API de Síntesis de Voz para Desarrolladores

Por Equipo editorial de AudioClaro · Actualizado 2026-11-19

En esta página encontrará la documentación técnica y la estructura de precios de la API de texto a voz de AudioClaro, diseñada específicamente para desarrolladores independientes que integran síntesis de voz en aplicaciones móviles Android y otras plataformas. Presentamos los endpoints, los 8 presets de voz disponibles, los formatos de audio soportados y los métodos de pago sin suscripciones mensuales.

Obtendrá ejemplos concretos de integración mediante HTTP estándar, detalles sobre el manejo de límites de tasa y la facturación por millón de caracteres. Esta información le permitirá evaluar la viabilidad técnica y económica de incorporar audio sintético de alta calidad en sus proyectos, sin depender de gestión de infraestructura ni de SDKs nativos exclusivos.

API de Síntesis de Voz para Desarrolladores

Preguntas frecuentes

¿Es compatible la API con Android?

Sí, la API es compatible con Android. Al ser un servicio basado en HTTP, cualquier dispositivo con acceso a internet puede integrarla. Los desarrolladores utilizan la clave de API para enviar solicitudes POST y recibir archivos de audio, sin necesidad de SDKs específicos de la plataforma.

¿Qué idiomas soporta la API?

La API soporta 23 idiomas: árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, swahili, sueco y turco. Cualquier voz puede hablar cualquiera de estos idiomas, y el idioma se puede especificar opcionalmente mediante su código ISO.

¿Cuántos caracteres tiene el límite por solicitud?

El límite es de 4096 caracteres por solicitud. Si el texto excede este límite, debe dividirse en partes y las archivos de audio resultantes unirse posteriormente. Los espacios y la puntuación cuentan como caracteres dentro de este límite máximo permitido por cada llamada a la API.

¿Se puede controlar la velocidad de la voz?

Sí, es posible ajustar la velocidad de la voz. El parámetro speed acepta valores entre 0.25 y 4.0, permitiendo acelerar o ralentizar la reproducción. Esto facilita la adaptación del contenido de audio a diferentes contextos de uso dentro de las aplicaciones móviles desarrolladas por los clientes.

¿Qué formatos de audio se pueden descargar?

Los formatos disponibles son mp3, wav, opus, flac y pcm. Estos formatos se especifican en el campo response_format de la solicitud JSON. La elección del formato depende de los requisitos de compresión y calidad de audio necesarios para la aplicación móvil integrada con la API de AudioClaro.

¿Hay un periodo de prueba gratuito?

Sí, al registrarse con Google se otorgan $0.50 de crédito (aproximadamente 50 000 caracteres) válidos por 7 días. Las cuentas creadas con correo y contraseña no incluyen este crédito inicial. Este periodo permite a los desarrolladores evaluar la calidad de la voz antes de realizar una top-up.

¿Cómo se realiza el pago con USDT?

Los pagos se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El depósito mínimo es de $5 y se acredita automáticamente en minutos. No se aceptan tarjetas ni PayPal. El saldo no tiene fecha de caducidad y se gestiona directamente desde el panel de control de la cuenta.

¿Se almacena el texto enviado?

No, el texto de entrada se utiliza únicamente para generar el audio y no se usa para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena en nuestros servidores. Solo se conservan los metadatos de la solicitud (tiempo, caracteres, estado) para fines de facturación.

¿Cuántas voces diferentes hay disponibles?

Hay 8 voces preestablecidas disponibles: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Cada voz tiene un tono distintivo, desde narradoras cálidas hasta voces profundas para documentales. Todas las voces pueden hablar cualquiera de los 23 idiomas soportados por la API sin coste adicional.

¿La API funciona sin conexión?

No, la API es un servicio en la nube que requiere conexión a internet. Las solicitudes se envían a https://api.playuoo.info/v1 y los archivos de audio se generan en nuestros servidores. Por lo tanto, es necesario mantener una conexión activa para utilizar la síntesis de voz.

¿Qué sucede si la solicitud falla?

Si la síntesis falla, la carga se devuelve íntegramente. No se cobra al usuario por las solicitudes que no se completan con éxito. Esto garantiza que los desarrolladores solo paguen por el audio generado correctamente, manteniendo la precisión en la facturación basada en caracteres procesados exitosamente.

¿Se puede usar la API en iOS también?

Sí, la API funciona en iOS y otras plataformas. Al ser un endpoint HTTP estándar compatible con el formato de solicitud de OpenAI, cualquier SDK o cliente HTTP puede integrarla cambiando la base_url. No existe un SDK móvil específico, pero la integración es directa mediante llamadas API estándar.

¿Hay límite de uso mensual?

