API de Texto a Voz y agentes de voz | ElevenLabs Documentation

Empieza con tu agente de programación. No necesitas una cuenta ni una clave de API previamente.

Pega esto en Claude Code, Cursor o Codex. Inicia sesión o crea una cuenta, crea una clave y añade el SDK a tu proyecto.

Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints.

Descubre cómo funciona o lee el código fuente del comando onboard para ver exactamente qué le indica a tu agente.

¿Cómo funciona ElevenLabs?

ElevenLabs ofrece infraestructura de voz IA: texto a voz, voz a texto, clonación de voz, agentes de voz y audio generativo. Puedes usarla de cuatro formas, adaptadas a distintos públicos.

ElevenCreative es una aplicación web sin código donde creadores, productores y editores generan locuciones, música, doblajes y proyectos de Studio directamente en el navegador.

ElevenAgents es la plataforma para diseñar y operar agentes de voz, con un creador visual para usuarios no técnicos y control programático completo para desarrolladores.

ElevenAPI pone todas las capacidades a disposición mediante una interfaz REST con SDK oficiales para Python y TypeScript, para que desarrolladores puedan integrar voz en sus propias aplicaciones y workflows.

Reception.ai es un recepcionista telefónico con IA listo para implementar para pequeñas y medianas empresas que responde llamadas, reserva citas y gestiona las operaciones diarias desde un único panel.

Elige tu camino

ElevenCreative

Aprende a usar la plataforma ElevenCreative con guías paso a paso

ElevenAgents

Aprende a crear, lanzar y escalar agentes con ElevenLabs

ElevenAPI

Aprende a integrar la API de ElevenLabs con ejemplos y tutoriales

Conceptos

Las voces son la personalidad de habla utilizada en la generación de audio. Cada voz tiene un ID único —por ejemplo, JBFqnCBsd6RMkjVDRZzb— que seleccionas en el panel o incluyes en las solicitudes a la API. ElevenLabs mantiene una biblioteca de más de 10 000 voces. También puedes clonar una voz a partir de una grabación de audio o generar una desde una descripción de texto.

Los modelos controlan la calidad, la latencia y la cobertura de idiomas del audio generado. eleven_v4 produce el resultado más expresivo en más de 90 idiomas. eleven_v4_turbo está pensado para uso en tiempo real con una latencia media de inferencia de ~100 ms. Cada capacidad —voz a texto, música, efectos de sonido— tiene su propio modelo específico. Consulta ¿Qué modelo debería usar? para elegir uno.

¿Cómo funcionan los precios?

Los créditos son la unidad de consumo compartida entre todos los productos. El texto a voz cuesta un crédito por carácter de texto de entrada. Otras operaciones se cobran por segundo de audio procesado. Los créditos se restablecen cada mes y los que no uses se acumulan durante un máximo de dos meses. Consulta los precios para ver el desglose completo.

Para usar la API sin una suscripción mensual, pago por uso te permite prepagar un saldo que se reduce a medida que usas ElevenLabs, después de agotar los créditos de tu suscripción.

Diseñado para producción

¿Qué rapidez tiene el texto a voz de ElevenLabs?

Eleven Flash v2.5 genera audio con una latencia de inferencia del modelo de ~75 ms, y Eleven v4 Turbo con una mediana de ~100 ms. Scribe v2 Realtime devuelve transcripciones parciales en ~150 ms. Estas cifras no incluyen la latencia de la aplicación ni de la red, por lo que el tiempo hasta que tus usuarios escuchan el audio es mayor. Entender la latencia explica qué abarcan estas cifras, y Optimización de la latencia explica cómo reducir la latencia de extremo a extremo.

¿Cómo gestiona ElevenLabs la escala?

Tu plan determina cuántas solicitudes se procesan al mismo tiempo. Un límite de concurrencia no es un tope de conversaciones simultáneas: como regla general, un límite de 5 suele admitir alrededor de 100 emisiones de audio simultáneas, según las voces utilizadas y el caso de uso. Los planes Enterprise tienen límites más altos. Consulta Concurrencia y prioridad para conocer los límites de cada plan y recomendaciones sobre pruebas de carga.

