¿Cómo generar voz para vídeos con nuestra API?

Por Equipo editorial Narras · Actualizado 2026-11-19

Esta guía explica cómo integrar la API de texto a voz Narras en tu flujo de trabajo para YouTube. Aprenderás a enviar texto y recibir audio, con tiempos de generación que varían según la longitud del texto y la carga del servidor, gestionando límites de caracteres, selección de voces y formatos compatibles con tu editor.

Ideal para creadores de contenido y freelancers que buscan narraciones profesionales sin contratar locutores. Descubre el coste real por carácter, la recarga con USDT y ejemplos de código listos para usar en tus vídeos.

¿Cómo generar voz para vídeos con nuestra API?

Preguntas frecuentes

¿Es difícil integrar la API?

La integración es sencilla porque la API sigue la estructura de OpenAI. Solo necesitas cambiar la base_url a https://api.winslots777.info/v1 y usar tu clave Bearer. Puedes usar los SDKs oficiales de OpenAI o hacer una petición POST directa al endpoint /v1/audio/speech con el formato JSON estándar.

¿Necesito conocimientos de programación?

No es estrictamente necesario, pero ayuda. Puedes usar herramientas como Postman o cURL para probar la API sin escribir código. Sin embargo, para automatizar la generación de audio en tus flujos de trabajo, necesitarás conocimientos básicos de HTTP y JSON para enviar las peticiones correctamente.

¿Puedo usar la API sin código?

Sí, puedes usar clientes HTTP como Postman o extensiones de navegador para enviar peticiones POST. Solo necesitas configurar la URL, la cabecera Authorization con tu clave y el cuerpo JSON con el texto, la voz y el modelo. Es ideal para pruebas rápidas antes de programar.

¿Qué tamaño de archivo genera la voz?

El tamaño depende del formato seleccionado. Puedes elegir mp3, wav, opus, flac o pcm. El audio se devuelve directamente en la respuesta de la API. No se almacena en nuestros servidores, por lo que el tamaño varía según la duración y la calidad del formato elegido.

¿La voz suena natural?

Las voces están basadas en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y de lecturas de dominio público de LibriVox. Cada archivo generado lleva una marca de agua invisible que lo identifica como voz sintética. Aunque suenan naturales, no son imitaciones de celebridades ni permiten personalización emocional o clonación de voz personalizada.

¿Cuánto tarda en generarse el audio?

La velocidad es aproximadamente de tiempo real: 25 caracteres por segundo para textos largos. Las frases cortas pueden tardar unos segundos. Las peticiones se procesan en cola, por lo que bajo carga alta podría haber un pequeño retraso adicional antes de la generación.

¿Puedo usar varias voces en un video?

Sí, puedes cambiar la voz en cada petición. Genera cada fragmento de texto con la voz deseada y luego une los archivos de audio en tu editor de video. La API no soporta múltiples voces en una sola respuesta; debes hacer múltiples llamadas.

¿Se puede editar la voz después?

La API devuelve el audio final generado. No puedes editar la entonación o el ritmo directamente a través de la API. Debes usar un editor de audio externo para ajustar los archivos generados. No ofrecemos SSML ni etiquetas de emoción.

¿Qué pasa si el texto tiene tildes?

El sistema procesa correctamente el texto con acentos y caracteres especiales dentro del límite de 4096 caracteres. Asegúrate de que el texto esté codificado correctamente en JSON. Si usas un idioma específico, define el parámetro language para garantizar la pronunciación correcta de los acentos.

¿Funciona en Mac y Windows?

Sí, la API es compatible con cualquier sistema operativo que pueda enviar peticiones HTTP. Funciona perfectamente en Mac, Windows y Linux. Puedes usar cURL, Python, Node.js o cualquier lenguaje de programación disponible en tu sistema operativo para integrar la voz.

¿Necesito un servidor propio?

No, es una API en la nube. Solo necesitas conexión a internet para enviar las peticiones a https://api.winslots777.info/v1. No requiere instalación de software local ni mantenimiento de servidores. Todo el procesamiento de síntesis de voz ocurre en nuestros servidores.

¿Puedo usar la API en Node.js?

