Preguntas frecuentes
¿Cuál es la mejor voz para un asistente de voz?
No existe una voz única ideal; la elección depende del tono de tu asistente. Aria (narradora clara) o Sage (instruccional) son ideales por su claridad. Si buscas un enfoque más conversacional, Milo es una opción adecuada, mientras que Felix aporta energía para promociones. Todas las voces soportan los 23 idiomas disponibles, permitiendo adaptar la personalidad de tu chatbot o asistente de voz a las necesidades específicas de tu startup.
¿Qué diferencia hay entre Aria y Nova?
Aria es una voz femenina descrita como cálida y clara, ideal para narración. Nova es femenina, brillante y con energía optimista. Ambas son presets disponibles en la API. La diferencia radica en su tono: Aria es más serena y Nova más enérgica, pero comparten el mismo motor de síntesis y precio.
¿Es mejor la voz masculina o femenina para chatbots?
No hay superioridad inherente. Las voces masculinas como Milo (amigable) o Atlas (neutral) funcionan bien para chatbots. Atlas es específico para noticias, mientras Milo es conversacional. La elección depende de la identidad de marca. Todas las voces pueden hablar cualquier idioma soportado, independientemente de su género.
¿Puedo mezclar voces en una sola respuesta?
No. Cada solicitud a la API genera audio con una sola voz especificada en el campo voice. Para mezclar voces, debes realizar múltiples solicitudes de texto y unir los archivos de audio resultantes manualmente o mediante tu backend. La API no soporta mezcla nativa en una única respuesta.
¿Las voces suenan robóticas?
Las voces son naturales, basadas en grabaciones con licencia de LibriTTS-R y lecturas de dominio público de LibriVox. Sin embargo, cada archivo generado lleva una marca de agua inaudible que lo identifica como voz sintética. No son imitaciones de personas reales, pero ofrecen alta calidad para integración en aplicaciones.
¿Qué voz es mejor para instrucciones técnicas?
Sage es la opción recomendada, descrita específicamente como calma e instruccional. Su tono claro y directo facilita la comprensión de pasos técnicos. Atlas también es neutral y adecuado para información factual, pero Sage está optimizado para guías y explicaciones estructuradas, garantizando claridad en la transmisión de datos complejos.
¿Cómo afecta la velocidad a la claridad?
Puedes ajustar la velocidad entre 0.25 y 4.0. Aumentarla acelera la generación pero puede reducir la claridad si excede la capacidad de procesamiento del usuario. Disminuirla hace la voz más pausada. La velocidad no afecta el precio ni el formato, solo la duración y percepción auditiva del audio generado.
¿Son todas las voces adecuadas para clientes?
Sí, todas las 8 voces son aptas para interacciones con clientes. Desde la calidez de Aria hasta la neutralidad de Atlas, cada preset ofrece un tono profesional. La elección depende del contexto: Milo para conversación, Luna para historias. No hay voces restrictivas; todas son válidas para uso comercial en chatbots.
¿Puedo usar una voz para noticias y otra para saludos?
Sí, pero no en la misma respuesta. Debes enviar dos solicitudes separadas: una con Atlas (neutral, noticias) y otra con Milo o Aria (saludos). Luego, une los archivos de audio resultantes en tu aplicación. Cada solicitud tiene un límite de 4096 caracteres y genera un archivo de audio independiente.
¿Hay voces más económicas que otras?
No. Todas las voces utilizan el mismo motor de síntesis. Los modelos tts-1 y tts-1-hd tienen el mismo precio. El costo es de $10 por millón de caracteres, independientemente de la voz seleccionada (Aria, Nova, Luna, Sage, Felix, Milo, Atlas o Orion). El precio es uniforme.
¿Qué voz usa menos caracteres para la misma longitud?
Todas las voces consumen la misma cantidad de caracteres por longitud de texto. El cobro se basa estrictamente en los caracteres de entrada (hasta 4096 por solicitud), no en la duración del audio o la voz elegida. Un texto de 100 caracteres siempre costará lo mismo, independientemente de la voz.
¿Las voces funcionan bien en llamadas telefónicas?
Sí, puedes generar audio en formatos como MP3, WAV, OPUS, FLAC o PCM, adecuados para telefonía. La claridad depende de la voz y la velocidad. Recuerda que el audio se genera bajo demanda; no hay streaming en tiempo real. Para llamadas, genera el audio con antelación o usa formatos ligeros.
