¿Qué es una API text-to-speech?

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.

Tipos de modelos

Lo que hace una API text-to-speech

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.

Cómo funciona una solicitud

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.

Para qué se utiliza text-to-speech

  • Agentes de voz y asistentes. Respuestas habladas con un breve retraso, usando salida en streaming.
  • Narración. Voces en off para vídeos, explicaciones, visitas guiadas por productos y aprendizaje en línea.
  • Audio de formato largo. Audiolibros, artículos leídos en voz alta y diálogos tipo podcast entre varias voces.
  • Accesibilidad. Interfaz de texto y documentos leídos en voz alta para quienes prefieran escuchar.
  • Localización. El mismo guion en muchos idiomas, en modelos que mantienen una sola voz en varios idiomas.

Qué comparar entre modelos de voz

  • Naturalidad. Escucha el mismo guion en cada candidato, incluyendo números, nombres y preguntas.
  • Voces e idiomas. El tamaño de la biblioteca de voces, los idiomas y acentos, y si puedes clonar una voz.
  • Latencia. Para conversar, consulta el soporte en streaming y la rapidez con la que llega el primer audio.
  • Control. Instrucciones de entrega, etiquetas de emociones, velocidad y tono, anulaciones de pronunciación y diálogo con múltiples altavoces.
  • Salida. Formatos de audio, tasas de muestreo y marcas temporales para subtítulos.
  • Precio. Los modelos TTS facturan por la cantidad de texto: por carácter en algunos modelos y por token en otros, donde el texto de entrada y el audio generado tienen velocidades separadas. Algunos establecen un número mínimo de caracteres por solicitud. Los scripts más largos cuestan más.

Comparaciones de modelos lado a lado mostrar las capacidades y tasas de dos modelos de voz conjuntamente.

Intenta llamar a un modelo TTS en EmpirioLabs AI

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.

Los modelos en EmpirioLabs AI

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

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

Precio por caracteres de texto

ModeloTarifa más bajaSe aplica a
TTS 2 Flash Inworld$15.00$10.50 por 1M de caracteresSíntesis
StepAudio 3 TTS StepFun$0.14 por cada 10.000 caracteresSíntesis
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 por cada 10.000 caracteresSíntesis flash
SoulX Podcast Soul AI Lab$0.015 por cada 1.000 caracteres, mínimo 700 caracteres por peticiónBase
TTS 1.5 Mini Inworld$25.00$17.50 por 1M de caracteresSíntesis
TTS 2 Inworld$25.00$22.00 por 1M de caracteresSíntesis
TTS 1.5 Max Inworld$35.00$29.75 por 1M de caracteresSíntesis
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 por cada 10.000 caracteresSíntesis
StepAudio 2.5 TTS StepFun$0.85 por cada 10.000 caracteresSíntesis
GLM TTS Z.ai$0.20 por cada 1.000 caracteres, mínimo 50 caracteres por solicitudRápido (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

Preguntas frecuentes

¿Cuál es la diferencia entre text-to-speech y speech-to-text?

El texto a voz convierte texto escrito en audio hablado. El texto a voz hace lo contrario: transcribe el audio hablado en texto escrito.

¿Puede una API text-to-speech clonar una voz?

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.

¿Cómo se text-to-speech precio?

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.

¿Qué es el streaming text-to-speech?

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.

¿Listo para usar mejores endpoints?

Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.