Sí, puedes usar la SDK oficial de OpenAI configurando la base_url a https://api.winslots777.info/v1. También puedes hacer peticiones HTTP estándar con librerías como axios o node-fetch. Solo necesitas tu clave API en la cabecera Authorization para autenticar las solicitudes.

¿Cómo evito que suene robótico?

Ajusta la velocidad entre 0.25 y 4.0 para encontrar el ritmo más natural. Elige voces adecuadas al contexto, como luna para historias o atlas para noticias. Divide textos largos en fragmentos menores a 4096 caracteres para evitar cortes abruptos en la generación.

¿Hay límite de tiempo en los videos generados?

No hay límite de tiempo en los videos, solo en la longitud del texto por petición (4096 caracteres). Para videos más largos, divide el texto en partes y une los archivos de audio resultantes. El límite es técnico, no de duración del video final.

Conceptos básicos de la API TTS

Ilustración de onda de sonido para: Conceptos básicos de la API TTS

La API de Narras convierte texto en audio mediante un servicio en la nube. Envías un texto y recibes un archivo de audio listo para insertar en tus vídeos de YouTube o proyectos freelance.

Texto a voz en la nube

El proceso ocurre en servidores remotos, lo que elimina la necesidad de hardware costoso o configuraciones complejas. Solo necesitas conexión a internet para enviar la solicitud y descargar el resultado.

Endpoint POST y JSON

La comunicación utiliza el endpoint POST https://api.winslots777.info/v1/audio/speech. El cuerpo de la solicitud debe ser un objeto JSON con los parámetros necesarios como model, input, voice y response_format.

Esta estructura es idéntica a la de OpenAI, lo que facilita la integración si ya estás familiarizado con sus estándares de API.

Autenticación con clave API

Cada solicitud debe incluir una cabecera Authorization: Bearer con tu clave única. Esta clave se genera al registrarte y permite acceder a tu saldo y métricas de uso.

  • Clave única por cuenta
  • Revocación inmediata al generar nueva clave

Preparación del texto

Ilustración de onda de sonido para: Preparación del texto

La API acepta bloques de texto de hasta 4096 caracteres por solicitud. Es fundamental contar los caracteres correctamente, ya que los espacios y la puntuación cuentan como caracteres individuales.

Para textos más extensos, divide el guion en partes y genera cada una por separado. Esto evita errores de límite y facilita la gestión de los archivos de audio resultantes.

Límite de 4096 caracteres

Cada llamada POST procesa un máximo de 4096 caracteres. Si excedes este número, la solicitud fallará y no se cobrará el intento.

  • El límite es estricto por petición.
  • Los espacios y signos de puntuación cuentan.

División de textos largos

Divide tu guion en segmentos manejables. Genera cada segmento por separado y une los archivos de audio posteriormente. Este método es más fiable que intentar procesar textos muy extensos en una sola llamada.

  • Genera por bloques.
  • Une los audios después.

Cuidado con espacios y puntuación

Cada carácter cuenta para el límite y el coste. Evita espacios extra innecesarios. La puntuación correcta ayuda a la voz sintética a respirar y dar entonación natural, mejorando el resultado final para tu vídeo.

Selección de voz e idioma

Ilustración de onda de sonido para: Selección de voz e idioma

La API ofrece ocho voces predefinidas: Aria, Nova, Luna y Sage (femeninas); Felix, Milo, Atlas y Orion (masculinas), cada una con un tono específico para narraciones, historias o noticias. Puedes seleccionar la que mejor se adapte al estilo de tu contenido.

Elección entre 8 presets

Cada voz tiene un carácter distinto: Aria es clara y narrativa, mientras que Felix es enérgico para promos. No hay personalización de emociones ni clonación personalizada; solo elige entre estas ocho opciones basadas en grabaciones licenciadas.

  • Aria: narradora clara
  • Nova: optimista
  • Felix: enérgico
  • Atlas: neutral

Configuración de idioma ISO

El sistema soporta 23 idiomas, incluyendo español, inglés, francés y japonés. Puedes especificar el código ISO opcionalmente para garantizar la pronunciación correcta, especialmente si el texto usa caracteres latinos pero no es inglés.