¿Puedo usar la voz de Atlas para un bot de ventas?
Sí, Atlas es neutral y adecuado para noticias, pero Felix es más energético y promocional, lo que podría ser mejor para ventas. Atlas ofrece un tono objetivo. Si buscas persuasión o energía, Felix es preferible. Atlas funciona bien si prefieres un tono informativo y directo sin sesgo emocional marcado.
¿Cómo elijo entre tts-1 y tts-1-hd según la voz?
La elección del modelo (tts-1 o tts-1-hd) es independiente de la voz. Ambos usan el mismo motor y tienen el mismo precio. Puedes seleccionar cualquiera de las 8 voces con cualquiera de los dos modelos. La decisión depende de tus necesidades de calidad, ya que el precio es idéntico.
Criterios de selección para chatbots
Al integrar voces en asistentes virtuales, la prioridad es la legibilidad auditiva. El usuario debe comprender la respuesta sin esfuerzo cognitivo, lo que exige una dicción precisa y una articulación clara.
El tono debe alinearse con la función del bot. Un tono amigable facilita la interacción social, mientras que uno neutral transmite información objetiva sin sesgos emocionales innecesarios.
Claridad y dicción
La claridad es fundamental para la retención de usuarios en chatbots de voz. Voces como Aria (narradora clara) o Milo (conversacional) ofrecen una articulación natural que reduce la carga cognitiva del oyente.
- Aria: dicción clara y cálida, ideal para instrucciones generales.
- Milo: tono conversacional que suena natural en diálogos cortos.
Tono amigable vs neutral
La elección entre un tono cálido y uno neutral depende del contexto de uso. Para asistentes de servicio al cliente, la amabilidad de Nova o Luna puede mejorar la percepción de la marca. En cambio, para notificaciones de estado o noticias, Atlas ofrece una neutralidad que evita distracciones emocionales.
- Amigable: Nova (brillante) o Luna (suave) para engagement.
- Neutral: Atlas (informativo) para datos objetivos sin sesgo.
Tiempo de generación
El tiempo de respuesta afecta directamente la experiencia de usuario. El texto se genera a una velocidad aproximada de 25 caracteres por segundo de audio. Para textos largos, el sistema divide la entrada en partes de hasta 4096 caracteres, lo que puede añadir latencia si hay cola de procesamiento bajo carga.
- Velocidad típica: ~25 caracteres de texto por segundo de audio.
- Limitación: Textos >4096 caracteres se dividen y unen, aumentando el tiempo total.
Voces femeninas: Aria, Nova, Luna, Sage
Las voces femeninas de VozBot API cubren cuatro perfiles esenciales para asistentes virtuales. Cada preset está diseñado para un contexto específico, desde la narración hasta la instrucción técnica, garantizando consistencia acústica en tus chatbots.
Aria: Narradora clara y cálida
Aria ofrece un tono cálido y claro que facilita la comprensión en diálogos largos. Es ideal para asistentes que requieren una conexión empática sin resultar intrusivos.
- Frecuencia media equilibrada
- Ideal para narración de guiones
Nova: Tono brillante y energético
Nova destaca por su claridad y vitalidad, perfecta para interfaces que requieren atención inmediata. Su tono brillante mantiene al usuario enganchado en interacciones rápidas de servicio al cliente.
- Alta energía perceptible
- Óptimo para onboarding
Luna: Suave para historias y calma
Luna proporciona una voz suave que reduce la carga cognitiva. Es la opción preferida para bots de bienestar o lecturas prolongadas donde la monotonía puede ser un problema.
- Voz relajante
- Reduce fatiga auditiva
Sage: Calma para instrucciones
Sage está optimizada para la entrega de información técnica o pasos a seguir. Su tono calmado y directo minimiza malentendidos en la ejecución de tareas por parte del usuario.
- Claridad instruccional
- Voz neutral y profesional
Voces masculinas: Felix, Milo, Atlas, Orion
Las voces masculinas de VozBot API ofrecen distintas personalidades para encajar en la personalidad de tu bot. Cada voz está diseñada para un contexto específico, desde la energía de las ventas hasta la neutralidad informativa, garantizando que la interacción suene natural y adecuada para tu audiencia.
Felix: Energético para promociones
Felix aporta un tono dinámico y entusiasta, ideal para bots que deben captar la atención rápidamente. Su voz es perfecta para anuncios, ofertas limitadas o recordatorios de acciones urgentes en tu aplicación.
