Integración de voz natural para chatbots y asistentes virtuales

Por Equipo editorial de VozBot API · Actualizado 2026-11-18

VozBot API es una solución de texto a voz diseñada para que las startups integren voces naturales en sus asistentes virtuales y chatbots. Ofrecemos una API REST simple y económica, compatible con los SDKs de OpenAI, para automatizar la generación de audio sin complicaciones técnicas ni dependencias de infraestructura compleja.

En esta página encontrarás una guía práctica para comenzar: desde la selección de voces y soportes multilingües hasta la integración técnica paso a paso. Exploraremos casos de uso para chatbots, IVR y aplicaciones móviles, junto con precios transparentes y detalles sobre rendimiento y licencias.

Integración de voz natural para chatbots y asistentes virtuales

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es un servicio en la nube que convierte texto en archivos de audio mediante una solicitud POST. Envías el texto y recibes el audio generado. Es ideal para integrar voz en chatbots y asistentes, automatizando la generación de audio sin necesidad de infraestructura compleja ni conocimientos técnicos avanzados.

¿Cómo funciona la inteligencia artificial en la síntesis de voz?

Nuestra API utiliza motores de síntesis para procesar el texto y generar audio. Cada archivo generado contiene una marca de agua invisible que lo identifica como voz sintética. Los modelos tts-1 y tts-1-hd comparten el mismo motor y precio, ofreciendo resultados consistentes para tus aplicaciones.

¿Qué diferencia hay entre tts-1 y tts-1-hd?

No hay diferencia técnica ni de precio entre ambos modelos. Utilizan el mismo motor de síntesis y tienen el mismo costo por carácter. Puedes elegir cualquiera de los dos en tus solicitudes API sin afectar la calidad del audio ni el precio final de tu factura.

¿Cuántos idiomas soporta la API?

La API soporta 23 idiomas, incluyendo inglés, español, alemán, japonés y chino. Cualquier voz puede hablar cualquier idioma de la lista. Si no especificas el código ISO, el sistema infiere el idioma basado en el script (el texto en latín se asume como inglés por defecto), por lo que se recomienda establecerlo explícitamente para textos en latín que no sean inglés.

¿Puedo usar la API con el SDK oficial de OpenAI?

Sí. La API es compatible con el SDK oficial de OpenAI. Solo necesitas cambiar la base_url a https://api.99bdcasino.com/v1 y usar tu clave de API. Esto permite integrar fácilmente la generación de voz en tus aplicaciones existentes sin modificar la estructura de las solicitudes.

¿Qué formatos de audio están disponibles?

Puedes solicitar audio en los formatos mp3, wav, opus, flac o pcm. Estos formatos cubren la mayoría de las necesidades de integración en chatbots y asistentes de voz. El formato se especifica en el campo response_format de tu solicitud JSON a la API.

¿Cómo se mide el consumo de caracteres?

El consumo se basa en el número de caracteres del texto enviado, incluyendo espacios y puntuación. El precio es de $0.01 por cada 1.000 caracteres. Cada solicitud puede contener hasta 4096 caracteres. Si el texto es más largo, debes dividirlo y unir los audios resultantes.

¿Qué ocurre si falla una solicitud de audio?

Si la síntesis falla, no se cobra el importe. El cargo se devuelve íntegramente a tu saldo. Esto garantiza que solo pagues por el audio generado con éxito. Las solicitudes fallidas no consumen tu límite de caracteres ni afectan tu facturación final.

¿Es necesario pagar una suscripción mensual?

No. No hay planes mensuales, asientos ni gasto mínimo. Pagas solo por los caracteres que consumes. El saldo no caduca y puedes recargar cuando quieras. No hay facturas con IVA ni pagos recurrentes automáticos, lo que simplifica la gestión de costes para startups.

¿Cómo se realiza el pago con USDT?

Los recargos se realizan mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5. El saldo se acredita automáticamente en minutos tras la transferencia. No aceptamos tarjetas, PayPal ni suscripciones. Este método permite recargas rápidas y sin intermediarios bancarios tradicionales.

¿Las voces son clonaciones personalizadas?

No. Ofrecemos 8 voces predefinidas basadas en grabaciones con licencia (LibriTTS-R y LibriVox). No ofrecemos clonación de voz personalizada ni subida de audio propio. Las voces son fijas y no se pueden modificar ni personalizar para cada cliente, manteniendo la simplicidad de la integración.

¿Se almacena el texto que envío?

El texto se usa únicamente para generar el audio y no se utiliza para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena. Solo conservamos metadatos de la solicitud (hora, caracteres, estado) para fines de facturación y control de uso.

