¿Cómo usar la API de texto a voz para generar audio?

Por Equipo editorial VozLegal API · Actualizado 2026-11-19

Esta página explica el flujo técnico para integrar la API de texto a voz de VozLegal en tus sistemas. Aprende a enviar texto mediante JSON y recibir archivos de audio listos para cumplir con estándares de accesibilidad y transparencia normativa.

Está diseñada para equipos de startups que necesitan convertir documentos legales a audio de forma automatizada. Sigue los pasos para configurar tu clave, seleccionar voces como Aria o Atlas, y gestionar caracteres y costos.

¿Cómo usar la API de texto a voz para generar audio?

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que recibe texto y devuelve un archivo de audio mediante una solicitud POST a /v1/audio/speech. Utiliza un formato JSON compatible con el estándar de la industria, permitiendo integrar la síntesis de voz directamente en los flujos de trabajo de software sin necesidad de aplicaciones adicionales.

¿Cómo se convierte texto legal a audio?

Envía una solicitud POST a https://api.vty15.info/v1/audio/speech con tu clave de API en el encabezado Authorization. El cuerpo debe incluir el campo input con el texto, el modelo tts-1 o tts-1-hd, la voz seleccionada y el formato de respuesta deseado. La API devuelve el archivo de audio generado.

¿Qué voces son ideales para documentos formales?

Para documentos legales, se recomiendan voces como atlas (neutral, noticias), sage (calma, instruccional) o orion (profundo, documental). Estas opciones ofrecen claridad y tono serio, adecuados para la lectura de contratos y normativas. Todas las voces soportan los 23 idiomas disponibles en la plataforma.

¿Cuántos caracteres se pueden enviar?

Cada solicitud permite un máximo de 4096 caracteres en el campo input. Si tu documento excede este límite, debes dividirlo en partes de hasta 4096 caracteres y unir los archivos de audio resultantes. Los espacios y la puntuación cuentan como caracteres para el cálculo.

¿Se puede ajustar la velocidad de lectura?

Sí, el parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto facilita la adaptación del audio a diferentes necesidades de presentación o accesibilidad. La velocidad predeterminada genera audio a una velocidad aproximada de tiempo real, procesando unas 25 caracteres por segundo.

¿Qué formatos de audio son recomendados?

Puedes solicitar los formatos mp3, wav, opus, flac o pcm mediante el campo response_format. MP3 es eficiente para almacenamiento y transmisión web, mientras que WAV y FLAC ofrecen calidad sin pérdida. PCM es útil para procesamiento posterior. Elige según tus requisitos de compatibilidad y tamaño.

¿Cuánto cuesta convertir un contrato?

El costo es de $0.01 por cada 1000 caracteres, incluyendo espacios y puntuación. Por ejemplo, un contrato de 10,000 caracteres costará $0.10. Las solicitudes fallidas son gratuitas y el saldo se devuelve íntegramente. No hay costos fijos ni cargos por solicitud individual.

¿Se puede usar en producción con API?

Sí, la API está diseñada para uso en producción mediante solicitudes HTTP estándar. Tiene un límite de 60 solicitudes por minuto por clave. Para volúmenes altos, se recomienda gestionar la cola de solicitudes, ya que el procesamiento es secuencial y puede haber esperas bajo carga.

¿Qué sucede si el texto es muy largo?

Debes dividir el texto en fragmentos de máximo 4096 caracteres por solicitud. Luego, envía cada fragmento y une los archivos de audio resultantes. La API no une automáticamente los fragmentos; esta lógica debe implementarse en tu integración para mantener la continuidad del documento legal.

¿Cómo se manejan los errores de solicitud?

Si la síntesis falla, no se realiza ningún cargo y el saldo se devuelve íntegramente. La API devuelve un código de estado HTTP indicando el error. Los metadatos de la solicitud, como el tiempo y el estado, se conservan para facturación y auditoría de uso.

¿Se puede usar el SDK de OpenAI?