No hay límites de uso mensual ni planes de suscripción. Solo existe un límite de velocidad de 60 solicitudes por minuto por clave. El saldo se consume según el uso y puede recargarse en cualquier momento. No hay gasto mínimo ni costos fijos mensuales para mantener la cuenta activa.

¿Es adecuado para aplicaciones comerciales?

Sí, es adecuado para aplicaciones comerciales. La API ofrece soporte para múltiples idiomas y formatos de audio estándar. No se requiere infraestructura de gestión y el modelo de pago por uso se ajusta a diferentes volúmenes. Las voces están basadas en grabaciones con licencia adecuada para su uso.

Primera solicitud

curl

curl https://api.playuoo.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Cómo funciona la API

Ilustración de onda de sonido para: Cómo funciona la API

La API de AudioClaro sigue un patrón de solicitud simple: se envía texto y se recibe un archivo de audio. El endpoint JSON estándar utiliza el método POST en la ruta /v1/audio/speech, permitiendo una integración rápida sin dependencias complejas. Esta estructura facilita la comunicación entre aplicaciones móviles y el servicio de síntesis de voz.

Endpoint JSON estándar

Endpoint JSON estándar

La comunicación se realiza mediante peticiones HTTP estándar. Se envía un cuerpo JSON que incluye el modelo de voz, el texto a sintetizar y las preferencias de formato. Este enfoque elimina la necesidad de protocolos propietarios, asegurando compatibilidad con cualquier cliente HTTP moderno.

  • Entrada en formato JSON
  • Campos definidos para modelo, entrada y voz
  • Compatibilidad con bibliotecas HTTP estándar

Método POST v1/audio/speech

Se utiliza el método POST para enviar los datos de síntesis. La URL base es https://api.playuoo.info/v1/audio/speech. Es necesario incluir una cabecera de autorización con un token Bearer válido para autenticar la solicitud y garantizar que los créditos se descuenten correctamente del saldo de la cuenta.

  • Método HTTP: POST
  • URL: /v1/audio/speech
  • Autenticación: Bearer token

Respuesta de audio

La respuesta contiene el archivo de audio generado en el formato solicitado. El proceso es asíncrono en términos de cola, pero el resultado se entrega una vez completada la síntesis. Los formatos disponibles incluyen MP3, WAV, OPUS, FLAC y PCM, adaptándose a las necesidades de almacenamiento y reproducción de la aplicación móvil.

  • Formatos: mp3, wav, opus, flac, pcm
  • Archivo de audio binario en la respuesta
  • Latencia variable según carga del servidor

Voces y personalización

Ilustración de onda de sonido para: Voces y personalización

La API ofrece 8 voces predefinidas con tonos distintos para narración, noticias o conversaciones. Cada solicitud especifica la voz mediante el campo voice, permitiendo seleccionar entre opciones femeninas como Aria o Luna, y masculinas como Felix o Atlas, sin necesidad de entrenamiento adicional.

8 presets de voz disponibles

Las voces están basadas en grabaciones con licencia (LibriTTS-R y LibriVox). El sistema genera archivos con una marca de agua inaudible que identifica el audio como sintético.

  • Femeninas: aria, nova, luna, sage
  • Masculinas: felix, milo, atlas, orion

Control de velocidad (0.25–4.0)

El parámetro speed ajusta la velocidad de generación entre 0.25 y 4.0. Esto permite adaptar la salida a las necesidades específicas de la aplicación, desde narraciones pausadas hasta lecturas rápidas.

Detección automática de idioma

Si no se especifica el campo language, el sistema infiere el idioma desde el script. El texto en latino por defecto es inglés. Para textos en latino no ingleses, se debe establecer el código ISO manualmente.

Formatos de audio soportados

Ilustración de onda de sonido para: Formatos de audio soportados

La API ofrece cinco formatos de salida para equilibrar calidad, tamaño de archivo y compatibilidad con dispositivos móviles. Cada formato se ajusta a necesidades específicas de transmisión o almacenamiento en entornos de desarrollo.

Los formatos estándar garantizan máxima interoperabilidad, mientras que las opciones comprimidas optimizan el ancho de banda. El formato crudo permite un procesamiento posterior sin pérdida de fidelidad.

MP3 y WAV para compatibilidad

MP3 y WAV son los formatos más ampliamente soportados en plataformas móviles. MP3 reduce el tamaño del archivo para una carga más rápida, mientras que WAV mantiene la calidad sin compresión, ideal para verificaciones de calidad en desarrollo.

  • MP3: bajo tamaño, alta compatibilidad
  • WAV: calidad sin pérdida, fácil depuración

OPUS y FLAC para eficiencia

OPUS ofrece una compresión eficiente manteniendo una excelente calidad de voz, reduciendo el consumo de datos en aplicaciones móviles. FLAC proporciona audio sin pérdida con compresión, útil para archivos de alta fidelidad que requieren almacenamiento eficiente sin compresión con pérdida.

