicaciones teóricas se interpreten con precisión, reduciendo la carga cognitiva del estudiante.

  • Articulación precisa en 23 idiomas
  • Generación consistente sin variaciones aleatorias

Velocidad natural

El procesamiento ocurre en tiempo real aproximado, procesando unos 25 caracteres por segundo. Esto permite generar lecciones completas sin retrasos perceptibles, manteniendo un flujo de información constante y natural.

  • Velocidad ajustable entre 0.25x y 4.0x
  • Procesamiento secuencial garantizado

Fatiga auditiva

La claridad inherente reduce la necesidad de reescuchar pasajes confusos. Al eliminar artefactos de síntesis comunes, los estudiantes mantienen la atención durante módulos más largos sin agotamiento auditivo.

Voces femeninas

Ilustración de onda de sonido para: Voces femeninas

La selección de voces femeninas en VozCura se basa en la claridad fonética y la consistencia tonal, factores críticos para la retención en módulos LMS. Estas voces utilizan el modelo tts-1, ofreciendo un equilibrio entre claridad y eficiencia de procesamiento sin recargos adicionales.

Cada preset está optimizado para diferentes tipos de contenido instruccional, permitiendo a los docentes mantener una voz institucional coherente o variar el tono para ejercicios interactivos. La claridad del habla reduce la carga cognitiva del estudiante, facilitando la comprensión de conceptos complejos sin fatiga auditiva.

Aria: narradora clara

Aria ofrece una voz cálida y clara, ideal para narrar lecciones teóricas o introducciones de módulos. Su articulación precisa asegura que los conceptos clave se transmitan sin ambigüedad, manteniendo el ritmo adecuado para la asimilación de información nueva.

  • Voz femenina: Aria
  • Uso recomendado: Narración de lecciones
  • Característica: Claridad y calidez

Nova: energía positiva

Nova aporta un tono brillante y animado, perfecto para mantener la atención en ejercicios interactivos o recordatorios de tareas. Su energía controlada evita la monotonía sin resultar intrusiva, ideal para segmentos cortos que requieren engagement activo del estudiante.

  • Voz femenina: Nova
  • Uso recomendado: Ejercicios y recordatorios
  • Característica: Brillante y animada

Luna: narrativa suave

Luna proporciona una voz suave y envolvente, adecuada para historias de caso o explicaciones detalladas. Su timbre suave reduce la fatiga auditiva en sesiones de aprendizaje prolongadas, permitiendo que el estudiante se concentre en el contenido sin distracciones tonales.

  • Voz femenina: Luna
  • Uso recomendado: Historias y casos
  • Característica: Suave y envolvente

Voces masculinas

Ilustración de onda de sonido para: Voces masculinas

Sage, Felix y Milo ofrecen registros vocales distintos para adaptar el tono de tus módulos. Sage mantiene la calma en explicaciones técnicas, mientras que Felix aporta energía para promociones y Milo facilita la cercanía en diálogos.

Sage: instrucción calmada

Sage es ideal para tutorías y guías paso a paso. Su tono instructivo y sereno reduce la carga cognitiva, permitiendo que los estudiantes se concentren en la estructura del conocimiento sin distracciones emocionales.

Felix: promocional energético

Utiliza Felix para introducciones dinámicas o anuncios de nuevos módulos. Su voz enérgica capta la atención inmediatamente, ideal para mantener el interés en secciones breves o recordatorios de vencimientos dentro del LMS.

Milo: conversacional

Milo tiene un tono conversacional, perfecto para simulaciones de casos prácticos. Su tono amigable facilita la comprensión en ejercicios interactivos, haciendo que las preguntas y respuestas se sientan más orgánicas y menos robóticas.

Voces para noticias y datos

Ilustración de onda de sonido para: Voces para noticias y datos

En contextos de transferencia de información densa, la neutralidad y la profundidad vocal determinan la efectividad didáctica. Atlas y Orion están optimizados para presentaciones estructuradas, ya sea datos estadísticos o narrativas históricas.

Atlas: neutral y directo

Atlas ofrece una voz neutral ideal para lectura de datos numéricos o instrucciones técnicas. Su claridad evita distorsiones cognitivas en lecciones densas.

  • Voz ideal para lectura de datos
  • Claridad en instrucciones técnicas
  • Neutralidad que reduce carga cognitiva

Orion: documental profundo

Orion aporta un tono grave y documental, adecuado para narrativas complejas. Su profundidad transmite autoridad sin sonar artificial en materiales académicos.

Se recomienda para módulos que requieren un tono serio y envolvente, manteniendo la atención del estudiante durante explicaciones extensas.