Sí, puedes usar los SDK oficiales de OpenAI cambiando la base_url a https://api.vty15.info/v1 y utilizando tu clave de API. Esto permite reutilizar el código existente sin modificar la lógica de llamada, garantizando una integración rápida y compatible con las herramientas estándar.

¿Qué idiomas están soportados?

Se soportan 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. Cualquier voz puede hablar cualquier idioma. Si no se especifica, el idioma se adivina por el script.

¿Cuánto dura la prueba gratuita?

La prueba ofrece $0.50 de crédito, equivalente a unos 50,000 caracteres, con una validez de 7 días. Se otorga al registrarse con Google. Las cuentas creadas con correo y contraseña no reciben crédito inicial. El saldo no expira.

¿Cómo se recarga el saldo con USDT?

Realiza una transferencia de USDT (TRC-20) en la red TRON con un mínimo de $5. El saldo se acredita automáticamente en minutos. No se aceptan tarjetas ni PayPal. La recarga es directa y no requiere facturación ni procesos manuales adicionales para activar los fondos.

Definición de API de texto a voz

Ilustración de onda de sonido para: Definición de API de texto a voz

La API de texto a voz de VozLegal API permite la conversión automatizada de documentos legales en archivos de audio mediante una interfaz basada en JSON. Este servicio está diseñado para que las startups integren la generación de audio directamente en sus flujos de trabajo técnicos, enviando texto y recibiendo el archivo generado sin necesidad de infraestructura adicional.

Conversión automatizada de texto a audio

El sistema transforma texto en audio mediante una solicitud POST al endpoint https://api.vty15.info/v1/audio/speech. El usuario envía un cuerpo JSON que especifica el modelo, el texto de entrada (hasta 4096 caracteres) y la voz deseada. El motor de síntesis procesa la solicitud y devuelve el archivo de audio correspondiente.

Interfaz basada en JSON para integración

La estructura de la solicitud es idéntica al endpoint de speech de OpenAI, lo que permite utilizar los SDK oficiales de OpenAI simplemente cambiando la base_url a https://api.vty15.info/v1. Esto facilita la integración rápida en aplicaciones existentes sin requerir un SDK propietario ni configuraciones complejas.

Generación de archivos de audio

El servicio genera archivos de audio en formatos como MP3, WAV, OPUS, FLAC o PCM. La generación no es instantánea para textos largos; el tiempo de procesamiento es aproximadamente en tiempo real (25 caracteres por segundo), por lo que las peticiones se procesan en cola bajo carga.

Proceso de conversión de textos

Ilustración de onda de sonido para: Proceso de conversión de textos

La API de VozLegal API convierte texto en audio mediante una interfaz RESTful basada en JSON. El proceso es directo: se envía el texto, se especifican las preferencias y se recibe el archivo de audio generado.

Este flujo automatizado permite a las startups integrar la generación de audio directamente en sus aplicaciones sin necesidad de infraestructura adicional.

Envío de texto al endpoint correspondiente

Se realiza una petición POST al endpoint https://api.vty15.info/v1/audio/speech con un cuerpo en formato JSON. El campo input contiene el texto a sintetizar, con un límite de 4096 caracteres por solicitud. La autenticación se valida mediante la cabecera Authorization: Bearer con la clave única de la cuenta.

Selección de voz y formato adecuado

Es necesario especificar el modelo (tts-1 o tts-1-hd), la voice elegida entre las 8 presets disponibles y el response_format deseado (mp3, wav, opus, flac, pcm). El campo language es opcional; si no se proporciona, el sistema detecta el idioma automáticamente, aunque para texto en latín distinto al inglés se recomienda establecerlo explícitamente.

Recepción del archivo de audio generado

Una vez procesada la solicitud, la API devuelve el archivo de audio generado. Si la síntesis falla, la carga se devuelve íntegramente. Para textos más largos que superen el límite, se recomienda dividir el contenido en partes y unir los archivos resultantes posteriormente.

