¿Qué es la API de texto a voz para e-commerce?

Por equipo editorial VozTextil · Actualizado 2026-11-19

La API de texto a voz de VozTextil convierte texto en audio mediante una llamada HTTP, con un formato compatible con el estándar de OpenAI. Esta solución permite integrar narración automática en tiendas online sin necesidad de código, ideal para usuarios que buscan automatizar catálogos, notificaciones y anuncios.

Este documento explica cómo funciona la integración técnica, las aplicaciones prácticas en e-commerce y los costes por uso real. Aquí encontrará detalles sobre los 23 idiomas soportados, la gestión de textos largos, la privacidad de los datos y la integración mediante llamadas HTTP estándar.

¿Qué es la API de texto a voz para e-commerce?

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es una interfaz de programación que convierte texto en archivos de audio mediante una solicitud HTTP. Envía texto y recibe un archivo de audio generado automáticamente. No requiere instalación de software local ni hardware especializado. Funciona en la nube y se integra directamente con los sistemas de su tienda online mediante llamadas estándar.

¿Para qué sirve en una tienda online?

Permite generar audios para catálogos de productos, notificaciones de pedidos y anuncios automáticos. Se integra mediante una simple llamada HTTP para automatizar la creación de contenido de audio. Ideal para mejorar la accesibilidad y el engagement sin necesidad de recursos de producción manual ni equipos de grabación adicionales.

¿Necesito saber programar para usarla?

No es obligatorio tener conocimientos avanzados, pero requiere ejecutar llamadas HTTP. Puede usar SDKs de OpenAI o curl. La mayoría de las integraciones se realizan mediante configuraciones simples en el panel de control o scripts básicos. No requiere desarrollo de software complejo ni personal técnico especializado para la implementación inicial.

¿Qué textos se pueden convertir a audio?

Puede convertir hasta 4096 caracteres por solicitud. El texto se procesa en partes si excede este límite. Se incluyen espacios y puntuación en el conteo. El formato debe ser texto plano estándar. No se admiten etiquetas SSML ni diccionarios de pronunciación personalizados en la entrada de texto.

¿Cuántos idiomas soporta?

Soporta 23 idiomas, incluyendo español, inglés, francés, alemán, portugués, italiano, japonés, chino y árabe. Cualquier voz puede hablar cualquier idioma de la lista. Si no se especifica, el sistema intenta adivinar el idioma. No soporta vietnamita, indonesio, tailandés, ucraniano, rumano, checo, bengalí ni otros no listados.

¿Es compatible con mi plataforma de e-commerce?

Es compatible con cualquier plataforma que pueda realizar solicitudes HTTP. Utiliza el formato de solicitud de la API de OpenAI, por lo que los SDKs oficiales funcionan cambiando la URL base. No existe un plugin oficial para WordPress ni una extensión de navegador específica de VozTextil. La integración depende de la capacidad de su plataforma para enviar peticiones REST.

¿Cuánto tiempo tarda en generar el audio?

Típicamente es en tiempo real, aproximadamente 25 caracteres de texto por segundo de audio generado. Las frases cortas pueden tardar unos segundos. Las solicitudes se procesan en cola, por lo que bajo carga alta puede haber esperas. No hay garantía de tiempo de respuesta inmediato debido al procesamiento secuencial.

¿Se puede usar en dispositivos móviles?

El audio generado se puede reproducir en cualquier dispositivo móvil compatible con los formatos de audio entregados (mp3, wav, opus, flac, pcm). La API en sí funciona desde cualquier lugar con conexión a internet. No hay un SDK móvil nativo específico, pero los archivos son universales para reproductores móviles.

¿Qué formatos de audio entrega?

Entrega archivos en los formatos mp3, wav, opus, flac y pcm. Puede seleccionar el formato deseado en la solicitud de la API. Los archivos contienen una marca de agua inaudible que indica que es voz sintética. No hay opciones de compresión personalizada más allá de estos formatos estándar.

¿Es seguro para datos de clientes?