Detección automática vs manual

Si no configuras el idioma, el sistema lo detecta por el guion, asumiendo inglés por defecto en texto latino. Para textos en español o alemán con caracteres latinos, establece el campo language explícitamente para evitar errores.

Configuración técnica

Ilustración de onda de sonido para: Configuración técnica

La integración técnica es directa gracias a la compatibilidad con la estructura de la API de OpenAI. Solo necesitas ajustar la configuración de conexión para que apunte a nuestros servidores en lugar de los de OpenAI.

El proceso requiere tres pasos claros: modificar la URL base, proporcionar tu clave API y enviar la solicitud. Esto permite usar la misma librería que ya conoces, minimizando el tiempo de configuración inicial.

Uso del SDK OpenAI

Puedes utilizar las librerías oficiales de OpenAI para Python o Node.js. La estructura de la petición es idéntica a la de su endpoint de voz, lo que facilita la migración desde otros servicios.

Simplemente importa la librería estándar y configura la instancia para usar nuestra API. No necesitas aprender una nueva sintaxis ni integrar un SDK propietario adicional.

  • Compatible con las librerías oficiales de OpenAI
  • Misma estructura de cuerpo JSON
  • Ideal para flujos de trabajo automatizados

Modificación de base_url

Debes cambiar la URL base de la API a https://api.winslots777.info/v1. Esto redirige las peticiones a nuestro servidor de procesamiento de texto a voz.

Asegúrate de que la ruta /v1 esté incluida para que el endpoint correcto reconozca tu solicitud. Cualquier desviación en la URL resultará en un error de conexión.

Envío de credenciales

Incluye tu clave API en el encabezado Authorization con el formato Bearer tts-.... Esta clave se genera en tu panel de cuenta y es única.

Cada solicitud debe incluir esta cabecera para ser autenticada. Si la clave es incorrecta o ha sido revocada, la API rechazará la síntesis de audio.

Formatos de audio elegibles

Ilustración de onda de sonido para: Formatos de audio elegibles

La API permite elegir entre mp3, wav, opus, flac y pcm. Cada formato tiene un impacto directo en el tamaño del archivo y la compatibilidad con tu editor de video favorito.

Selección entre mp3, wav, etc.

Puedes solicitar el audio en formato mp3, wav, opus, flac o pcm. La elección depende de tu necesidad de equilibrio entre calidad y peso del archivo.

  • mp3: ligero y ampliamente compatible
  • wav: calidad sin pérdida, archivos más pesados
  • opus: alta compresión, buena calidad
  • flac: compresión sin pérdida
  • pcm: audio sin comprimir en bruto

Impacto en el tamaño del archivo

Los formatos como wav y flac generan archivos más grandes que mp3 u opus. Considera esto si vas a subir muchos videos o tienes limitaciones de ancho de banda.

Compatibilidad con editores de video

Todas las opciones son compatibles con la mayoría de editores de video. El mp3 es la opción más segura para una integración rápida y sin problemas de codec.

Control de velocidad

Ilustración de onda de sonido para: Control de velocidad

El parámetro speed permite ajustar la velocidad de la voz entre 0.25 y 4.0. Un valor de 1.0 representa la velocidad normal, ideal para narraciones estándar. Puedes acelerar el ritmo para contenido dinámico o reducirlo para mayor claridad.

Este control es esencial para sincronizar la voz con el ritmo visual del vídeo. Al modificar la velocidad, asegúrate de que la entonación siga sonando natural y no robótica.

Rango de 0.25 a 4.0

El rango aceptado va desde 0.25 (muy lento) hasta 4.0 (muy rápido). Valores fuera de este intervalo provocarán un error en la solicitud. Ajusta este parámetro según la complejidad del texto y la velocidad de corte del vídeo.

Ajuste según ritmo del video

Para vídeos educativos o documentales, una velocidad cercana a 1.0 o ligeramente superior (1.1-1.2) suele ser óptima. En contenido de marketing rápido o resúmenes, valores de 1.5 a 2.0 pueden mejorar la retención sin perder comprensión.