  • OPUS: compresión eficiente, bajo uso de datos
  • FLAC: sin pérdida, almacenamiento optimizado

PCM para procesamiento crudo

PCM proporciona datos de audio sin procesar, sin compresión ni codificación adicional. Este formato es ideal para aplicaciones que necesitan manipular los samples de audio directamente, como procesamiento de señal digital o integración con motores de audio personalizados.

  • Datos de audio sin procesar
  • Ideal para procesamiento de señal

Idiomas disponibles

Ilustración de onda de sonido para: Idiomas disponibles

La API soporta 23 idiomas, permitiendo que cualquier voz genere audio en cualquiera de ellos sin restricciones específicas. El campo language es opcional; si se omite, el sistema detecta el idioma por el guión, asumiendo inglés para texto latino no identificado.

Soporte para 23 idiomas

El catálogo incluye idiomas de diversos orígenes lingüísticos. Cualquier voz puede pronunciar cualquier idioma de la lista, lo que simplifica la integración para aplicaciones globales sin necesidad de gestionar múltiples motores de síntesis.

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

Inglés, español y chino

El inglés y el español cuentan con cobertura completa en todas las voces disponibles. Esto garantiza consistencia tonal en narrativas, desde la claridad de 'aria' hasta la energía de 'felix'. El chino (mandarín) también utiliza el catálogo total de voces.

Idiomas europeos y asiáticos

El soporte abarca desde lenguas nórdicas hasta asiáticas, pasando por el este de Europa. Si el texto no coincide con la detección automática, especifique el código ISO en el campo language. Idiomas como el tailandés o ucraniano no están soportados.

Precios para desarrolladores

Ilustración de onda de sonido para: Precios para desarrolladores

La API de AudioClaro cobra $10 por cada millón de caracteres procesados, lo que equivale a $0.01 por cada 1.000 caracteres. El conteo incluye espacios y puntuación. Las solicitudes fallidas no generan cargo y el crédito se devuelve íntegramente.

Tarifa por millón de caracteres

El modelo de cobro es estrictamente por uso. Cada carácter enviado en el cuerpo de la solicitud cuenta, independientemente de la longitud del texto o el formato de salida. No hay costos ocultos por el procesamiento de la síntesis.

Sin costes mensuales fijos

Elimine las barreras de entrada con la ausencia de planes mensuales, suscripciones o gastos mínimos. Puede iniciar con la prueba gratuita de $0.50 (válida 7 días al iniciar sesión con Google) y escalar solo cuando sea necesario. No existen cargos por inactividad.

Pago con USDT TRC-20

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20), con un mínimo de $5. El saldo se acredita automáticamente en minutos y no caduca. No se aceptan tarjetas, PayPal ni facturas con IVA, simplificando la contabilidad para desarrolladores independientes.

Precios para desarrolladores

Demostración en tiempo real

Ilustración de onda de sonido para: Demostración en tiempo real

La API devuelve archivos de audio directamente tras recibir la solicitud JSON. Las solicitudes se procesan en orden, por lo que bajo carga una solicitud puede esperar en una cola.

Al enviar una frase de prueba, el sistema procesa el texto y retorna el binario de audio en segundos. Este comportamiento confirma que la infraestructura responde en tiempo real, sin latencia perceptible para el usuario final de la aplicación.

Generación de audio inmediata

La respuesta HTTP contiene el archivo de audio generado al instante. No se requiere polling ni conexión WebSocket para recibir el resultado, simplificando la lógica del cliente móvil.

Prueba con texto corto

Las frases breves generan audio en segundos, permitiendo iteraciones rápidas durante el desarrollo. Esto facilita la verificación de voces y formatos sin esperar tiempos prolongados de síntesis.

Verificación de latencia

Las solicitudes se procesan en orden secuencial, por lo que bajo carga puede haber latencia.

Uso en entornos móviles

Ilustración de onda de sonido para: Uso en entornos móviles

La API devuelve archivos de audio optimizados que reducen significativamente el ancho de banda necesario para las aplicaciones móviles. Los formatos como OPUS y MP3 permiten una transmisión rápida sin sacrificar la calidad percibida, lo que es crucial para la experiencia de usuario en conexiones móviles variables.

Consumo eficiente de datos

Los formatos comprimidos como OPUS y MP3 minimizan el tamaño de los archivos descargados por el cliente. Esto resulta en un uso menor de datos móviles y una carga más rápida de la interfaz de la aplicación.

  • OPUS y MP3 para compresión eficiente
  • Tamaños de archivo reducidos
  • Carga rápida en redes móviles

Integración con backend ligero

Al utilizar HTTP estándar, la integración no requiere librerías nativas complejas. El backend puede gestionar las solicitudes de síntesis y devolver el audio directamente al dispositivo móvil mediante peticiones simples.