  • Tono grave y documental
  • Autoridad en narrativas complejas
  • Compromiso en explicaciones extensas

Casos de uso por voz

Ilustración de onda de sonido para: Casos de uso por voz

La claridad fonética de las voces seleccionadas permite que los conceptos teóricos complejos se entiendan sin esfuerzo cognitivo adicional. Utilizar una voz como Aria o Luna para narrar definiciones y principios asegura que la retención del conocimiento sea el foco principal, no la decodificación del audio.

Explicaciones teóricas

Para la teoría pura, Aria ofrece una narración clara y neutra, ideal para definir términos técnicos sin distracciones. Luna funciona mejor para historias de contexto o introducciones suaves, manteniendo un tono instructivo pero menos rígido. Ambas voces operan bajo el mismo modelo tts-1, garantizando consistencia acústica.

  • Usar Aria para definiciones estándar y glosarios.
  • Usar Luna para introducciones narrativas o casos de estudio.
  • Mantener la velocidad entre 1.0 y 1.2 para máxima legibilidad.

Ejercicios interactivos

Los ejercicios de práctica requieren un ritmo ágil para mantener la atención del estudiante. Nova aporta la energía necesaria para preguntas rápidas o instrucciones de tareas, mientras que Milo introduce una conversación natural que simula la interacción humana sin ser invasiva. El uso de tts-1-hd ofrece la misma calidad de audio que tts-1.

  • Nova para instrucciones de tareas y preguntas de repaso.
  • Milo para diálogos de simulación o role-play.
  • Velocidad ajustada a 1.2–1.5 para ejercicios dinámicos.

Resúmenes de módulos

Al cierre de un módulo, la coherencia es crítica. Sage es la opción técnica por excelencia para resúmenes instructivos, ofreciendo una voz calmada que facilita la consolidación de la información. Atlas puede usarse para datos crudos o listas de verificación, manteniendo la neutralidad necesaria para el análisis objetivo.

  • Sage para resúmenes de aprendizaje y recapitulaciones.
  • Atlas para listados de datos o verificación de hechos.
  • Usar el mismo modelo en todo el curso para evitar saltos de timbre.

Impacto en la retención

Ilustración de onda de sonido para: Impacto en la retención

La claridad de la síntesis reduce la carga cognitiva al eliminar ambigüedades prosódicas. Un tono consistente mantiene la credibilidad pedagógica sin fatiga auditiva, permitiendo que el estudiante se centre en el contenido técnico del módulo.

La velocidad configurable (0.25–4.0) permite ajustar la densidad de información. Los estudiantes pueden acelerar explicaciones lineales mientras reducen la velocidad para conceptos complejos, optimizando el tiempo de estudio sin perder precisión.

Tono y credibilidad

La consistencia vocales refuerza la estructura del curso. Voces como Sage o Aria evocan autoridad didáctica, lo que mejora la percepción de calidad del material generado automáticamente para plataformas LMS.

Velocidad de aprendizaje

El control de velocidad permite adaptar el ritmo a la complejidad del texto. Las explicaciones teóricas pueden escucharse al 1.0x, mientras que los ejercicios interactivos se aceleran al 1.5x para repasar rápidamente.

La generación rápida (aprox. 25 caracteres por segundo) facilita la actualización dinámica de módulos sin cuellos de botella en la producción de audio.

Preferencia del estudiante

La opción de elegir entre voces distintas permite personalizar la experiencia. Algunos estudiantes prefieren el tono narrativo de Luna, mientras que otros responden mejor a la claridad directa de Atlas.

La posibilidad de re-generar audio con diferentes voces o velocidades ayuda a ajustar el contenido según el feedback recibido, manteniendo la coherencia del proyecto.

Idiomas y acentos

Ilustración de onda de sonido para: Idiomas y acentos

El API soporta 23 idiomas, incluyendo español, inglés y portugués. Cualquier voz puede pronunciarse en cualquiera de estos idiomas, lo que permite una gran flexión en el diseño instruccional sin necesidad de contratar múltiples proveedores.

Español latino y neutro

El sistema detecta automáticamente el idioma basado en el script. Si se envía texto en español latino, el motor generará una pronunciación precisa sin acentos extraños. Es recomendable especificar el campo language si el texto contiene términos técnicos que podrían confundir al detector.

  • Idioma detectado automáticamente por script
  • Compatible con todas las voces
  • Recomendable forzar language para términos específicos

Inglés americano y británico

El inglés es el idioma por defecto si se usa script latino y no se especifica otro. Las voces mantienen una pronunciación clara y consistente, ideal para módulos introductorios o instrucciones técnicas en cursos internacionales.

