¿Cómo funciona la API de voz en off para videos?

Por Equipo editorial NarradorIA · Actualizado 2026-11-19

Esta página explica cómo la API de NarradorIA sintetiza texto en audio para creadores de contenido en TikTok, Reels y Shorts. Descubre el flujo técnico: envías JSON y recibes archivos de audio listos para editar, sin necesidad de infraestructura compleja.

Ideal para freelancers que buscan escalar la producción de narraciones sin grabar voz. Aquí encontrarás detalles sobre voces, formatos, costes por carácter y la integración directa con tu flujo de trabajo de edición.

¿Cómo funciona la API de voz en off para videos?

Preguntas frecuentes

¿Qué es una IA narrador?

Es una API de texto a voz en la nube. Envías texto y recibes un archivo de audio. Funciona con un endpoint POST similar al de OpenAI, ideal para automatizar narraciones en flujos de trabajo de video sin necesidad de software complejo ni hardware dedicado.

¿Es realista la voz?

Las voces se basan en grabaciones licenciadas (LibriTTS-R, CC BY 4.0) y lecturas de dominio público de LibriVox. Cada archivo generado lleva una marca de agua inaudible que lo identifica como voz sintética. Ofrece claridad y naturalidad adecuada para contenido digital sin imitar celebridades.

¿Puedo usarla en TikTok?

Sí. Generas el audio mediante la API y lo subes a tu video. Es ideal para freelancers que producen Shorts, Reels y TikTok. Puedes usar los 8 presets de voz y ajustar la velocidad para sincronizar la narración con tus clips visuales rápidamente.

¿Tiene marcas de agua?

Sí. Cada archivo de audio generado lleva una marca de agua inaudible que marca el contenido como voz sintética. Esto permite identificar que el audio proviene de nuestra API, pero no afecta la calidad de escucha ni la integración en tus videos.

¿Es mejor que un humano?

Depende del uso. La API es más rápida y escalable para grandes volúmenes de texto. El costo es $0.01 por 1.000 caracteres. No ofrece etiquetas de emoción ni clonación de voz personalizada, pero garantiza consistencia y entrega inmediata mediante código.

¿Cuántos idiomas soporta?

Soporta 23 idiomas: inglés, español, alemán, francés, italiano, portugués, ruso, chino, japonés, coreano, árabe, hindi, turco, polaco, sueco, noruego, danés, finés, holandés, griego, hebreo, malayo y suajili. Si no especificas el idioma, se asume inglés para texto en latín. No soporta vietnamita ni tailandés.

¿Puedo clonar mi voz?

No. No ofrecemos clonación de voz personalizada ni subida de muestras propias. Las voces son 8 presets fijos (como Aria, Nova, Felix) basados en grabaciones licenciadas. Si necesitas una voz específica, debes elegir entre las opciones disponibles en el catálogo de voces.

¿Qué formato de audio es?

Puedes elegir entre mp3, wav, opus, flac o pcm. Estos formatos son estándar y compatibles con la mayoría de editores de video para TikTok y Reels. El formato mp3 es eficiente para tamaño de archivo, mientras que wav ofrece calidad sin pérdida.

¿Necesito conocimientos técnicos?

No es obligatorio, pero ayuda. La API usa un formato JSON estándar similar a OpenAI. Puedes usar la SDK oficial de OpenAI cambiando la base_url. También hay ejemplos curl listos en /get-api-key/. Para no técnicos, se recomienda usar herramientas que consuman HTTP fácilmente.

¿Es legal usarla?

Sí. Las voces se basan en grabaciones con licencia CC BY 4.0 (LibriTTS-R) y dominio público (LibriVox). El texto que envías se usa solo para generar audio y no se entrena con él. Es seguro para contenido comercial en plataformas de video sin riesgos de copyright.

¿Se escucha artificial?

Tiene una calidad alta, pero lleva una marca de agua inaudible que lo identifica como sintético. No imita perfectamente la respiración humana ni tiene variaciones emocionales profundas. Es adecuado para narraciones informativas o promocionales, pero puede sonar menos natural que una voz humana experta.

