Texto a Voz
Descubre cómo transformar texto en audio hablado natural con ElevenLabs.
Resumen
La API de ElevenLabs Texto a Voz (TTS) transforma texto en audio natural con entonación, ritmo y sensibilidad emocional precisos. Nuestros modelos se adaptan a las pistas textuales en 32 idiomas y varios estilos de voz, y pueden utilizarse para:
- Narrar campañas y anuncios para audiencias globales
- Producir audiolibros en varios idiomas con entonación emocional compleja
- Transmitir audio en tiempo real a partir de texto
Escucha un ejemplo:
Explora nuestra biblioteca de voces para encontrar la voz perfecta para tu proyecto.
Calidad de voz
Para aplicaciones en tiempo real, Flash v2.5 ofrece una latencia ultrabaja de 75 ms, mientras que Multilingual v2 proporciona audio de máxima calidad con una expresión más precisa.
Opciones de voz
ElevenLabs ofrece miles de voces en 32 idiomas mediante varios métodos de creación:
- Biblioteca de voces con más de 10.000 voces compartidas por la comunidad
- Clonación de voz profesional para réplicas de máxima fidelidad
- Clonación de voz instantánea para replicar voces rápidamente
- Diseño de voz para generar voces personalizadas a partir de descripciones de texto
Descubre más sobre nuestras opciones de voz.
Efectos de audio
Los efectos de audio procesan la voz generada para que suene como si se hubiera grabado en un lugar concreto, sin tener que editarla después. Configura cualquier combinación de:
- Preajuste de filtro: da color a la voz, por ejemplo, como una línea telefónica, una radio antigua o un robot.
- Distancia: aleja al hablante del micrófono.
- Entorno: sitúa la voz en un espacio reverberante, como una habitación pequeña o una sala.
- Ruido de fondo: reproduce en bucle una base ambiental, como una cafetería o el sonido de un teclado, bajo la voz.
- Panorámica: coloca la voz entre los canales izquierdo y derecho.
Los efectos están disponibles en las rutas de API Texto a Voz y Texto a Diálogo, incluidas las solicitudes de streaming y con marcas de tiempo, mediante el parámetro audio_effects. Consulta los preajustes de filtro, entornos y ruidos de fondo disponibles en el catálogo de efectos de audio. Los agentes también pueden aplicar un filtro de voz; consulta Entorno de audio. En la aplicación, añade efectos desde el playground de Texto a Voz.
Los efectos no modifican el coste de una solicitud.
La reverberación (un environment_id con un send_level superior a 0) y un valor de pan distinto de cero producen
audio estéreo. Las solicitudes que los combinan con los formatos de salida mono pcm_*, ulaw_* o alaw_*
se rechazan con un error 400.
Formatos de salida compatibles
El formato de respuesta predeterminado es mp3, pero también hay disponibles otros formatos como pcm y ulaw.
- MP3
- Frecuencias de muestreo: 22.05kHz - 44.1kHz
- Tasas de bits: 32kbps - 192kbps
- 22.05kHz @ 32kbps
- 44.1kHz @ 32kbps, 64kbps, 96kbps, 128kbps, 192kbps
- PCM (S16LE)
- Frecuencias de muestreo: 16kHz - 44.1kHz
- Tasas de bits: 8kHz, 16kHz, 22.05kHz, 24kHz, 44.1kHz, 48kHz
- Profundidad de 16 bits
- μ-law
- Frecuencia de muestreo de 8kHz
- Optimizado para aplicaciones de telefonía
- A-law
- Frecuencia de muestreo de 8kHz
- Optimizado para aplicaciones de telefonía
- Opus
- Frecuencia de muestreo: 48kHz
- Tasas de bits: 32kbps - 192kbps
Las opciones de audio de mayor calidad solo están disponibles en los planes de pago; consulta nuestra página de precios para más información.
Idiomas compatibles
Nuestros modelos multilingües v2 son compatibles con 29 idiomas:
Inglés (EE. UU., Reino Unido, Australia, Canadá), japonés, chino, alemán, hindi, francés (Francia, Canadá), coreano, portugués (Brasil, Portugal), italiano, español (España, México), indonesio, neerlandés, turco, filipino, polaco, sueco, búlgaro, rumano, árabe (Arabia Saudí, EAU), checo, griego, finés, croata, malayo, eslovaco, danés, tamil, ucraniano y ruso.