  • Por defecto en script latino
  • Pronunciación clara y consistente
  • Ideal para audiencias internacionales

Portugués brasileño

El portugués está soportado nativamente. Las voces generan audio con la entonación correcta para el portugués brasileño, asegurando que los estudiantes entiendan los conceptos sin distracciones por acentos marcados o incorrectos.

  • Soporte nativo
  • Entonación correcta
  • Sin distracciones fonéticas
Idiomas y acentos

Formatos y calidad

Ilustración de onda de sonido para: Formatos y calidad

La API ofrece cuatro formatos de salida para equilibrar compatibilidad, calidad y peso de archivo en tus módulos de LMS. Cada formato se selecciona mediante el parámetro response_format en la solicitud JSON.

Elige según tu infraestructura de entrega y las necesidades de almacenamiento de tu plataforma educativa.

MP3 para web

El formato predeterminado para la mayoría de los reproductores HTML5 y plataformas LMS. Ofrece la mejor relación entre tamaño de archivo y calidad audible, asegurando carga rápida en conexiones móviles o lentas.

  • Compatible con todos los navegadores modernos
  • Tamaño de archivo optimizado para carga rápida
  • Ideal para lecciones de menos de 10 minutos

WAV para alta fidelidad

Formato sin pérdida que conserva toda la información del audio generado. Utilízalo cuando necesites editar el audio posteriormente en software de producción o para almacenar masters de alta calidad en tu repositorio.

Aunque el archivo es más grande, garantiza que no se pierda detalle en la síntesis, especialmente útil para materiales técnicos o de pronunciación precisa.

  • Calidad sin pérdida (lossless)
  • Ideal para postproducción y edición
  • Mayor consumo de espacio en disco

Opus para eficiencia

Formato moderno con alta compresión y excelente calidad a bajos bitrates. Reduce significativamente el ancho de banda necesario para distribuir cursos masivos, manteniendo la inteligibilidad clara del habla.

Recomendado para entornos con restricciones de ancho de banda o para optimizar costos de transferencia en grandes volúmenes de lecciones.

  • Alta compresión con calidad preservada
  • Reducen el uso de ancho de banda
  • Soporte creciente en navegadores modernos

Costo por tipo de voz

Ilustración de onda de sonido para: Costo por tipo de voz

La estructura de precios es uniforme para todas las voces y modelos, independientemente de si se utiliza tts-1 o tts-1-hd. Se cobra $0.01 por cada 1.000 caracteres, incluyendo espacios y puntuación. No existen recargos ni tarifas diferenciadas por tipo de voz o calidad de audio.

Esta simplicidad facilita el cálculo exacto del costo por módulo o lección. Un curso de 100.000 caracteres tiene un costo fijo de $1.00, sin importar la voz seleccionada.

Precio uniforme por carácter

El costo se calcula estrictamente por carácter en el campo input. Cada espacio, coma o punto cuenta como uno. Esto permite predecir el gasto con precisión antes de la generación.

El saldo se descuenta automáticamente tras una síntesis exitosa. Las solicitudes fallidas no generan cargo, lo que protege el presupuesto durante la fase de desarrollo del contenido.

  • Costo: $0.01 por 1.000 caracteres
  • Incluye espacios y puntuación
  • Cobro único por solicitud exitosa

Sin recargo por HD

El modelo tts-1-hd utiliza el mismo motor de síntesis que tts-1. Por lo tanto, el precio es idéntico para ambos formatos. No se aplica ningún sobreprecio por la opción HD.

Esto permite experimentar con la calidad de audio sin impacto financiero adicional. Elige la voz que mejor se adapte a tu tono instruccional sin preocuparte por tarifas variables.

  • Mismo motor para tts-1 y tts-1-hd
  • Sin tarifa adicional por HD
  • Igual precio por carácter

Eficiencia de tts-1

La generación ocurre a una velocidad cercana al tiempo real, aproximadamente 25 caracteres por segundo. Esto optimiza el flujo de trabajo para la creación masiva de lecciones.

Para textos largos, se recomienda dividir en partes de hasta 4096 caracteres. Esto asegura una gestión eficiente de la cola de procesamiento y evita tiempos de espera prolongados.

  • Velocidad: ~25 caracteres/segundo
  • Límite: 4096 caracteres por request
  • Procesamiento secuencial bajo carga

Pruebas A/B para cursos

Ilustración de onda de sonido para: Pruebas A/B para cursos

Las pruebas A/B permiten validar la efectividad pedagógica de cada voz antes del despliegue masivo en tus módulos de LMS. Al comparar la voz Aria (narradora clara) frente a Nova (energética), puedes medir cuál facilita mejor la comprensión de conceptos teóricos densos sin depender de suposiciones.