- Tono alto y rápido
- Ideal para conversiones rápidas
- Genera sensación de urgencia positiva
Milo: Conversacional y amigable
Milo está optimizado para diálogos naturales y fluidos. Su voz cálida y cercana reduce la frialdad de la interacción máquina-usuario, siendo la opción principal para asistentes de atención al cliente o chatbots de ventas.
- Estilo coloquial y accesible
- Reduce la carga cognitiva del usuario
- Perfecto para conversaciones prolongadas
Atlas: Neutral para noticias
Atlas ofrece una voz clara, sin rasgos emocionales marcados, ideal para la transmisión de información factual. Es la elección estándar para bots de noticias, actualizaciones de estado o lecturas de datos donde la objetividad es clave.
- Clara y profesional
- Sin sesgo emocional
- Alta legibilidad de datos
Orion: Profundo para documentales
Con una voz grave y serena, Orion aporta autoridad y calma. Es adecuado para explicaciones detalladas, guías paso a paso o contenidos de mayor duración donde se requiere una presencia sonora estable y confiable.
- Voz grave y estable
- Ideal para contenido largo
- Transmite confianza y calma
Uso de voces en diferentes contextos
La elección de la voz en un chatbot depende del contexto comunicativo. No es lo mismo una respuesta de soporte que una actualización de estado, ya que cada interacción requiere un tono específico para mantener la claridad y la naturalidad.
Asistentes de servicio al cliente
Para interacciones conversacionales, la voz Milo resulta ideal por su tono amigable y cercano. Facilita la resolución de dudas sin que la respuesta suene robótica, manteniendo una dinámica natural que mejora la experiencia del usuario.
- Milo para preguntas frecuentes y guías paso a paso
Notificaciones de estado de pedido
Atlas ofrece una neutralidad perfecta para notificaciones automáticas. Su voz clara y directa transmite información sin añadir carga emocional innecesaria, ideal para confirmar envíos o actualizaciones de estado en tiempo real.
- Atlas para confirmaciones de envío y alertas de estado
Lecturas de noticias o actualizaciones
Sage es la opción adecuada para lecturas informativas o resúmenes. Su tono calmado y estructurado permite que la audiencia absorba datos complejos sin fatiga auditiva, garantizando una transmisión clara de la información.
- Sage para resúmenes de noticias y actualizaciones institucionales
Consideraciones técnicas de las voces
Las voces de VozBot API están basadas en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Esta base garantiza una calidad de audio consistente y natural, eliminando la necesidad de entrenar modelos desde cero para cada integración en asistentes virtuales.
Base en grabaciones licenciadas
Al utilizar muestras de dominio público y licencias claras, la API ofrece un sonido profesional sin complejidades técnicas adicionales. Esto asegura que el audio generado tenga una estructura acústica uniforme, ideal para la integración rápida en chatbots y asistentes de voz.
Marca de agua sintética inaudible
Cada archivo de audio generado incluye una marca de agua inaudible que identifica el contenido comospeech sintético. Esta característica es transparente para el usuario final pero útil para la gestión de derechos y la verificación del origen del audio en tus aplicaciones.
Consistencia en la calidad del audio
Dado que las voces son presets basados en grabaciones específicas, la calidad del audio se mantiene constante entre solicitudes. No hay variaciones aleatorias en la entonación o el timbre, lo que facilita la creación de una identidad de voz estable para tu producto.
Selección por idioma
VozBot API soporta 23 idiomas, permitiendo que cualquier voz genere audio en cualquiera de ellos sin restricciones de asignación. Esto simplifica la internacionalización de asistentes virtuales al eliminar la necesidad de gestionar múltiples modelos por idioma.
Todas las voces hablan los 23 idiomas
Las voces son independientes del idioma. Puedes usar a Aria para japonés o a Milo para alemán con la misma calidad. Si no especificas el campo language, el sistema detecta el guion; para texto latino no inglés, debes definirlo explícitamente para evitar predicciones incorrectas.
- Idiomas: Árabe, Chino, Danés, Holandés, Inglés, Finés, Francés, Alemán, Griego, Hebreo, Hindi, Italiano, Japonés, Coreano, Malayo, Noruego, Polaco, Portugués, Ruso, Español, Suajili, Sueco, Turco.