¿Cuántas solicitudes puedo hacer por minuto?

El límite es de 60 solicitudes por minuto por clave. Antes del primer recargo, el límite es de 10 solicitudes por minuto. Las solicitudes se procesan en orden, por lo que bajo carga pueden esperar en cola. La velocidad típica es de 25 caracteres por segundo.

¿Qué voces son recomendables para chatbots?

Para chatbots, recomendamos voces claras y naturales como aria (narradora clara), nova (alegre) o milo (conversacional). Atlas es útil para noticias, mientras que luna es ideal para historias. Elige según el tono de tu marca: desde informativo hasta cercano y amigable para el usuario.

Primera solicitud

curl

curl https://api.99bdcasino.com/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

¿Qué es VozBot API?

Ilustración de onda de sonido para: ¿Qué es VozBot API?

VozBot API es una solución de texto a voz diseñada para que las startups integren voces naturales en sus asistentes virtuales. Proporcionamos una API REST simple que elimina la complejidad técnica, permitiendo convertir texto en audio con solo unas pocas líneas de código.

La infraestructura está optimizada para la automatización, entregando archivos de audio sin necesidad de gestionar servidores de streaming o formatos personalizados. Es la base técnica para dar voz a tus aplicaciones de manera escalable.

API REST para integración rápida

Envía texto y recibe un archivo de audio mediante un endpoint POST estándar. Solo necesitas pasar el texto (hasta 4096 caracteres) y seleccionar la voz deseada. La respuesta devuelve el audio listo para reproducirse en tu interfaz.

El proceso es directo: autentica con tu clave API, define el modelo y el formato de salida, y obtén el resultado. No hay configuraciones complejas de infraestructura ni dependencias pesadas.

Compatible con SDKs de OpenAI

Si ya utilizas el SDK de OpenAI, la integración es mínima. Solo necesitas cambiar la base_url a https://api.99bdcasino.com/v1 y usar tu propia clave de API.

Esto permite reutilizar la lógica de cliente que ya tengas implementada, reduciendo el tiempo de desarrollo y los costos de adaptación para equipos técnicos.

Ideal para asistentes virtuales

Las respuestas generadas son naturales y fluidas, mejorando la experiencia de usuario en chatbots y asistentes de voz. La capacidad de ajustar la velocidad (0.25x a 4.0x) permite adaptar la entrega a diferentes contextos de conversación.

Al no requerir almacenamiento permanente ni streaming complejo, es ideal para aplicaciones que necesitan generar audio bajo demanda.

Voces naturales para tus aplicaciones

Ilustración de onda de sonido para: Voces naturales para tus aplicaciones

Elige entre ocho presets de voz diseñados para distintos contextos de comunicación digital. Cada preset ofrece una voz única, generada a partir de grabaciones licenciadas, que se integra perfectamente en tu asistente virtual o chatbot.

8 presets de voz disponibles

Selecciona entre ocho configuraciones predefinidas que cubren desde narradores cálidos hasta voces profundas para documentales. Esta variedad permite adaptar el tono de tus respuestas automáticas según el contexto específico de la interacción con el usuario.

  • Aria, Nova, Luna y Sage (femeninas)
  • Felix, Milo, Atlas y Orion (masculinas)

Voces masculinas y femeninas

Nuestra biblioteca incluye cuatro voces femeninas y cuatro masculinas, todas basadas en grabaciones de dominio público y licencias claras. Puedes alternar entre estas voces para mantener el interés del usuario o asignar una voz específica a cada rol dentro de tu aplicación.

Estilos variados: narrador, noticiero, promocional

Cada voz tiene un estilo distintivo: desde la claridad narrativa de Aria hasta la energía promocional de Felix. Esto permite diferenciar auditivamente las respuestas del sistema de las notificaciones informativas, mejorando la experiencia de usuario sin necesidad de ingeniería de voz compleja.

Voces naturales para tus aplicaciones

Soporte multilingüe completo

Ilustración de onda de sonido para: Soporte multilingüe completo

VozBot API soporta 23 idiomas, desde inglés y español hasta árabe, chino y japonés. Puedes generar audio en cualquier combinación de voz e idioma sin restricciones específicas de región.

23 idiomas disponibles

La API incluye soporte nativo para 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 pronunciar cualquiera de estos idiomas con la misma calidad.

  • Árabe, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco, turco

Detección automática o forzada

Si no especificas el campo language, el sistema infiere el idioma basado en el script del texto (el texto en latín se asume como inglés por defecto). Para textos en otros idiomas con caracteres latinos, debes establecer el código ISO explícitamente para evitar errores de pronunciación.