Comparación de voces

Configura dos grupos de estudiantes para consumir el mismo contenido con distintas voces. Mide el tiempo de procesamiento: la generación es aproximadamente en tiempo real (25 caracteres por segundo), lo que permite iteraciones rápidas durante el diseño instruccional.

  • Usa la API para generar versiones paralelas del mismo guión.

Métricas de finalización

Monitorea la tasa de abandono en los módulos de audio. Una voz que reduce la fatiga auditiva suele correlacionarse con mayores porcentajes de completitud en los cursos, un KPI crítico para instructores que buscan optimizar la retención.

Feedback de estudiantes

Incorpora preguntas específicas en encuestas post-módulo para evaluar la claridad percibida. Dado que las voces tienen acentos neutros o específicos, el feedback cualitativo ayuda a ajustar la selección final (ej. Sage para tutoría) basándose en datos reales de tu audiencia.

Licencias y derechos

Ilustración de onda de sonido para: Licencias y derechos

Las voces de nuestra API se originan en grabaciones licenciadas del proyecto LibriTTS-R, el cual utiliza lecturas de audiolibros del dominio público de LibriVox. Esto garantiza una base acústica clara y verificable para el uso en tus materiales didácticos.

Voces basadas en LibriTTS-R

El motor de síntesis utiliza muestras de voz derivadas de esta base de datos abierta. Cada preset (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) conserva las características acústicas de las grabaciones originales, asegurando consistencia y calidad en la generación de audio.

  • Origen en lecturas de audiolibros de dominio público
  • Base de datos abierta y verificable
  • Calidad acústica natural sin artefactos de IA excesivos

Licencia CC BY 4.0

Al basarnos en LibriTTS-R bajo la licencia Creative Commons Attribution 4.0 International (CC BY 4.0), el uso de estas voces está autorizado para proyectos educativos y comerciales. No requiere pagos adicionales por licencia de voz, solo el pago por carácter procesado en nuestra API.

Marca de agua sintética

Cada archivo de audio generado incluye una marca de agua inaudible que identifica el contenido como voz sintética generada por nuestra API. Esto permite la verificación del origen del audio sin afectar la experiencia auditiva del estudiante ni la integridad del curso.

  • Marca inaudible incrustada en el audio
  • Identificación clara de origen sintético
  • No interfiere con la comprensión del contenido

Recomendaciones finales

Ilustración de onda de sonido para: Recomendaciones finales

La coherencia acústica es un criterio técnico tan importante como la calidad del texto en un módulo de LMS. Mezclar voces distintas en una misma lección incrementa la carga cognitiva del estudiante y puede interrumpir la comprensión de conceptos complejos. Asignar una voz fija por curso garantiza que la interfaz auditiva sea predecible.

Para tutorías, Sage ofrece la calma necesaria para instrucciones paso a paso sin distraer con variaciones emocionales. Su tono instructivo facilita la asimilación de procedimientos. Para narraciones teóricas, Aria proporciona la claridad fonética que permite seguir explicaciones densas sin fatiga auditiva.

Consistencia en un curso

Utilice una única voz para todo el módulo. Esto reduce la sobrecarga cognitiva y mantiene la atención en el contenido pedagógico.

Defina la voz en la configuración inicial del proyecto. Evite cambiarla entre lecciones o unidades para preservar la familiaridad del oyente.

  • Establecer una voz maestra por curso
  • Mantener la misma voz en todos los episodios

Uso de Sage para tutoría

Sage está optimizado para instrucciones calmadas. Su tono es ideal para guiar al estudiante paso a paso en ejercicios o procedimientos.

Su claridad permite que el estudiante se concentre en la lógica de la tarea sin distracciones por variaciones de entonación.

Use Sage para explicaciones de cómo hacer, no para contar historias.

  • Instrucciones claras
  • Menos fatiga auditiva

Uso de Aria para narración

Aria aporta una narradora clara y directa. Es la opción técnica para lecciones teóricas extensas donde la precisión es clave.

Su claridad fonética asegura que cada concepto sea percibido correctamente, ideal para contenido académico o de formación técnica.

Combine Aria con Sage si necesita alternar entre teoría y práctica dentro del mismo módulo, manteniendo estándares de calidad.

  • Narración teórica
  • Alta claridad fonética

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. W3C WAI: making audio and video accessible
  3. FFmpeg documentation
  4. TRON developer hub: TRC-20
  5. LibriTTS-R paper (arXiv 2305.18802)
  6. IETF RFC 7845: Ogg Opus
  7. curl documentation
  8. openai-python on GitHub
  9. Tether (USDT)
  10. MDN: Web Speech API
  11. ISO 639 language codes
  12. Creative Commons Attribution 4.0

Más en este sitio