Ventajas para startups

Ilustración de onda de sonido para: Ventajas para startups

La integración de la API permite convertir documentos legales en audio de forma automatizada, garantizando el acceso a la información para usuarios con discapacidad visual o dislexia sin requerir infraestructura de producción tradicional.

Accesibilidad para usuarios con discapacidad

La emisión de archivos de audio desde JSON asegura que los términos y condiciones sean auditables, cumpliendo con estándares de accesibilidad digital.

Transparencia en el uso de datos

El texto ingresado se utiliza exclusivamente para la síntesis y no para entrenamiento de modelos. Los metadatos de la petición (tiempo, caracteres, estado) se conservan únicamente para facturación, asegurando trazabilidad clara en el proceso de conversión.

Reducción de costos en producción de audio

Al eliminar la necesidad de estudios de grabación y talento vocal, el costo se reduce a $0.01 por cada 1.000 caracteres. Las peticiones fallidas se devuelven en su totalidad, evitando gastos en audio no generado.

Configuración técnica básica

Ilustración de onda de sonido para: Configuración técnica básica

La configuración inicial requiere obtener una clave de acceso única desde la plataforma. Esta credencial autoriza las solicitudes y permite el uso inmediato de los servicios de síntesis.

Se recomienda validar la integración mediante ejemplos de código listos para usar, asegurando que el entorno de desarrollo reconoce correctamente la base URL y los encabezados de autenticación.

Obtención de clave API desde la plataforma

Acceda a la página de registro para generar su clave de acceso única. Esta clave es el identificador principal para autenticar todas las solicitudes enviadas al endpoint de la API.

Uso de cURL o SDK de OpenAI para pruebas

Utilice cURL para realizar solicitudes POST directas o configure el SDK de OpenAI modificando la variable base_url hacia https://api.vty15.info/v1. Esto permite validar la respuesta de audio con los estándares habituales de integración.

  • Enviar texto mediante JSON
  • Recibir archivo de audio en la respuesta

Verificación de límites y cuotas disponibles

Verifique su saldo y la tasa de ejecución en el panel de control. La cuota inicial permite 10 solicitudes por minuto, expandible a 60 tras una recarga.

Confirme que la clave está activa antes de iniciar la producción masiva de documentos legales.

  • Límite base: 10 req/min
  • Límite estándar: 60 req/min

Selección de voces para textos formales

Ilustración de onda de sonido para: Selección de voces para textos formales

La claridad y la neutralidad son críticas para la transmisión precisa de términos legales. La selección de la voz adecuada garantiza que los usuarios accedan a la información sin ambigüedades fonéticas o emocionales que distraigan del contenido normativo.

Las voces predefinidas están diseñadas para lectura continua.

Voz Aria para narración clara

Aria ofrece una tonalidad cálida y clara, ideal para narrar el cuerpo de los documentos legales. Su estructura vocal transmite profesionalismo sin imponer una carga emocional excesiva, lo que permite a los usuarios concentrarse en el texto sin distracciones.

Voz Sage para instrucciones técnicas

Sage es la opción recomendada para secciones de instrucciones, términos de uso o políticas de privacidad. Su tono calmado y didáctico facilita la comprensión de procedimientos complejos, asegurando que cada paso sea percibido con precisión y neutralidad.

Voz Atlas para lectura neutral

Atlas proporciona una lectura neutral, adecuada para divulgación de datos corporativos o avisos legales formales. Su ausencia de inflexiones marcadas garantiza que el mensaje se presente como un hecho objetivo, cumpliendo con estándares de transparencia normativa.

Manejo de textos largos y caracteres

Ilustración de onda de sonido para: Manejo de textos largos y caracteres

La API impone un límite estricto de 4096 caracteres por solicitud, lo que requiere dividir documentos legales extensos antes del envío. Los caracteres incluyen espacios y puntuación en el conteo total.

Para textos largos, se recomienda segmentar el contenido en bloques manejables. Cada bloque se procesa de forma independiente para garantizar la integridad del audio generado sin exceder la capacidad del endpoint.