Ajuste de velocidad por idioma
La velocidad se ajusta mediante el parámetro speed (0.25–4.0), aplicable globalmente. No hay ajustes automáticos por idioma. La generación tarda aproximadamente 25 caracteres por segundo en texto largo, aunque frases cortas pueden tardar unos segundos debido a la cola de procesamiento.
Prueba de acentos y pronunciación
Las voces tienen un acento natural basado en sus grabaciones base (LibriTTS-R y LibriVox). Para probar la pronunciación, envía textos cortos al endpoint POST /v1/audio/speech. Usa la prueba gratuita de 0,50 $ para validar cómo las voces interpretan términos específicos de tu sector.
Ejemplos de combinaciones exitosas
La selección de voz debe alinearse con la intención específica de cada módulo del bot. Combinar características vocales con el contexto de uso mejora la comprensión y reduce la fatiga auditiva del usuario final.
Milo para chatbots de ventas
Milo ofrece un tono conversacional y amigable, ideal para mantener la atención durante transacciones. Su naturalidad facilita la lectura de precios y confirmaciones de pedido sin sonar robótico.
- Uso recomendado: confirmaciones de carrito y pasarela de pago
Atlas para bots de noticias
Atlas proporciona una voz neutral, perfecta para la transmisión objetiva de datos. Su claridad asegura que la información crítica se interprete sin sesgos emocionales, manteniendo la seriedad del servicio.
- Uso recomendado: alertas de estado y resumen de noticias
Luna para bots de bienestar
Luna transmite calma mediante un tono suave, adecuado para recordatorios de meditación o salud. Su narrativa relajada ayuda a reducir la ansiedad del usuario al recibir notificaciones periódicas.
- Uso recomendado: recordatorios de medicamentos y sesiones de calma

Limitaciones a considerar
El motor de voz unifica las características fundamentales en cada solicitud, lo que simplifica la integración pero limita la expresividad dinámica. No existen etiquetas de emoción ni marcadores que permitan modular el tono de la voz en tiempo real.
Esta uniformidad es suficiente para la mayoría de los asistentes virtuales estándar, pero puede resultar insuficiente si tu chatbot requiere una prosodia muy específica que varíe frase por frase sin intervención manual.
Sin variación de emociones por tag
Cada voz mantiene su personalidad predefinida (por ejemplo, Aria es siempre una narradora clara y cálida, mientras que Felix mantiene un tono energético para promociones). No puedes añadir etiquetas como <happy> o <sad> para alterar la entonación de una frase concreta dentro de la misma solicitud.
Sin clonación personalizada
Las ocho voces son fijas y provienen de grabaciones licenciadas (LibriTTS-R y LibriVox). No ofrecemos la capacidad de subir tu propio audio para crear una voz personalizada ni de clonar la voz de un empleado o celebridad. Si necesitas una voz distinta a las ocho disponibles, no es posible mediante esta API.
- Voces predeterminadas fijas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion.
Sin SSML para matices finos
La API acepta texto plano y campos estándar de la solicitud. No procesa etiquetas SSML (Speech Synthesis Markup Language), por lo que no puedes controlar pausas precisas, énfasis en palabras específicas o velocidad variable dentro de un mismo fragmento. Si necesitas control fino de la prosodia, deberás gestionar las pausas dividiendo el texto en múltiples solicitudes.
Cómo probar las voces antes de decidir
Antes de integrar una voz en producción, utiliza los $0.50 de crédito gratuito al registrarte con Google. Este saldo permite generar aproximadamente 50,000 caracteres durante 7 días, suficiente para validar la claridad y el tono sin costo inmediato.
Uso de la prueba gratuita
Regístrate en /get-api-key/ para obtener tu clave API y acceso inmediato. El crédito inicial es ideal para medir la calidad del audio sin compromiso financiero, asegurando que la voz se adapte a tu asistente antes de realizar cualquier top-up.
- Crédito inicial de $0.50 válido por 7 días.
- Acceso completo a todas las voces y formatos.
- No requiere tarjeta de crédito ni compromiso.
Generación de frases de prueba
Envía textos representativos de tu flujo de trabajo, como saludos, confirmaciones de pedido o preguntas frecuentes. La API procesa las solicitudes secuencialmente, por lo que los resultados son consistentes y predecibles, permitiendo evaluar la dicción en contextos reales.
- Prueba frases típicas de tu chatbot o asistente.
- Verifica la naturalidad en preguntas y respuestas.
- Evalúa la integración con tus flujos de diálogo.