El texto de entrada se usa solo para producir el audio y no se utiliza para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena. Se conservan metadatos de la solicitud (tiempo, caracteres, estado) únicamente para facturación. No se almacenan los datos de audio generados a largo plazo.

¿Puedo cambiar la voz después de comprar?

Sí, puede seleccionar cualquiera de las 8 voces disponibles en cada solicitud. No es necesario comprar una voz específica por adelantado. El precio es el mismo para todas las voces y modelos (tts-1 o tts-1-hd). Puede cambiar la voz dinámicamente según el contexto del texto en cada llamada API.

¿Qué pasa si mi tienda crece mucho?

El límite es de 60 solicitudes por minuto por clave. Si excede este límite, las solicitudes se procesarán en cola. No hay límite de volumen total de caracteres, solo de velocidad de solicitud. Puede emitir una nueva clave si es necesario. No hay planes de escalado automático.

¿Necesito un plan enterprise?

No hay planes mensuales ni contratos enterprise. El pago es por uso, con un costo de $10 por millón de caracteres. No hay costos fijos ni mínimos de gasto. El saldo no caduca. Puede empezar con una prueba gratuita de $0.50 o realizar recargas mínimas de $5 en USDT.

¿Cómo se compara con soluciones on-premise?

A diferencia de las soluciones on-premise, esta API no requiere instalación de servidores ni mantenimiento de infraestructura. No hay opción de instalación on-premise. Funciona en la nube con un modelo de pago por uso. No ofrece garantía de servicio (SLA) ni certificaciones.

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 es un servicio en la nube que convierte texto en archivos de audio mediante una única llamada HTTP. No requiere desarrollo complejo, lo que permite generar audios para catálogos o notificaciones de forma automática.

Conversión de texto a audio

El servicio procesa texto hasta 4096 caracteres por solicitud, devolviendo un archivo de audio listo para usar. El texto no se utiliza para entrenamiento ni se almacena tras la generación.

Entrega mediante llamada HTTP

Se realiza una solicitud POST al endpoint /v1/audio/speech con un cuerpo JSON. La respuesta contiene el archivo de audio en el formato seleccionado (mp3, wav, opus, flac o pcm).

Estándar compatible con OpenAI

Utiliza la misma estructura de solicitud que OpenAI. Las SDK oficiales de OpenAI funcionan modificando la base_url a https://api.68ok.info/v1 y usando la clave de la API.

Esto facilita la integración para equipos sin experiencia previa en infraestructura de audio.

Aplicaciones en tiendas online

Ilustración de onda de sonido para: Aplicaciones en tiendas online

La API de texto a voz convierte descripciones estáticas en archivos de audio listos para reproducirse en la tienda. Este proceso se ejecuta mediante una llamada HTTP cuando la tienda lo requiera, sin intervención manual del equipo de marketing.

Audios de descripción de productos

Genera narraciones claras para fichas de producto, mejorando la accesibilidad y el tiempo de permanencia. El texto se envía al endpoint y se recibe el archivo de audio en segundos, listo para incrustar en la página.

  • Descripción automática de características del producto
  • Accesibilidad para usuarios con discapacidad visual
  • Formatos MP3, WAV, OPUS, FLAC o PCM

Notificaciones de estado de pedido

Notifica al cliente el estado de su compra mediante audio generado dináicamente. Se puede integrar con la plataforma de e-commerce para invocar la API cuando cambia el estado del pedido.

  • Confirmación de envío o entrega
  • Alertas de retraso o actualización de estado
  • Notificación instantánea vía API REST

Anuncios de ofertas y rebajas

Crea anuncios de promoción con voces preestablecidas que resaltan descuentos o novedades. La velocidad y el tono se ajustan mediante parámetros simples en la solicitud JSON para destacar la oferta sin necesidad de grabaciones profesionales previas.