Pruebas de velocidad

Genera audios de prueba con diferentes velocidades y escúchalos en tu entorno de edición. La percepción auditiva varía según el modelo de voz y el idioma seleccionado. Verifica que el audio no se vuelva incomprensible al acelerarlo.

Control de velocidad

Integración en flujo de trabajo

Ilustración de onda de sonido para: Integración en flujo de trabajo

La API procesa las solicitudes secuencialmente, por lo que el tiempo de generación depende de la longitud del texto y la carga del servidor. Para flujos de trabajo eficientes, es recomendable enviar las peticiones en paralelo cuando sea posible, manteniendo en cuenta que las peticiones pueden colarse bajo carga alta.

Una vez recibido el archivo de audio, este se guarda en tu sistema de edición. Dado que la API no ofrece streaming, el archivo completo debe descargarse antes de incorporarlo a la línea de tiempo del proyecto.

Generación asíncrona

Las solicitudes se procesan una tras otra. Si envías múltiples textos, asegúrate de manejar las respuestas de forma asíncrona para no bloquear tu flujo de trabajo.

Considera el tiempo de espera: las frases cortas tardan segundos, mientras que textos largos pueden tardar más debido a la cola de procesamiento.

  • Procesamiento secuencial bajo carga.
  • Uso de librerías asíncronas para múltiples peticiones.

Almacenamiento temporal de audio

Los archivos se reciben en la respuesta y no se guardan en nuestro servidor. Debes descargarlos y guardarlos localmente o en tu propio almacenamiento en la nube.

El audio generado lleva una marca de agua inaudible que lo identifica como síntesis, pero no afecta su uso en ediciones.

Guárdalos con el formato elegido para evitar recompressiones innecesarias antes de la edición.

Edición posterior en software

Importa los archivos de audio generados en tu editor de video preferido. La compatibilidad es total con los formatos estándar (mp3, wav, opus, flac, pcm).

Ajusta los tiempos de sincronización labial o añade música de fondo sobre la pista de voz generada.

El audio es limpio y listo para mezclar, sin necesidad de preprocesamiento adicional.

  • Compatible con editores profesionales.
  • Sin necesidad de preprocesamiento.

Costes asociados

Ilustración de onda de sonido para: Costes asociados

El coste es estrictamente proporcional al uso: 10 dólares por cada millón de caracteres procesados, lo que equivale a 0,01 dólares por cada 1.000 caracteres. Tanto los espacios como la puntuación cuentan como caracteres consumidos, por lo que el precio final se determina únicamente por la longitud exacta del texto enviado en la solicitud.

Los errores de síntesis no generan cargo alguno; si la solicitud falla, el importe se devuelve íntegramente. No existen planes mensuales fijos, ni cuotas de permanencia ni mínimos de gasto, lo que permite escalar el uso según la producción real de vídeos sin compromisos financieros a largo plazo.

Cálculo por caracteres

La facturación se basa en el volumen de texto generado. Cada carácter, incluyendo espacios y signos de puntuación, se cuenta para el cálculo final. Este modelo transparente asegura que solo pagues por el audio que realmente se genera con éxito.

  • 1 millón de caracteres = 10,00 USD
  • 0,01 USD por cada 1.000 caracteres
  • Espacios y puntuación cuentan como caracteres

Prueba gratuita inicial

Al registrarte con Google, se acreditan 0,50 dólares de crédito, equivalente a aproximadamente 50.000 caracteres. Esta prueba tiene una validez de 7 días. Si te registras con correo y contraseña, no recibes este crédito inicial.

  • Crédito inicial: 0,50 USD
  • Equivalente a ~50.000 caracteres
  • Validez: 7 días

Recarga con USDT

Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El mínimo para recargar es de 5 dólares. El saldo se acredita automáticamente en minutos tras la transferencia y nunca caduca.

  • Método: USDT (TRC-20)
  • Mínimo de recarga: 5,00 USD
  • Acreditación automática en minutos

Errores comunes y soluciones

Ilustración de onda de sonido para: Errores comunes y soluciones

Aunque la API es robusta, los errores de formato o límites superados son frecuentes al integrar la generación de voz en flujos automatizados. Identificar rápidamente si el fallo es de sintaxis, de autenticación o de límites de texto evita tiempos muertos en la producción de vídeos.