¿Puedo cambiar la velocidad?

Sí. El parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto es útil para sincronizar la voz con la duración exacta de tus clips de video. Puedes acelerar o ralentizar las voces predefinidas en el rango soportado (0.25–4.0).

¿Qué pasa si me equivoco de voz?

Simplemente realiza otra solicitud con el parámetro voice correcto. No hay penalización por elegir mal la voz antes de la generación. Solo se cobra si la síntesis se completa con éxito. Puedes probar diferentes voces rápidamente para encontrar la que mejor se adapte a tu video.

¿Tiene acentos regionales?

Las voces son presets fijos y no tienen acentos regionales configurables. El idioma se detecta o se especifica, pero la voz mantiene su timbre original. Por ejemplo, la voz 'Aria' suena siempre igual independientemente del idioma. No hay variaciones dialectales más allá del idioma base.

Definición técnica

Ilustración de onda de sonido para: Definición técnica

La API de NarradorIA sintetiza texto en audio mediante un modelo de deep learning. El proceso es completamente en la nube: envías una solicitud JSON y recibes el archivo de audio. No requiere infraestructura local ni gestión de servidores.

La generación es asíncrona. Los textos largos se dividen en fragmentos de hasta 4096 caracteres y se unen al final. Esto permite crear narraciones completas para videos sin límites de longitud arbitrarios, manteniendo la coherencia del audio.

Síntesis de voz

El motor convierte caracteres en ondas sonoras pre-renderizadas. Utiliza modelos de deep learning entrenados con grabaciones licenciadas (LibriTTS-R). No hay síntesis en tiempo real ni streaming de audio parcial.

  • Procesamiento en la nube
  • Modelos de difusión
  • Sin streaming

Proceso de generación

La solicitud se procesa de forma secuencial. Los textos excedentes se dividen automáticamente y se concatenan. La velocidad típica es de aproximadamente 25 caracteres de texto por segundo de audio generado; bajo carga, las peticiones pueden esperar en una cola.

  • División automática >4096 chars
  • Concatenación de audio
  • Procesamiento secuencial

Salida de audio

Recibes un archivo de audio directo en la respuesta. Soporta formatos MP3, WAV, OPUS, FLAC y PCM. Cada archivo contiene una marca de agua inaudible que identifica el contenido como síntesis artificial.

  • MP3, WAV, OPUS, FLAC, PCM
  • Marca de agua inaudible
  • Respuesta directa

Uso en redes sociales

Ilustración de onda de sonido para: Uso en redes sociales

La API de NarradorIA está diseñada para la velocidad de producción que exigen TikTok, Reels y Shorts. Genera narraciones completas en segundos para textos cortos, permitiendo a los creadores de contenido escalar la producción de videos sin depender de sesiones de grabación prolongadas o equipos de estudio.

El flujo es directo: envías el guion y recibes el audio listo para editar. Esta simplicidad técnica elimina la fricción entre la escritura y la publicación, optimizando el tiempo de creación para plataformas donde la frecuencia y la consistencia son claves.

TikTok y Reels

Integra voces profesionales en tus videos sin necesidad de micrófono. La API soporta 23 idiomas, incluyendo español, inglés y otros, adaptándose a audiencias globales o de nicho. Puedes elegir entre 8 estilos vocales distintos para ajustar el tono a cada formato de video.

  • Generación de audio en formato MP3 o WAV, compatibles con cualquier editor de video.
  • Soporte para texto de hasta 4096 caracteres por solicitud, suficiente para la mayoría de los shorts.
  • Velocidad ajustable de 0.25x a 4.0x para sincronizar perfectamente con el ritmo visual.

Contenido viral

La consistencia de la voz ayuda a construir una marca personal reconocible. Al usar siempre el mismo preset (como 'sage' para instructivos o 'nova' para contenido dinámico), los seguidores asocian instantáneamente el audio con tu contenido, aumentando la retención.

La rapidez de síntesis permite iterar rápidamente. Si un guion no funciona, generas una nueva versión en minutos y lo publicas, adaptándote a las tendencias sin retrasos logísticos.