  • Promociones estacionales generadas al instante
  • Voces variadas para diferentes campañas
  • Integración simple con catálogos dinámicos

Ventajas para usuarios sin código

Ilustración de onda de sonido para: Ventajas para usuarios sin código

La API permite generar audio mediante llamadas HTTP simples, compatibles con el formato estándar de OpenAI. Los usuarios pueden enviar texto y recibir archivos de audio sin necesidad de gestionar servidores complejos ni escribir código avanzado.

Integración mediante curl o SDK

Es posible utilizar curl directamente o adaptar los SDK oficiales de OpenAI cambiando la URL base. Este enfoque estandarizado reduce la curva de aprendizaje y facilita la conexión con herramientas de automatización existentes.

Sin necesidad de desarrolladores

Los equipos de marketing y atención al cliente pueden generar audios para catálogos o notificaciones sin depender del departamento técnico. La interfaz de gestión de claves y la documentación clara permiten una ejecución directa.

Implementación en horas

La estructura de la API permite integrar la generación de voz en flujos de trabajo de e-commerce rápidamente. Con una clave activa y un ejemplo de solicitud listo, el proceso de puesta en marcha es inmediato.

Diferencia con plugins tradicionales

Ilustración de onda de sonido para: Diferencia con plugins tradicionales

Los plugins tradicionales requieren instalación específica y suelen estar ligados a un único proveedor o plataforma. Esta API permite generar audio mediante una simple llamada HTTP, integrando la voz directamente en la lógica de la tienda sin dependencias de extensiones rígidas.

Mayor flexibilidad de integración

A diferencia de los plugins que ofrecen opciones predefinidas, la API se conecta mediante estándares abiertos. Esto permite personalizar cuándo y cómo se reproduce el audio, adaptándose a flujos de trabajo específicos sin modificar la estructura del sitio.

Control total sobre la voz

Cada llamada permite seleccionar manualmente entre 8 voces y ajustar parámetros como la velocidad o el idioma. Los plugins suelen congelar estas opciones en la configuración inicial, mientras que la API ofrece precisión técnica en cada generación.

Coste por uso real

Se paga solo por los caracteres consumidos ($0.01 por cada 1.000 caracteres), sin cuotas fijas mensuales ni costes por mantenimiento de licencia. Si la síntesis falla, el cargo se devuelve íntegramente.

Soporte multilingüe nativo

Ilustración de onda de sonido para: Soporte multilingüe nativo

La API soporta 23 idiomas, desde inglés y español hasta chino, árabe o hindi. Cualquier voz puede pronunciarse en cualquiera de estos idiomas sin restricciones adicionales, permitiendo personalizar el tono sin cambiar la configuración de lenguaje.

23 idiomas disponibles

El sistema incluye soporte nativo para 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.

  • Listado completo disponible en GET /v1/voices

Detección automática de script

Si no se especifica un idioma, la API intenta adivinarlo según el script del texto. Por defecto, el texto en latín se interpreta como inglés.

Configuración manual de idioma

Para textos en latín que no sean inglés, es necesario configurar manualmente el campo language con el código ISO. Esto evita errores de pronunciación en idiomas como el holandés o el portugués.

Calidad y formato de audio

Ilustración de onda de sonido para: Calidad y formato de audio

La API de texto a voz utiliza ocho voces preestablecidas derivadas de grabaciones con licencia (LibriTTS-R, CC BY 4.0) y lecturas de dominio público de LibriVox. Estas voces ofrecen tonalidades distintas, desde narradoras claras hasta locutores documentales, garantizando una calidad auditiva consistente sin necesidad de diseño personalizado.

El sistema genera archivos en formatos MP3, WAV, OPUS, FLAC o PCM, adaptándose a las necesidades técnicas de tu catálogo o notificaciones. Cada archivo generado incluye una marca de agua inaudible que certifica su origen como voz sintética, asegurando la transparencia del contenido audio generado automáticamente.

Voces basadas en grabaciones licenciadas

Las ocho voces disponibles (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) están basadas en grabaciones licenciadas de LibriTTS-R y lecturas de dominio público de LibriVox. Esto asegura una calidad auditiva consistente para su uso comercial en e-commerce.