La mayoría de los problemas se resuelven validando la estructura del JSON y verificando que el texto no supere los 4096 caracteres por solicitud. Mantener un registro de los fallos ayuda a depurar rápidamente el código antes de la generación final.

Límite de caracteres excedido

Cada solicitud acepta un máximo de 4096 caracteres, incluyendo espacios y puntuación. Si tu guion es más largo, la API rechazará la petición con un error 400.

La solución es dividir el texto en fragmentos de este tamaño, generar el audio de cada parte y unirlos posteriormente para crear la pista completa.

  • Verificar longitud antes de enviar.
  • Dividir textos extensos en bloques manejables.
  • Unir los archivos de audio resultantes.

Clave API incorrecta

Si la cabecera Authorization no coincide o la clave ha sido revocada al generar una nueva, la respuesta será un error 401. Recuerda que solo puedes tener una clave activa por cuenta.

Renueva tu clave desde el panel si pierdes acceso o si sospechas que fue comprometida. Las nuevas claves invalidan a las anteriores inmediatamente.

Formato de JSON inválido

El cuerpo de la solicitud debe ser JSON válido. Campos faltantes como model o input, o valores numéricos fuera de rango en speed, provocan fallos de sintaxis.

Utiliza validadores JSON o bibliotecas de serialización en tu lenguaje de programación para asegurar que la estructura enviada sea correcta antes del POST.

Optimización para YouTube

Ilustración de onda de sonido para: Optimización para YouTube

Calidad de audio para plataformas

Los archivos generados son compatibles con editores de vídeo estándar. Recomendamos usar MP3 o WAV para equilibrar calidad y tamaño, asegurando que la voz se integre sin latencia en tus montajes de YouTube.

Marcas de agua sintéticas

Cada archivo de audio generado incluye una marca de agua inaudible que identifica el contenido como speech sintetizado. Esto no afecta la experiencia del oyente ni la calidad percibida en tus vídeos.

Derechos de uso comercial

Puedes usar las narraciones en tus vídeos de YouTube. Las voces están basadas en grabaciones con licencia CC BY 4.0, lo que facilita su integración en contenido monetizado sin restricciones adicionales de derechos de autor.

Ejemplo de código completo

Ilustración de onda de sonido para: Ejemplo de código completo

Este ejemplo demuestra la integración directa para creadores de contenido. Utilizamos la librería estándar requests para evitar dependencias externas innecesarias, lo que facilita la inclusión en scripts simples de automatización.

El código realiza la solicitud POST, maneja la respuesta binaria del audio y lo guarda localmente, listo para ser importado en tu editor de video favorito sin pasos adicionales.

Script Python básico

Cargamos la librería requests y definimos la clave API y el texto a narrar. La configuración es mínima: solo necesitas ajustar la variable API_KEY con tu credencial única.

  • - Importa requests y os
  • - Define base_url como https://api.winslots777.info/v1
  • - Establece los encabezados con tu Authorization: Bearer

Uso de requests estándar

Enviamos el JSON con el modelo tts-1, la voz elegida y el texto. La librería gestiona la serialización automáticamente, asegurando que el formato sea válido para el endpoint.

  • - Usa requests.post()
  • - Incluye headers con la clave
  • - Define el payload JSON

Manejo de respuesta binaria

La API devuelve audio crudo. Guardamos la respuesta en un archivo .mp3. Este archivo es compatible con cualquier editor de video y contiene la marca de agua sintética inaudible.

  • - Verifica response.status_code == 200
  • - Guarda response.content en disco
  • - No requiere decodificación adicional

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Su energía la convierte en una herramienta efectiva para anuncios, introducciones rápidas o contenido que necesita ritmo.

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. FFmpeg documentation
  3. TRON developer hub: TRC-20
  4. IETF RFC 7845: Ogg Opus
  5. curl documentation
  6. LibriTTS-R paper (arXiv 2305.18802)
  7. openai-node on GitHub
  8. openai-python on GitHub
  9. LibriVox public-domain audiobooks
  10. OpenAI API reference: create speech
  11. W3C WAI: making audio and video accessible
  12. Tether (USDT)

Más en este sitio