Soporte para scripts latinos y no latinos

El motor maneja correctamente caracteres no latinos como cirílico, árabe, hebreo, devanagari, han (chinos) y kana/kanji (japoneses). Idiomas como vietnamita, tailandés, indonesio, ucraniano, rumano, checo, bengalí y otros no están soportados.

Formatos de audio flexibles

Ilustración de onda de sonido para: Formatos de audio flexibles

Nuestro endpoint de síntesis permite especificar el formato de salida directamente en la solicitud JSON. Puedes elegir entre MP3, WAV, OPUS, FLAC o PCM según las necesidades de tu aplicación o las limitaciones del cliente final.

MP3, WAV, OPUS, FLAC, PCM

Selecciona el codec que mejor se adapte a tu infraestructura. El formato MP3 ofrece una buena compresión para la web, mientras que WAV o FLAC son ideales para procesamiento posterior o alta fidelidad. El formato PCM proporciona datos de audio sin comprimir.

Calidad estándar y alta definición

Los modelos 'tts-1' y 'tts-1-hd' utilizan el mismo motor y tienen el mismo precio. Ambos utilizan el mismo motor de síntesis y tienen el mismo precio, permitiéndote equilibrar calidad y velocidad según el contexto de tu chatbot.

Velocidad ajustable (0.25x - 4.0x)

Ajusta la velocidad de habla entre 0.25 y 4.0 para optimizar la experiencia del usuario. Esto es útil para adaptar la voz del asistente a diferentes contextos, desde explicaciones detalladas hasta respuestas rápidas en interfaces móviles.

Integración técnica sencilla

Ilustración de onda de sonido para: Integración técnica sencilla

La integración de VozBot API es directa y sigue estándares ampliamente adoptados, permitiendo a los equipos de desarrollo conectar sus chatbots o asistentes de voz sin necesidad de protocolos complejos o adaptadores personalizados.

Endpoint POST estándar

Envía texto y recibe audio mediante una solicitud POST a https://api.99bdcasino.com/v1/audio/speech con un cuerpo JSON. El formato es idéntico al endpoint de speech de OpenAI, por lo que puedes usar los SDKs oficiales simplemente cambiando la base_url a https://api.99bdcasino.com/v1.

Autenticación con API Key

Incluye tu clave única en el encabezado de la solicitud: Authorization: Bearer tts-.... Esta clave se gestiona desde tu panel en /get-api-key/, donde también puedes revisar tu saldo y emitir una nueva clave si es necesario, revocando la anterior instantáneamente.

Manejo de errores y límites claros

Tienes un límite de 60 solicitudes por minuto por clave (10 antes del primer recargo). Si la síntesis falla, la carga se devuelve íntegramente. Si necesitas procesar textos largos, simplemente divídelos en fragmentos de máximo 4096 caracteres y une los archivos de audio resultantes.

  • 60 req/min por clave (10 iniciales)
  • Error = reembolso completo
  • Límite de input: 4096 caracteres
Integración técnica sencilla

Casos de uso para startups

Ilustración de onda de sonido para: Casos de uso para startups

VozBot API permite a las startups integrar voz natural en sus productos digitales sin complejidades técnicas. Al utilizar una API REST compatible con los SDKs de OpenAI, puedes automatizar la generación de audio para mejorar la experiencia de usuario en tus asistentes y aplicaciones.

La solución es ideal para proyectos que necesitan escalar rápidamente, ofreciendo un control directo sobre el tono y el idioma sin depender de infraestructuras de voz predefinidas o costosas.

Notificaciones de chatbots

Convierte las respuestas de texto de tu chatbot en audio instantáneo. Esto permite a los usuarios consumir la información mientras realizan otras tareas, mejorando la accesibilidad y la retención del mensaje.

Envía notificaciones de voz en aplicaciones móviles o web cuando se actualiza el estado de una solicitud o se confirma una acción, sin necesidad de que el usuario mire la pantalla.

  • Respuestas de voz automáticas en flujos conversacionales
  • Notificaciones de estado de pedidos o reservas
  • Mejora de accesibilidad para usuarios con discapacidad visual

Respuestas de voz en IVR

Genera menús de voz dinámicos para sistemas de respuesta de voz interactiva (IVR). A diferencia de los archivos de audio estáticos, puedes actualizar las opciones del menú simplemente cambiando el texto de entrada en la API.

Reduce los costos de producción de contenido de voz al eliminar la necesidad de estudiarios de grabación para cada pequeño cambio en las opciones del menú.

