Una API text-to-speech (TTS) convierte texto escrito en audio hablado. Envías el texto, una voz y configuraciones como idioma y velocidad, y la API devuelve un archivo de audio o transmite el audio en streaming para que la reproducción pueda comenzar antes de que todo el pasaje esté listo.
Una API text-to-speech (TTS) lee texto en voz alta con una voz sintética. Envías las palabras para que se pronuncien y eliges una voz, y el modelo devuelve audio en un formato como MP3 o WAV. Dependiendo del modelo, también puedes dirigir la entrega en lenguaje sencillo, por ejemplo habla despacio con un tono cálido y tranquilo, añadir etiquetas en línea para efectos como risas o un suspiro, escribir un diálogo para dos o más altavoces, o clonar una voz de una breve grabación del altavoz.
La mayoría de los modelos también toman ajustes como idioma, velocidad de habla y frecuencia de muestreo. Algunos añaden anulaciones de pronunciación para nombres y acrónimos, o marcas de tiempo a nivel de palabra que puedes usar para subtítulos y resaltados.
Para un archivo terminado, envíe DESPUÉS /v1/audio/speech con el ID del modelo, el texto en Entrada y a Voz. La respuesta contiene por defecto una URL al archivo de audio. También puede devolver el audio como datos base64, o como los propios bytes de audio cuando la solicitud Aceptar El encabezado pide audio. En modelos que ofrecen una lista de voces, ¡QUE /v1/voices con el ID del modelo devuelve las voces que puedes usar.
Para uso interactivo, los modelos que soportan streaming responden en DESPUÉS /v1/audio/speech:stream. El audio llega como Eventos Enviados por el Servidor mientras el modelo lo sintetiza, de modo que la reproducción puede comenzar antes de que todo el pasaje esté listo. Algunos modelos también aceptan texto sobre el voz en tiempo real WebSocket y hablarlo mientras el texto aún está llegando, por ejemplo mientras un modelo de lenguaje escribe su respuesta.
Comparaciones de modelos lado a lado mostrar las capacidades y tasas de dos modelos de voz conjuntamente.
Explora la Modelos de audio y escuchar voces en el Playground antes de escribir código. Para llamar a un modelo, crea una clave API en el panel de control y envía texto a https://api.empiriolabs.ai/v1/audio/speech, o al endpoint de streaming para reproducción en directo. El Referencia de discurso y el Referencia de Voz en Streaming Describe cada campo.
Paga conforme vayas, o elige un plan con asignaciones semanales. Las tarifas actuales para cada modelo de voz están en el página de precios.
17 modelos, del más barato al más caro cuando comparten unidad de facturación. La página de cada modelo tiene su tarjeta de precios completa, parámetros y código.
Endpoints
/v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtimePrecio por caracteres de texto
| Modelo | Tarifa más baja | Se aplica a |
|---|---|---|
| TTS 2 Flash Inworld | $15.00$10.50 por 1M de caracteres | Síntesis |
| StepAudio 3 TTS StepFun | $0.14 por cada 10.000 caracteres | Síntesis |
| Qwen Audio 3.0 TTS Alibaba Cloud | $0.15 por cada 10.000 caracteres | Síntesis flash |
| SoulX Podcast Soul AI Lab | $0.015 por cada 1.000 caracteres, mínimo 700 caracteres por petición | Base |
| TTS 1.5 Mini Inworld | $25.00$17.50 por 1M de caracteres | Síntesis |
| TTS 2 Inworld | $25.00$22.00 por 1M de caracteres | Síntesis |
| TTS 1.5 Max Inworld | $35.00$29.75 por 1M de caracteres | Síntesis |
| Qwen Audio 3.1 TTS Plus Alibaba Cloud | $0.60 por cada 10.000 caracteres | Síntesis |
| StepAudio 2.5 TTS StepFun | $0.85 por cada 10.000 caracteres | Síntesis |
| GLM TTS Z.ai | $0.20 por cada 1.000 caracteres, mínimo 50 caracteres por solicitud | Rápido (INT8) |
También disponibles: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next
El texto a voz convierte texto escrito en audio hablado. El texto a voz hace lo contrario: transcribe el audio hablado en texto escrito.
Algunos modelos sí pueden. Proporcionas una grabación corta y limpia de la voz, y en algunos modelos una grabación del altavoz dando su consentimiento, y el modelo habla un texto nuevo con esa voz.
Por la cantidad de texto: por personaje en algunos modelos y por token en otros, así que los guiones más largos cuestan más. En EmpirioLabs AI puedes pagar conforme avanzas o elegir un plan con asignaciones semanales.
El streaming devuelve el audio en pequeños fragmentos mientras el modelo lo sintetiza, de modo que la reproducción comienza antes de que el pasaje completo esté listo. Es adecuado para agentes de voz y otras conversaciones en directo.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.