Límite de 4096 caracteres por petición

Cada llamada a la API acepta un máximo de 4096 caracteres en el campo input. Este límite es fijo y aplica tanto para el modelo tts-1 como para tts-1-hd. Si el texto excede este valor, la solicitud será rechazada; se recomienda dividir el texto en partes.

Estrategia de división de textos extensos

Divida los documentos legales en partes que no superen los 4096 caracteres. Es preferible cortar en puntos lógicos (párrafos o frases) para evitar interrupciones abruptas en la narrativa. El campo input debe contener solo el fragmento correspondiente.

Unión de archivos de audio generados

Una vez obtenidos los archivos de audio individuales, deben combinarse en un único archivo final. Esto asegura una reproducción continua. La concatenación debe realizarse en el lado del cliente o mediante un servicio de audio compatible.

Manejo de textos largos y caracteres

Idiomas y detección automática

Ilustración de onda de sonido para: Idiomas y detección automática

La API soporta 23 idiomas específicos, incluyendo español, inglés, alemán, francés, italiano, portugués, ruso, chino y japonés. Todas las voces pueden pronunciar cualquier idioma de la lista sin restricciones adicionales.

Soporte para 23 idiomas específicos

Los idiomas disponibles son: árabe, chino, danés, neerlandés, inglés, finlandés, 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.

  • Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkish

Configuración manual del campo language

Para garantizar la precisión, se recomienda establecer explícitamente el campo language en la solicitud JSON con el código ISO del idioma. Esto evita ambigüedades en textos que pueden interpretarse de múltiples formas.

Detección por script para texto en latín

Si no se especifica el idioma, el sistema lo infiere a partir del script del texto. Para textos en latín que no sean inglés, es necesario configurar el campo language manualmente para asegurar la pronunciación correcta.

Formatos de audio para distribución

Ilustración de onda de sonido para: Formatos de audio para distribución

La API permite seleccionar el formato de salida entre MP3, WAV, OPUS, FLAC y PCM mediante el campo response_format. Esta opción se incluye en el cuerpo JSON de la petición POST al endpoint de speech, permitiendo adaptar el archivo final a las necesidades específicas de distribución y reproducción.

La elección del formato permite adaptar el archivo a las necesidades de distribución. Cada formato ofrece ventajas distintas para la entrega de documentos legales a los usuarios finales, asegurando compatibilidad con distintos reproductores y plataformas.

MP3 para compatibilidad general

El formato MP3 es la opción predeterminada y más ampliamente soportada en navegadores web y dispositivos móviles. Su compresión con pérdida permite una reducción significativa del tamaño del archivo sin comprometer la inteligibilidad del habla, lo que facilita la distribución rápida de audiolibros y documentos legales.

Este formato es ampliamente soportado. Los usuarios pueden reproducir el contenido sin necesidad de codecs adicionales o configuraciones especiales en sus dispositivos.

  • Máxima compatibilidad con navegadores y reproductores móviles
  • Archivos de menor tamaño para carga más rápida
  • Ideal para distribución masiva en la web

WAV para alta fidelidad

El formato WAV ofrece audio sin compresión, preservando la calidad original de la síntesis. Este formato es adecuado para archivar copias maestras de documentos legales o para entornos donde se requiere la máxima fidelidad de audio sin pérdidas.

Su tamaño de archivo es considerablemente mayor que el MP3, lo que debe considerarse al almacenar grandes volúmenes de contenido generado. Se recomienda su uso cuando la integridad acústica es crítica para la validación del documento.

  • Audio sin pérdida de calidad
  • Ideal para archivos maestros o archivado
  • Tamaño de archivo mayor

OPUS para eficiencia de ancho de banda

OPUS es un formato de codificación de voz diseñado para una eficiencia superior en términos de relación calidad-tamaño. Es particularmente útil para aplicaciones donde el ancho de banda puede ser limitado o donde se busca minimizar los costos de transferencia de datos.

Ofrece una calidad de audio comparable a MP3 con archivos aún más pequeños, lo que lo hace ideal para entornos móviles o regiones con conectividad variable. Su soporte en navegadores modernos lo convierte en una opción técnica sólida.