Ofrece una experiencia más natural y moderna para los clientes que llaman a tu servicio de atención, manteniendo un tono consistente con tu marca.

  • Menús de voz dinámicos y actualizables al instante
  • Reducción de costos de producción de audio estático
  • Experiencia de usuario más fluida y moderna

Contenido generado para apps móviles

Integra narración de texto a voz en tus aplicaciones móviles para audiocortos, lecciones educativas o historias interactivas. Soporta 23 idiomas y múltiples formatos de audio para adaptarse a diferentes necesidades de almacenamiento y calidad.

Aprovecha la API para generar contenido de audio bajo demanda, permitiendo que los usuarios elijan su idioma preferido o ajusten la velocidad de reproducción según sus necesidades.

La generación es aproximadamente en tiempo real para textos largos, aunque las frases cortas pueden tardar unos segundos.

  • Generación de audiocortos y lecciones educativas
  • Soporte multilingüe con 23 idiomas disponibles
  • Generación bajo demanda para contenido interactivo

Precios transparentes y escalables

Ilustración de onda de sonido para: Precios transparentes y escalables

VozBot API ofrece un modelo de facturación directo y predecible: pagas únicamente por los caracteres que procesas, a razón de $10 por cada millón de caracteres (equivalente a $0.01 por cada 1.000 caracteres). Los espacios y la puntuación cuentan como caracteres, lo que simplifica el cálculo de costos sin sorpresas.

Pago por caracteres consumidos

El costo es fijo y transparente: $0.01 por cada 1.000 caracteres. Si una solicitud de síntesis falla, la cantidad correspondiente se devuelve íntegramente, por lo que no pagas por intentos inutilizados.

Sin cuotas mensuales fijas

No existen planes mensuales ni mínimos de gasto. No hay cargos por asientos de usuario ni por mantenimiento de la cuenta. El saldo no expira, permitiéndote usar la API a tu propio ritmo sin presión de tiempo.

Prueba gratuita disponible

Al registrarte con Google, recibes $0.50 de crédito (aproximadamente 50.000 caracteres) válidos por 7 días. Las cuentas creadas con correo y contraseña comienzan sin crédito de prueba. Puedes recargar vía USDT (TRC-20) con un mínimo de $5.

Rendimiento y limitaciones

Ilustración de onda de sonido para: Rendimiento y limitaciones

La generación de audio es aproximadamente en tiempo real para textos largos (25 caracteres por segundo). Las frases cortas pueden tardar unos segundos.

Generación en tiempo casi real

El tiempo de respuesta varía según la longitud del texto. Para textos largos, la velocidad se acerca al tiempo real, procesando aproximadamente 25 caracteres por segundo.

Límites de tasa por clave

Cada clave API tiene un límite de 60 solicitudes por minuto. Antes de la primera recarga, el límite es de 10 solicitudes por minuto.

Procesamiento secuencial bajo carga

Las solicitudes se procesan en orden. Si hay mucha carga, una solicitud puede esperar en la cola antes de generarse.

Los fallos en la síntesis no tienen costo y el cargo se devuelve íntegramente.

Rendimiento y limitaciones

Política de datos y licencias

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

VozBot API utiliza tu texto únicamente para generar el audio solicitado. Los datos de entrada no se almacenan ni se utilizan para entrenar nuestros modelos, garantizando que tu información permanezca confidencial durante el proceso de síntesis.

El archivo de audio generado se devuelve directamente en la respuesta y no se conserva en nuestros servidores tras la entrega. Solo conservamos los metadatos de la solicitud (tiempo, caracteres y estado) estrictamente para fines de facturación y control de límites.

Texto no usado para entrenamiento

El texto que envías a la API se procesa en tiempo real para crear la pista de audio. Una vez entregado, no se archiva ni se alimenta a bases de datos de entrenamiento de modelos de IA.

Audio no almacenado tras la entrega

A diferencia de otros servicios, no guardamos copias de tus audios generados. El archivo se transmite a tu aplicación y desaparece de nuestro entorno inmediato, asegurando privacidad total para tus usuarios finales.

Voces basadas en libros públicos

Las 8 voces disponibles provienen de grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Nuestra IA entiende el contexto como un humano, ofreciendo respuestas precisas y fluidas.

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. Creative Commons Attribution 4.0
  4. Tether (USDT)
  5. OpenAI API reference: create speech
  6. MDN: Web Speech API
  7. TRON developer hub: TRC-20
  8. curl documentation
  9. Node.js documentation
  10. LibriVox public-domain audiobooks
  11. openai-python on GitHub
  12. LibriTTS-R corpus (OpenSLR 141)

Más en este sitio