Flash v2.5 es compatible con 32 idiomas: todos los idiomas de los modelos v2, además de:
Húngaro, noruego y vietnamita
Solo tienes que introducir texto en cualquiera de nuestros idiomas compatibles y seleccionar una voz adecuada de nuestra biblioteca de voces. Para obtener los resultados más naturales, elige una voz con un acento que se ajuste a tu idioma y región de destino.
Prompting
Los modelos interpretan el contexto emocional directamente a partir del texto de entrada. Por ejemplo, añadir texto descriptivo como «dijo emocionada» o usar signos de exclamación influirá en la emoción de la voz. Los ajustes de voz, como Estabilidad y Similitud, ayudan a controlar la coherencia, mientras que la emoción subyacente procede de las pistas textuales.
Consulta la guía de prompting para obtener más información.
El modelo pronunciará el texto descriptivo y, si lo deseas, tendrás que recortarlo o eliminarlo manualmente del audio.
Preguntas frecuentes
¿Puedo clonar mi propia voz?
Sí, puedes crear clones de voz instantáneos de tu propia voz a partir de clips de audio cortos. Para obtener clones de máxima fidelidad, consulta nuestra función de clonación de voz profesional.
¿Soy propietario del audio generado?
Sí. Conservas la propiedad de cualquier audio que generes. Sin embargo, los derechos de uso comercial solo están disponibles con planes de pago. Con una suscripción de pago, puedes usar el audio generado con fines comerciales y monetizar los resultados si tienes los derechos de propiedad intelectual sobre el contenido de entrada.
¿Qué se considera una regeneración gratuita?
Una regeneración gratuita te permite volver a generar el mismo contenido de texto a voz sin coste adicional, siempre que se cumplan estas condiciones:
- Puedes regenerar cada contenido hasta 2 veces gratis
- El contenido debe ser exactamente igual que en la generación anterior. Cualquier cambio en el texto, los ajustes de voz u otros parámetros requerirá una nueva generación de pago
Las regeneraciones gratuitas son útiles si hay una ligera distorsión en el audio generado. Según las pruebas internas de ElevenLabs, las regeneraciones resolverán aproximadamente la mitad de los problemas de calidad; los problemas restantes suelen deberse a datos de entrenamiento deficientes.
¿Cómo reduzco la latencia en casos de uso en tiempo real?
Usa los modelos Flash de baja latencia (Flash v2 o v2.5), optimizados para escenarios conversacionales o interactivos casi en tiempo real. Consulta nuestra guía de optimización de la latencia para más información.
¿Por qué mi resultado es a veces incoherente?
Los modelos no son deterministas. Para obtener más coherencia, usa el parámetro seed opcional, aunque pueden seguir produciéndose diferencias sutiles.
¿Cuál es la práctica recomendada para conversiones de texto largas?
Divide los textos largos en segmentos y usa streaming para la reproducción en tiempo real y un procesamiento eficiente. Para mantener un flujo de prosodia natural entre fragmentos, incluye los parámetros de texto anterior/siguiente o ID de solicitud anterior/siguiente .
Datos clave
- Determinismo: El resultado no es determinista; usa el parámetro
seedpara lograr resultados más coherentes - Efectos de audio: Añade un preajuste de filtro, distancia, reverberación, ruido de fondo o panorámica con
audio_effectssin coste adicional - Regeneraciones gratuitas: Hasta 2 regeneraciones gratuitas por generación (solo mismo contenido y parámetros)
- Propiedad: Conservas la propiedad del audio generado; el uso comercial requiere un plan de pago
- Casos de uso de baja latencia: Usa modelos Flash (
eleven_flash_v2oeleven_flash_v2_5); consulta la guía de optimización de la latencia - Textos largos: Divide los textos largos en segmentos; usa los parámetros
previous_text/next_textpara mantener una prosodia natural entre fragmentos