Ahorro de tiempo

Elimina la necesidad de configurar estudios, micrófonos y procesamiento de audio básico. Un freelancer puede producir horas de contenido en una fracción del tiempo que tomaría grabar y editar voces humanas.

El procesamiento es asíncrono y rápido: textos largos se generan en tiempo real aproximado. Esto libera al creador para enfocarse en la edición visual y la estrategia de contenido en lugar de la producción de audio.

Ventajas para creadores

Ilustración de onda de sonido para: Ventajas para creadores

Delega la producción de audio eliminando la necesidad de cabina, micrófono o edición de ruido. Envía el guion y obtienes el archivo listo para editar en segundos.

Sin grabar voz

Elimina la fricción física del proceso creativo. No dependes de tu estado vocal ni de la disponibilidad de un estudio. Genera narraciones completas con solo texto.

  • Sin equipamiento de audio
  • Sin sesiones de grabación
  • Sin edición de respiraciones

Escalabilidad

Procesa cientos de videos simultáneamente. La API maneja la cola de solicitudes mientras tú te enfocas en crear más contenido. Ideal para cuentas multi-cuenta o agencias.

Consistencia

Mantén un tono de voz idéntico en todos tus shorts, reels y tiktoks. La misma voz y velocidad en cada publicación refuerzan tu marca personal sin esfuerzo adicional.

Limitaciones actuales

Ilustración de onda de sonido para: Limitaciones actuales

La API prioriza la simplicidad y la velocidad sobre la personalización fina. Al eliminar capas de complejidad, se mantiene el tiempo de generación cerca del tiempo real y se reduce la latencia en la integración.

Estas restricciones son intencionales para ofrecer un producto estable y predecible, ideal para producción masiva de contenido para redes sociales.

Sin SSML

No se soporta SSML (Speech Synthesis Markup Language). Esto significa que no hay control sobre la puntuación prosódica, la duración exacta de las pausas o el énfasis en sílabas específicas.

Sin streaming

La API devuelve el archivo completo una vez finalizada la síntesis. No hay conexión WebSocket ni transmisión parcial del audio en tiempo real.

Sin cloning

No se ofrece clonación de voz personalizada. Se utilizan ocho voces predefinidas basadas en grabaciones con licencia. No se pueden subir muestras de audio para crear una voz única.

Calidad del audio

Ilustración de onda de sonido para: Calidad del audio

El audio generado es listo para publicación inmediata en plataformas de video. Cada archivo sintetizado incluye una marca de agua inaudible que certifica que se trata de habla generada por IA, manteniendo la transparencia sin afectar la experiencia del oyente.

Las voces son naturales y basadas en grabaciones con licencia, ofreciendo claridad y expresividad adecuada para narraciones de contenido corto. No requieren ajustes de ecualización complejos para su uso en TikTok o Reels.

Marcas de agua

Cada archivo de audio generado lleva una marca de agua inaudible que marca el contenido como voz sintética. Esto permite identificar el origen del audio sin que el usuario final note ninguna alteración en la calidad sonora.

Voces naturales

Las voces se basan en grabaciones con licencia (LibriTTS-R) y ofrecen claridad y expresividad natural. Están optimizadas para narraciones rápidas y claras, ideales para mantener la atención del espectador en videos de formato corto.

Los 8 presets cubren desde narración hasta tono documental, asegurando consistencia en el tono de voz a través de múltiples videos.

Formatos variados

Se pueden descargar los audios en los formatos mp3, wav, opus, flac y pcm. Esto permite elegir la compresión o calidad que mejor se ajuste al flujo de trabajo de edición de video, sin necesidad de conversión adicional.

El formato elegido se recibe directamente en la respuesta de la API, listo para ser importado en cualquier editor de video.