  • Alta compresión con buena calidad de voz
  • Reducir el consumo de ancho de banda
  • Soporte nativo en navegadores modernos

Precios y costos por carácter

Ilustración de onda de sonido para: Precios y costos por carácter

La API de VozLegal cobra $0.01 por cada 1000 caracteres procesados, donde se incluyen espacios y puntuación. Este modelo escalable elimina costos fijos, ideal para startups que publican documentos legales periódicamente.

Tarifa de $0.01 por 1000 caracteres

El costo es estrictamente proporcional al volumen de texto enviado. Las solicitudes fallidas no generan cargo. El saldo no caduca.

  • Sin planes mensuales ni gastos ocultos
  • Sin mínimo de gasto obligatorio

Prueba gratuita de $0.50 disponible

Recarga mínima de $5 en USDT

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El mínimo es de $5. El crédito se acredita automáticamente en minutos. No se aceptan tarjetas ni PayPal.

Gestión de claves y seguridad

Ilustración de onda de sonido para: Gestión de claves y seguridad

La seguridad de su integración comienza con la gestión estricta de credenciales. Cada cuenta en VozLegal API mantiene exactamente una clave de acceso activa, lo que simplifica el control de permisos en entornos corporativos.

Una clave activa por cuenta

El sistema está diseñado para operar con un único token válido por usuario. Esto elimina la complejidad de gestionar múltiples claves simultáneas y asegura que cada solicitud provenga de una identidad verificada.

  • Un único token activo por cuenta
  • Acceso directo desde /get-api-key/

Emisión inmediata de nueva clave

Si es necesario rotar las credenciales por motivos de seguridad o auditoría, puede emitir una nueva clave en cualquier momento desde el panel de control. El proceso es instantáneo y no requiere intervención técnica adicional.

Revocación automática de clave anterior

Al generar una nueva clave, la anterior deja de funcionar de forma inmediata. Esto garantiza que cualquier dispositivo o servicio que siga usando la credencial antigua quede desconectado al instante, minimizando el riesgo de accesos no autorizados.

Política de datos y privacidad

Ilustración de onda de sonido para: Política de datos y privacidad

La API de VozLegal procesa el texto de entrada exclusivamente para generar el archivo de audio solicitado. Este texto no se utiliza para entrenar ni mejorar los modelos de síntesis de voz, garantizando que la información jurídica de la startup permanezca aislada del entrenamiento del motor de audio.

Texto no usado para entrenamiento

El texto enviado a la API se consume únicamente durante la generación del audio. No se almacena para mejorar los algoritmos de voz, preservando la confidencialidad de los documentos legales durante el procesamiento inmediato.

Audio no almacenado tras la entrega

El archivo de audio generado se devuelve en la respuesta HTTP y no se conserva en nuestros servidores una vez entregado. Esto asegura que no quede rastro permanente del contenido auditivo en nuestra infraestructura tras la transacción.

Metadatos conservados para facturación

Se conservan metadatos básicos, como la marca de tiempo, la cantidad de caracteres procesados y el estado de la petición. Esta información es estrictamente necesaria para el cálculo preciso de costos y la emisión del historial de facturación.

Los metadatos no incluyen el contenido del texto ni del audio, solo los datos técnicos necesarios para la gestión de la cuenta y el cobro por carácter.

  • Datos conservados: tiempo de solicitud, caracteres contados, estado (éxito/fallo).

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. El proceso es directo: se envía el texto, se especifican las preferencias y se recibe el archivo de 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. ISO 639 language codes
  3. Node.js documentation
  4. Tether (USDT)
  5. MDN: Web Speech API
  6. Creative Commons Attribution 4.0
  7. openai-node on GitHub
  8. openai-python on GitHub
  9. curl documentation
  10. W3C WAI: making audio and video accessible
  11. LibriTTS-R paper (arXiv 2305.18802)
  12. OpenAI API reference: create speech

Más en este sitio