  • Compatible con HTTP estándar
  • Sin necesidad de SDKs nativos
  • Integración simplificada con servidores

Gestión de límites de tasa

Los límites de tasa de 60 solicitudes por minuto se gestionan mediante el token API. Para aplicaciones de alto volumen, es recomendable implementar lógica de cola en el servidor para evitar errores 429.

  • 60 solicitudes por minuto por clave
  • Gestión de cola recomendada
  • Evitar errores de límite

Ventajas para apps Android

Ilustración de onda de sonido para: Ventajas para apps Android

Integrar AudioClaro en aplicaciones Android es directo: no requiere librerías nativas ni dependencias complejas. Los desarrolladores utilizan HTTP estándar para enviar texto al endpoint y recibir archivos de audio, simplificando la arquitectura del cliente móvil.

La API maneja la infraestructura de síntesis, permitiendo que la app se centre en la experiencia de usuario. La compatibilidad con el formato de solicitud de OpenAI facilita la implementación inicial cambiando la base_url.

Sin SDK nativo necesario

No es necesario instalar SDKs específicos de la plataforma Android. La integración se realiza mediante llamadas HTTP estándar, lo que reduce el tamaño de la aplicación y las dependencias de terceros.

Compatible con HTTP estándar

Toda la comunicación se realiza mediante peticiones POST JSON simples. Esto asegura una compatibilidad universal con cualquier stack de desarrollo móvil que soporte redes básicas, sin necesidad de adaptadores complejos.

Escalabilidad según demanda

Los límites de tasa (60 solicitudes por minuto) son suficientes para la mayoría de los flujos de trabajo móviles, sin necesidad de gestionar servidores propios.

Características técnicas

Ilustración de onda de sonido para: Características técnicas

La API de AudioClaro está diseñada para integraciones robustas en entornos de desarrollo móvil, garantizando seguridad y transparencia en cada solicitud. La autenticación se basa en un único token Bearer activo por cuenta, simplificado para evitar la gestión compleja de credenciales en dispositivos Android o iOS.

El sistema conserva los metadatos de cada petición exclusivamente para fines de facturación y auditoría, sin utilizar el texto ingresado ni el audio generado para entrenamiento de modelos. Esta estructura asegura la trazabilidad de los costos sin comprometer la privacidad de los datos de entrada.

Autenticación con Bearer token

Cada cuenta utiliza una clave única con formato tts-... enviada en el encabezado Authorization: Bearer. Es posible emitir una nueva clave en cualquier momento, lo que invalida inmediatamente la anterior, facilitando la renovación de credenciales en aplicaciones distribuidas.

La API acepta el mismo formato de cuerpo JSON que el endpoint de OpenAI, permitiendo el uso de SDKs oficiales mediante la simple modificación de la base_url a https://api.playuoo.info/v1. Esto reduce la dependencia de bibliotecas propietarias específicas de AudioClaro.

  • Formato estándar Bearer token
  • Invalidación instantánea al regenerar clave
  • Compatibilidad con SDKs de terceros vía base_url

Manejo de errores estandarizado

Las solicitudes que fallan durante la síntesis no generan cargo alguno. Si la API devuelve un error, el crédito se devuelve íntegramente al saldo de la cuenta, asegurando que solo se pague por audio generado con éxito.

Los límites de velocidad (60 solicitudes por minuto por clave) se gestionan mediante respuestas de estado HTTP apropiadas cuando se excede la cuota, permitiendo a las aplicaciones móviles implementar lógica de reintento con retroceso exponencial.

  • Cobro revertido en solicitudes fallidas
  • Límites claros por clave API
  • Estados HTTP estándar para gestión de colas

Metadatos de solicitud conservados

Se almacenan únicamente el timestamp, el número de caracteres procesados y el estado de la solicitud para facturación precisa. El texto original y el archivo de audio resultante no se guardan en nuestros servidores tras la entrega.

Esta retención mínima de datos cumple con los requisitos de eficiencia para aplicaciones móviles que requieren facturación transparente sin mantener volúmenes grandes de historial de audio irrelevante para el usuario final.

  • Metadatos solo para facturación
  • No almacenamiento de audio generado
  • No uso de texto para entrenamiento

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Esto permite rotar credenciales comprometidas sin impacto en la infraestructura, asegurando que solo las claves activas realicen peticiones.

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. LibriVox public-domain audiobooks
  4. OpenAI API reference: create speech
  5. Tether (USDT)
  6. Python documentation
  7. Creative Commons Attribution 4.0
  8. MDN: Web Speech API
  9. TRON developer hub: TRC-20
  10. ISO 639 language codes
  11. FFmpeg documentation
  12. W3C WAI: making audio and video accessible

Más en este sitio