  • mp3: estándar, buena compresión
  • wav: sin pérdida, alta calidad
  • opus: eficiente para redes
  • flac: lossless
  • pcm: crudo

Integración técnica

Ilustración de onda de sonido para: Integración técnica

La integración se realiza mediante una API REST estándar, compatible con el SDK oficial de OpenAI. Solo necesitas modificar el base_url a https://api.gf66.info/v1 y autenticar con tu clave Bearer. Esto permite usar las librerías que ya conoces sin aprender una sintaxis nueva.

API REST

El endpoint POST /v1/audio/speech acepta texto y devuelve audio en un solo paso. Es compatible con cualquier cliente HTTP que soporte JSON, facilitando la integración en entornos de servidor o scripts ligeros.

JSON simple

El cuerpo de la solicitud es mínimo: modelo, texto, voz y formato. No requiere estructuras complejas ni marcadores de audio. El sistema maneja la lógica de longitud dividiendo textos largos automáticamente si es necesario, manteniendo la simplicidad de la llamada.

Automatización

Puedes generar narraciones para cientos de shorts en segundo plano sin intervención manual. Con un límite de 60 peticiones por minuto, es suficiente para escalar la producción de contenido diario sin cuellos de botella significativos.

  • Compatible con SDKs de OpenAI
  • Autenticación con clave Bearer
  • Límite: 60 req/min
Integración técnica

Idiomas y voces

Ilustración de onda de sonido para: Idiomas y voces

La API soporta 23 idiomas, incluyendo español, inglés, alemán, japonés y árabe. Cualquier voz puede pronunciar cualquiera de estos idiomas sin restricciones adicionales.

Dispone de 8 presets predefinidos: cuatro voces femeninas (Aria, Nova, Luna, Sage) y cuatro masculinas (Felix, Milo, Atlas, Orion). Cada una tiene un tono específico para diferentes tipos de contenido.

Si no se especifica el idioma, el sistema lo detecta automáticamente según el script (el texto en latinoamericano por defecto es inglés).

23 idiomas

Soporta español, inglés, alemán, japonés, árabe, ruso, portugués, francés, italiano, chino, coreano, turco, polaco, griego, danés, sueco, noruego, finés, malayo, swahili, hebreo e hindi.

El texto en caracteres latinos se asume como inglés si no se indica lo contrario. Para otros idiomas latinos, debe especificarse el código ISO.

  • Español, Inglés, Alemán, Japonés, Árabe, Ruso, Portugués, Francés, Italiano, Chino, Coreano, Turco, Polaco, Griego, Danés, Sueco, Noruego, Finés, Malayo, Swahili, Hebreo, Hindi

8 presets

Voces femeninas: Aria (narradora clara), Nova (alegre), Luna (suave) y Sage (instruccional). Voces masculinas: Felix (energético), Milo (conversacional), Atlas (noticias) y Orion (documental).

Todas las voces están basadas en grabaciones licenciadas de LibriVox. Cada archivo generado contiene una marca de agua inaudible que lo identifica como síntesis artificial.

Detección automática

El campo language es opcional. Si no se proporciona, el sistema infiere el idioma del script de entrada.

Para textos en idiomas distintos al inglés que usen caracteres latinos, se recomienda establecer explícitamente el parámetro language para evitar errores de pronunciación.

Coste de implementación

Ilustración de onda de sonido para: Coste de implementación

El modelo de coste es estrictamente por uso: 10 dólares por cada millón de caracteres procesados. La prueba gratuita ofrece 0,50 $ de crédito (aproximadamente 50 000 caracteres) válido por 7 días al registrarse con Google. No hay planes mensuales ni costes fijos ocultos.

Pago por uso

El precio es $0,01 por cada 1.000 caracteres, incluyendo espacios y puntuación. Las solicitudes fallidas se devuelven íntegramente. El top-up mínimo es de 5 $ mediante USDT (TRC-20), con crédito automático en minutos.

  • 0,01 $ / 1.000 caracteres
  • Crédito inicial: 0,50 $
  • Top-up mínimo: 5 $
  • Sin cuotas mensuales

Sin infraestructura

No necesitas servidores ni gestión de CPU. La API se encarga de la síntesis. Solo pagas por los caracteres generados; el balance no expira.