El sistema ofrece ocho voces preestablecidas con características vocales definidas. No se ofrece clonación de voz personalizada ni diseño de voces a medida, manteniendo la simplicidad para usuarios sin código que requieren una integración rápida y predecible.

  • Voces derivadas de LibriTTS-R (CC BY 4.0)
  • Lecturas de libros de dominio público de LibriVox
  • Ocho presets con tonalidades distintas (narrador, documental, conversacional)
  • Sin clonación de voz personalizada ni diseño a medida

Múltiples formatos de salida

La API permite seleccionar entre MP3, WAV, OPUS, FLAC o PCM mediante el campo response_format en la solicitud. Esta flexibilidad permite optimizar el tamaño del archivo para transmisiones móviles o garantizar la máxima fidelidad para catálogos de alta gama.

Cada formato se genera mediante un único motor (tts-1 o tts-1-hd), que tiene el mismo precio.

  • Formatos disponibles: MP3, WAV, OPUS, FLAC, PCM
  • Configurable mediante el parámetro response_format
  • Compatible con reproductores estándar y plataformas de e-commerce
  • Sin codificaciones propietarias ni formatos exclusivos

Marcado de audio sintético

Cada archivo de audio generado contiene una marca de agua inaudible que identifica el contenido como voz sintética. Este marcado es automático y no requiere intervención manual ni configuración adicional por parte del desarrollador o usuario final.

La presencia de esta marca garantiza la transparencia respecto al origen del audio, diferenciándolo de grabaciones humanas. Es un estándar técnico integrado en el archivo sin afectar la calidad perceptible del audio por parte del oyente.

  • Marca de agua inaudible integrada automáticamente
  • Indica que el audio es voz sintética generada por IA
  • No afecta la calidad perceptible del audio
  • Transparente sin necesidad de configuración manual
Calidad y formato de audio

Gestión de volumen de texto

Ilustración de onda de sonido para: Gestión de volumen de texto

La API procesa textos de hasta 4096 caracteres por solicitud. Este límite garantiza una latencia controlada y una facturación precisa por segmento generado.

Límite de 4096 caracteres

Cada llamada POST acepta un máximo de 4096 caracteres en el campo input. Esto incluye espacios y puntuación, lo que permite descripciones de productos o notificaciones concisas sin exceder la capacidad de una única petición.

División automática de textos largos

Para textos que superan el límite, la lógica de integración divide el contenido en partes de hasta 4096 caracteres. Cada segmento se envía como una solicitud independiente, manteniendo la estructura del texto original.

Unión de segmentos de audio

Los archivos de audio generados para cada segmento se unen. El resultado final es un archivo continuo que reproduce el texto completo sin interrupciones perceptibles, ideal para catálogos extensos.

Rendimiento bajo carga

Ilustración de onda de sonido para: Rendimiento bajo carga

La API procesa las solicitudes de síntesis de voz de forma secuencial, lo que significa que las peticiones se ejecutan una tras otra. En periodos de alta actividad, las nuevas solicitudes pueden permanecer en una cola de espera hasta que se libere el recurso de procesamiento anterior.

Cola de procesamiento

El sistema gestiona las peticiones de manera lineal. Si se envían múltiples solicitudes simultáneamente, cada una debe esperar a que se complete la anterior antes de comenzar la generación del audio correspondiente.

Límite de 60 solicitudes por minuto

Cada clave de API tiene un límite estricto de 60 solicitudes por minuto. Antes de la primera recarga de saldo, este límite es de 10 solicitudes por minuto. Superar estos límites no genera errores, pero las solicitudes adicionales se retrasan hasta que el tiempo se reinicie.

Velocidad de generación en tiempo real

La generación de audio es aproximadamente en tiempo real, produciendo unos 25 caracteres de texto por segundo de audio generado. Las frases cortas pueden tardar unos segundos en completarse, mientras que textos más largos siguen esta proporción constante.

