BroadRouter

Texto a voz (TTS, text-to-speech)

Actualizado

Texto a voz (TTS), o síntesis de voz, convierte texto escrito en audio hablado. Una API de TTS recibe un texto, una voz y un formato de salida como MP3 o WAV, y devuelve voz generada. Es lo contrario de voz a texto, que convierte audio en texto.

También llamado: texto a voz, síntesis de voz, conversión de texto a voz, voz sintética, TTS, text to speech, text-to-speech, speech synthesis

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.

Preguntas frecuentes

¿BroadNet Inference ofrece texto a voz?

No. BroadNet documenta dos endpoints, chat completions y transcripción de audio. No hay /v1/audio/speech. Use un proveedor de TTS aparte si su app debe hablar.

¿Qué es SSML?

Speech Synthesis Markup Language, una Recomendación del W3C (versión 1.1, 2010). Es XML que controla la pronunciación, las pausas, el tono, la velocidad y los cambios de idioma en la voz sintetizada. El soporte varía según el proveedor de TTS.

¿Tengo que avisar a los usuarios de que una voz está generada por IA?

Las políticas de uso de OpenAI, tal como las cita su guía de TTS, exigen informar con claridad que la voz está generada por IA. Revise los términos de su propio proveedor y la legislación local.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity