Voz a texto escucha. Texto a voz responde. Los asistentes de voz necesitan ambos.
Cómo funciona
Una API de TTS recibe tres cosas: el texto, una voz y un formato de audio. Esta es la forma del ejemplo en Python de la guía de OpenAI:
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Today is a wonderful day to build something people love!",
instructions="Speak in a cheerful and positive tone.",
) as response:
response.stream_to_file("speech.mp3")
Su guía documenta el endpoint /v1/audio/speech, 13 voces integradas y los formatos de salida MP3 (predeterminado), Opus, AAC, FLAC, WAV y PCM, donde PCM son muestras en bruto de 24 kHz y 16 bits sin cabecera. Admite streaming con codificación de transferencia por fragmentos (chunked transfer encoding), de modo que la reproducción puede empezar antes de que termine el archivo, y recomienda WAV o PCM para las respuestas más rápidas. La guía también marca tts-1, tts-1-hd y gpt-4o-mini-tts como obsoletos, con apagado el 6 de enero de 2027. Revise la lista actual de modelos antes de construir sobre uno.
Muchos motores también aceptan SSML, el marcado XML del W3C para síntesis. El elemento raíz <speak> declara version="1.1" y xml:lang. Otros elementos son <break> para pausas, <say-as> para marcar fechas o números, <phoneme> para una pronunciación exacta (por ejemplo, en IPA) y <lang> para una frase en otro idioma:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Por qué importa
- Los productos de voz son pipelines. Un bot de voz es voz a texto, luego un modelo de chat y luego TTS. Cada paso añade latencia y costo, y cada uno puede ser de un proveedor distinto.
- Elección de formato. El formato de salida decide el tamaño y la compatibilidad de reproducción. WhatsApp, por ejemplo, reproduce notas de voz en Ogg Opus.
- Divulgación. OpenAI exige informar a los usuarios finales de que una voz TTS está generada por IA.
En BroadNet Inference
BroadNet no ofrece texto a voz. Su referencia de la API solo documenta POST /v1/chat/completions y POST /v1/audio/transcriptions. Ofrece la dirección contraria: BroadNet Transcribe Arabic y BroadNet Transcribe convierten audio WAV o MP3 en texto, a $0.0042 y $0.002 por minuto. BroadNet tampoco ofrece voz en vivo ni en tiempo real.
Si su producto debe hablar, combine la transcripción y el chat de BroadNet con un proveedor de TTS aparte. Texto, voz y visión muestra qué tareas cubre BroadNet y dónde necesita otro servicio, y el artículo sobre la arquitectura de un chatbot de WhatsApp muestra la parte de notas de voz del pipeline.
Errores comunes
- Confundir TTS con STT. Las APIs de voz a texto no generan audio. Revise la lista de endpoints, no solo la palabra “speech”.
- Suponer que SSML funciona en todas partes. Muchas APIs solo aceptan texto plano o un subconjunto de SSML.