Seguridad y privacidad

Ilustración de onda de sonido para: Seguridad y privacidad

La API de texto a voz para e-commerce procesa el texto de tus catálogos y notificaciones exclusivamente para generar el archivo de audio correspondiente. Este texto no se utiliza para entrenar modelos ni para mejorar algoritmos de reconocimiento de voz, garantizando que la información de tus productos permanezca aislada del ciclo de mejora del motor.

Una vez entregado el audio en la respuesta, no se almacena en nuestros servidores. Esto elimina riesgos de retención de datos sensibles o de marketing. Solo se conservan los metadatos necesarios para la facturación precisa de cada solicitud.

Texto no usado para entrenamiento

El contenido que envías (descripciones de productos, avisos de stock, etc.) se utiliza únicamente para la síntesis inmediata. No entra en los conjuntos de datos para el entrenamiento futuro de los modelos de la API.

Audio no almacenado

El archivo de audio generado se devuelve en la respuesta HTTP y no se archiva en nuestro sistema. Una vez que tu tienda lo recibe, desaparece de nuestros servidores, minimizando la superficie de datos almacenados por terceros.

Metadatos de facturación conservados

Conservamos únicamente los metadatos requeridos para verificar la correcta facturación de los caracteres consumidos. Esto incluye la marca de tiempo, la cantidad de caracteres procesados y el estado de la solicitud, sin incluir el contenido del texto en sí.

Integración con plataformas de e-commerce

Ilustración de onda de sonido para: Integración con plataformas de e-commerce

Uso mediante API REST

La integración se realiza mediante llamadas HTTP a la API REST. Se envía el texto y se recibe el archivo de audio directamente en la respuesta.

Compatibilidad con plataformas de e-commerce vía API

El sistema funciona independientemente de la plataforma. Al ser una API estándar, es compatible con Shopify, WooCommerce y cualquier entorno que soporte llamadas HTTP a un endpoint JSON.

Automatización de procesos

Se pueden automatizar catálogos y notificaciones. Las llamadas se ejecutan mediante scripts simples o herramientas no-code, generando el audio sin intervención manual.

Costes predecibles

Ilustración de onda de sonido para: Costes predecibles

El coste se calcula estrictamente por carácter, con una tarifa de $10 por cada millón de caracteres procesados. Esto equivale a $0,01 por cada 1.000 caracteres, incluyendo espacios y puntuación. Si la síntesis falla, el cargo se devuelve íntegramente, garantizando que solo se pague por trabajo completado.

Pago por carácter consumido

La facturación es proporcional al volumen real de texto convertido. No hay tarifas ocultas por el número de voces o formatos utilizados.

  • Tarifa: $0,01 por 1.000 caracteres.
  • Incluye espacios y puntuación en el conteo.
  • Reembolso total en caso de fallo de síntesis.

Sin costes fijos mensuales

El modelo no requiere planes mensuales ni suscripciones. No existen costes fijos si no se realiza ninguna solicitud, lo que optimiza el gasto en periodos de baja actividad.

Recarga mínima con criptomonedas

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5, y el saldo se acredita automáticamente en minutos. El saldo no caduca.

Ningún otro método de pago está disponible, lo que simplifica la gestión financiera sin facturas ni IVA.

  • Moneda: USTR (USDT) en red TRON (TRC-20).
  • Mínimo de recarga: $5.
  • Credito automático en minutos.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. No requiere desarrollo complejo, lo que permite generar audios para catálogos o notificaciones de forma automática.

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. IETF RFC 7845: Ogg Opus
  3. FFmpeg documentation
  4. curl documentation
  5. MDN: Web Speech API
  6. Node.js documentation
  7. LibriTTS-R paper (arXiv 2305.18802)
  8. LibriTTS-R corpus (OpenSLR 141)
  9. W3C WAI: making audio and video accessible
  10. TRON developer hub: TRC-20
  11. OpenAI API reference: create speech
  12. ISO 639 language codes

Más en este sitio