Acceso inmediato

Regístrate con Google o email para obtener tu clave API al instante. Comienza a generar audio en segundos sin esperas de aprobación manual.

Comparativa con humanos

Ilustración de onda de sonido para: Comparativa con humanos

La generación de audio mediante API ofrece un procesamiento predecible que los humanos no pueden igualar en volumen sin fatiga. Mientras que una sesión de grabación requiere configuración, descansos y múltiples tomas para corregir errores, el servicio sintetiza texto a una velocidad constante, aproximadamente 25 caracteres por segundo de audio generado.

Velocidad

La síntesis automática elimina los tiempos muertos de preparación. Las peticiones se procesan de forma secuencial, y aunque la cola puede variar bajo carga, el tiempo de generación es inmediato para textos cortos.

Coste

El coste es de $0.01 por cada 1.000 caracteres, sin importar si eres freelancer o una gran empresa. No hay costos fijos de estudio, equipamiento ni pago por horas de estudio. El pago es estrictamente por uso, con recargas mínimas de $5 en USDT (TRC-20).

Consistencia

Cada frase se genera con la misma entonación y calidad vocal, sin variaciones naturales por cansancio o estado de ánimo. Esto garantiza que una serie de videos mantenga un estándar auditivo idéntico, algo difícil de lograr en sesiones humanas prolongadas.

Casos de uso

Ilustración de onda de sonido para: Casos de uso

La API de texto a voz permite a los freelancers generar narraciones profesionales para videos de TikTok, Reels y Shorts sin necesidad de micrófonos ni estudios de grabación. Este enfoque reduce drásticamente el tiempo de producción, permitiendo escalar la creación de contenido sin depender de la disponibilidad de narradores humanos.

Noticias

Utiliza la voz de Atlas para generar boletines informativos rápidos con un tono neutral y claro. Ideal para canales que necesitan actualizar contenido diariamente sin invertir horas en grabación.

Educación

Sage y Luna son ideales para tutoriales explicativos o historias educativas. Su tono calmado y claro mantiene la atención del espectador durante explicaciones técnicas o narrativas largas, optimizando la retención de información.

Entretenimiento

Nova y Felix aportan energía a contenido dinámico y promocional. La capacidad de ajustar la velocidad hasta 4x permite adaptar la voz al ritmo rápido típico de los videos virales, manteniendo la claridad del audio.

Soporte y mantenimiento

Ilustración de onda de sonido para: Soporte y mantenimiento

El soporte se gestiona exclusivamente por correo electrónico. No hay chat en vivo ni número de teléfono para llamadas, lo que mantiene los costes operativos bajos y permite una atención asincrona eficiente.

No ofrecemos garantías de tiempo de actividad (SLA). La infraestructura funciona con la mejor disponibilidad posible, pero no hay contratos de nivel de servicio que aseguren un 99,9% o más de uptime específico.

Email solo

Toda la comunicación técnica y de soporte se realiza a través de un único canal: el correo electrónico. Esto evita tiempos de espera en colas de chat y permite documentar cada solicitud con precisión.

Sin SLA

No existen contratos de nivel de servicio (SLA) ni compensaciones por interrupciones. La API está diseñada para ser simple y económica; cualquier garantía de disponibilidad superior a la estándar implicaría un coste adicional que no trasladamos al usuario.

Actualizaciones

Las mejoras en los modelos de voz y las correcciones de errores se despliegan automáticamente sin necesidad de que el usuario realice cambios en su integración. Las nuevas voces o idiomas se añaden sin romper la compatibilidad con la estructura JSON actual.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. El resultado se guarda localmente para su uso en tus videos.

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. Python documentation
  3. LibriVox public-domain audiobooks
  4. LibriTTS-R corpus (OpenSLR 141)
  5. IETF RFC 7845: Ogg Opus
  6. Creative Commons Attribution 4.0
  7. TRON developer hub: TRC-20
  8. curl documentation
  9. W3C WAI: making audio and video accessible
  10. Tether (USDT)
  11. MDN: Web Speech API
  12. LibriTTS-R paper (arXiv 2305.18802)

Más en este sitio