Controles Enterprise

Implementaciones privadas ejecutan ElevenAgents, Texto a Voz y Voz a Texto dentro de tu propia cuenta en la nube, para que los textos, audios y transcripciones permanezcan en tu red.
Residencia de datos almacena tus datos en entornos aislados de la UE, India o Singapur en lugar de la ubicación predeterminada en EE. UU. Es una función Enterprise.
Espacios de trabajo centralizan la facturación, los recursos compartidos, el acceso del equipo y la gestión de claves de API. Los espacios de trabajo Enterprise añaden SSO mediante SAML 2.0 u OIDC, y registros de auditoría de acciones administrativas en el esquema OCSF.

Genera tu primer audio

Instala el SDK, configura tu clave de API como variable de entorno y convierte texto en un archivo MP3 con una sola solicitud. Para que tu agente de programación realice esta configuración, consulta Configúralo con tu agente de programación.

Instala el SDK

pip install elevenlabs python-dotenv

Configura tu clave de API

Crea una clave de API y añádela a un archivo .env en el directorio de tu proyecto:

.env

ELEVENLABS_API_KEY=<your_api_key_here>

Genera y guarda audio

from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
import os
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # "George" - browse voices at elevenlabs.io/app/voice-library
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)
with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

Ejecuta el script con python example.py o npx tsx example.mts y, después, abre output.mp3. Para hacer lo mismo desde el terminal, usa la CLI de ElevenLabs:

elevenlabs text-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --model-id eleven_v4 \
  --text "The first move is what sets everything in motion." \
  --output-format mp3_44100_128 \
  --output output.mp3

La guía de inicio rápido de ElevenAPI explica la misma solicitud con más detalle, incluida la configuración de la CLI y cómo reproducir audio por los altavoces.

¿Qué puedo crear con ElevenAgents?

ElevenAgents combina reconocimiento de voz, el LLM que elijas, texto a voz y gestión de turnos en un único agente de voz que configuras en el panel o mediante los SDK.

Atención al cliente: responde preguntas basadas en tu propia documentación conectando una base de conocimientos al agente.
Líneas telefónicas: conecta un número de Twilio con la integración nativa para gestionar llamadas entrantes y salientes, o conecta tu sistema telefónico actual mediante trunking SIP.
Campañas salientes: realiza muchas llamadas salientes a la vez con llamadas por lotes.
Sitios web y aplicaciones: integra un agente que gestione tanto voz como texto con el widget.

La guía de inicio rápido de ElevenAgents crea un primer agente de principio a fin.

¿Qué modelo debería usar?

Empieza por tu caso de uso. Cada ID de modelo a continuación es el valor que debes pasar como model_id en las solicitudes a la API.

Caso de uso	Modelo recomendado	ID de modelo	Motivo
Agentes de voz en tiempo real	Eleven v4 Turbo	`eleven_v4_turbo`	Latencia media de inferencia de ~100ms† con la entonación en tiempo real más expresiva. Para la menor latencia, usa `eleven_flash_v2_5` (~75ms†).
Narración expresiva o larga	Eleven v4	`eleven_v4`	El modelo más expresivo, adecuado para audiolibros y locuciones de personajes. Hasta 10 000 caracteres (~10 minutos de audio) por solicitud. Para el resultado largo más estable, usa `eleven_multilingual_v2`.
Contenido multilingüe	Eleven v4	`eleven_v4`	Más de 90 idiomas con una calidad de voz uniforme al cambiar de idioma. `eleven_v4_turbo` cubre los mismos idiomas en tiempo real.
Menor coste	Eleven Flash v2.5	`eleven_flash_v2_5`	Precio por carácter un 50 % menor para generaciones mediante API, 32 idiomas y hasta 40 000 caracteres por solicitud.
Voz a texto por lotes	Scribe v2	`scribe_v2`	Transcripción en más de 90 idiomas con marcas de tiempo a nivel de palabra, diarización para hasta 32 hablantes y prompting de términos clave. Usa `scribe_v2_medical` para audio clínico.
Voz a texto en tiempo real	Scribe v2 Realtime	`scribe_v2_realtime`	Transmite transcripciones con una latencia de ~150ms† en más de 90 idiomas.