Ajuste de parámetros de velocidad
Modula la velocidad entre 0.25 y 4.0 para encontrar el ritmo ideal. Una velocidad más alta puede mejorar la eficiencia en respuestas largas, mientras que una velocidad más baja mejora la claridad en instrucciones complejas. Ajusta este parámetro para cada voz según su tono base.
- Rango de velocidad: 0.25 a 4.0.
- Optimiza para claridad o velocidad según el contexto.
- Prueba diferentes velocidades con la misma voz.
Impacto en la experiencia del usuario
La claridad vocal transforma la interacción con asistentes virtuales. Un audio nítido reduce la ambigüedad y permite que los usuarios comprendan la respuesta sin esfuerzo cognitivo adicional, lo que es crucial en entornos de chatbot donde la atención es limitada.
Retención de usuarios con voz clara
La comprensión inmediata evita la frustración y mantiene al usuario en el flujo de la conversación. Cuando la síntesis de texto a voz es precisa, la confianza en la herramienta aumenta, incentivando un uso más frecuente y prolongado del asistente.
- Interacciones más fluidas y menos interrupciones
- Menor tasa de abandono por confusión auditiva
- Refuerzo de la identidad de marca a través de consistencia sonora
Reducción de carga en texto
El audio permite transmitir información compleja de forma más concisa que grandes bloques de texto. Los usuarios pueden absorber datos clave mientras realizan otras tareas, liberando pantalla y reduciendo la necesidad de lectura activa para entender la respuesta del bot.
Accesibilidad mejorada
La voz hace que el producto sea inclusivo para personas con dificultades visuales o de lectura. Al integrar audio generado por API, los chatbots se vuelven accesibles sin necesidad de componentes externos adicionales, mejorando la experiencia para todos los usuarios.
Costos asociados a la selección de voz
La selección de voz no encarece tu integración. Cada modelo de voz, independientemente de si es masculina o femenina, tiene el mismo costo base. Esto simplifica la gestión de presupuestos en tus chatbots, ya que no necesitas asignar costos variables según la personalidad elegida para cada respuesta.
Tanto el modelo estándar (tts-1) como el de alta definición (tts-1-hd) comparten la misma tarifa por carácter. Esta uniformidad permite predecir gastos con precisión sin sorpresas técnicas al cambiar la calidad del audio.
Mismo precio para todas las voces
El costo por carácter es idéntico para Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Puedes experimentar con diferentes tonos para tus asistentes de voz sin incurrir en penalizaciones de precio, manteniendo la predictibilidad en tus costos.
- Un solo precio por 1 millón de caracteres para todas las voces disponibles.
- Sin costos adicionales por voces premium o especializadas.
Mismo precio para tts-1 y tts-1-hd
La elección entre el modelo estándar y el de alta definición no afecta la facturación. Ambos procesan texto a la misma tarifa de $10 por 1 millón de caracteres. Esta igualdad facilita la decisión técnica sin impacto financiero inmediato.
Optimización de caracteres
Dado que el precio se basa en la longitud del texto, optimizar tus prompts reduce directamente el costo. Recuerda que los espacios y la puntuación cuentan como caracteres. Para textos largos, divide en bloques de 4096 caracteres para evitar errores y mantener la eficiencia del procesamiento.

Conclusión: Recomendación final
La claridad es el factor determinante para que un asistente virtual sea útil. Prioriza la dicción nítida y el ritmo natural por encima de las características estilísticas, ya que una voz comprensible reduce la fricción en la interacción y mejora la retención del usuario.
No asumas qué voz funciona mejor sin validación real. Utiliza la prueba gratuita de 0,50 dólares para generar frases clave y escucha cómo suenan en tu contexto específico antes de integrar la API en producción.
Priorizar claridad sobre estilo
El estilo es secundario si el usuario no entiende lo que dice el bot. Elige voces como Aria o Atlas para garantizar que cada palabra sea percibida correctamente, incluso en entornos con ruido ambiental.
Probar con el público objetivo
Usa los 50.000 caracteres de la prueba para simular interacciones reales. Pide a usuarios potenciales que evalúen si la voz se siente natural o robótica en sus casos de uso diarios.
Iterar basado en feedback real
Monitorea las métricas de interacción después del despliegue. Si los usuarios piden repeticiones o muestran frustración, ajusta la velocidad o cambia la voz asignada sin costo adicional por la diferencia de modelo.
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.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
