API de texto a voz para narración de vídeos

Por Equipo editorial de NarrLab · Actualizado 2026-11-19

Esta guía explica cómo utilizar la API de NarraLab para generar narraciones profesionales en vídeos de recursos humanos y formación interna. Si tu equipo necesita audio de calidad sin contratar locutores ni aprender programación, este recurso detalla el flujo de trabajo desde la selección de voz hasta la exportación final.

Aquí encontrarás comparativas de las 8 voces disponibles, recomendaciones por industria y configuraciones técnicas para MP3, WAV y FLAC. También se detalla cómo aprovechar el crédito de prueba inicial y la integración básica con tus herramientas de edición, todo basado en hechos verificables del producto.

API de texto a voz para narración de vídeos

Preguntas frecuentes

¿Cuál es la voz más realista?

El realismo varía según el contexto de uso. Aria es una narradora clara y cálida; Luna, suave para relatos; Felix, enérgico para promociones. Todas las voces utilizan grabaciones con licencia y contienen una marca de agua sintética invisible. La calidad es consistente, pero no imita perfectamente a humanos específicos ni ofrece clonación personalizada.

¿Puedo usar la voz Aria para vídeos de YouTube?

Sí, Aria es una voz femenina con tono de narradora clara y cálida. Es adecuada para contenido de YouTube. Las voces están basadas en grabaciones con licencia y audiolibros de dominio público. No hay restricciones de uso específicas para plataformas de video en los hechos del producto.

¿Qué voz es mejor para un tutorial de software?

Sage es la voz más adecuada para tutoriales de software. Su tono calmado e instruccional facilita la comprensión de guías paso a paso. Aunque Nova o Felix son válidas, su energía puede distraer en contextos técnicos. Elige Sage para priorizar la claridad y la precisión en la transmisión de la información técnica a tu equipo.

¿La voz Milo funciona bien en español?

Sí, las voces pueden hablar cualquier idioma soportado, incluido el español. Milo tiene un tono amigable y conversacional. Asegúrate de especificar el código ISO del idioma en la solicitud para evitar que se adivine incorrectamente. La calidad es consistente independientemente del idioma seleccionado.

¿Son las voces estáticas o cambian con el tiempo?

Las voces son estáticas. Son ocho preajustes fijos basados en grabaciones licenciadas de LibriTTS-R y LibriVox. No hay clonación de voz personalizada ni diseño de voz disponible. Las características de cada voz, como el tono y el registro, no cambian con el tiempo ni con el uso.

¿Puedo solicitar una voz específica personalizada?

No. No ofrecemos clonación de voz personalizada ni subida de tu propia voz. Solo hay ocho voces predefinidas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Puedes ajustar la velocidad y el idioma, pero no el timbre o las características únicas de la voz.

¿Qué diferencia hay entre tts-1 y tts-1-hd?

Ambos modelos utilizan el mismo motor de síntesis y tienen el mismo precio. La única diferencia es la etiqueta del modelo en la solicitud. No hay diferencia de calidad de audio ni de características entre tts-1 y tts-1-hd según los hechos del producto. Puedes usar cualquiera.

¿Las voces tienen acento regional?

Las voces son neutras en cuanto a acento regional específico. Pueden hablar los 23 idiomas soportados, pero no tienen variaciones acentuales marcadas como acento sureño o británico. El idioma se detecta o especifica, pero la voz mantiene su timbre base sin variaciones geográficas significativas.

¿Puedo usar las voces en un podcast corporativo?

Sí, las voces son adecuadas para podcasts corporativos. Puedes usar Atlas para noticias o Sage para contenido instruccional. Las voces están basadas en grabaciones licenciadas. Solo recuerda que cada archivo generado lleva una marca de agua inaudible que indica que es voz sintética, según las especificaciones.

¿Qué voz es mejor para noticias internas?

Atlas es la voz neutra, ideal para noticias. Su tono claro y directo transmite información corporativa sin sesgo emocional, a diferencia de voces más enérgicas como Felix. Es la opción adecuada para boletines o actualizaciones internas, garantizando claridad en la comunicación de datos empresariales.

¿Las voces son humanas o robóticas?

Son voces sintéticas generadas por IA basadas en grabaciones con licencia. No son humanos reales, aunque suenan naturales. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética. No imitan a personas específicas ni celebridades, sino que son voces generadas.

¿Puedo cambiar la voz entre frases en un mismo vídeo?

Sí, puedes cambiar la voz entre solicitudes. Cada solicitud de API genera un archivo de audio independiente. Puedes concatenar manualmente los archivos de audio resultantes para crear un vídeo con múltiples voces. La API no une las voces automáticamente en una sola solicitud.

¿Hay voces para niños o ancianos?

No hay voces específicas para niños o ancianos. Las ocho voces son adultas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. No hay opciones de rango etario específicas como voz infantil o voz de mayor edad. Todas las voces tienen tonos adultos estándar.

¿Cómo sé qué voz elegir para mi marca?

Elige según el tono: Aria para narración, Nova para energía, Luna para historias, Sage para instrucciones, Felix para promos, Milo para conversación, Atlas para noticias y Orion para documentales. Prueba cada voz con tu texto. No hay métricas de preferencia de marca, solo características de tono.

Voces femeninas para narración clara

Ilustración de onda de sonido para: Voces femeninas para narración clara

Las voces femeninas de NarraLab están optimizadas para narraciones claras en entornos de formación interna y recursos humanos. Cada preset ofrece un tono distinto para adaptarse al contexto del vídeo, desde explicaciones institucionales hasta historias de casos clínicas o de equipo.

Aria: Narradora cálida y clara

Aria es ideal para narrar manuales o guías paso a donde se prioriza la comprensión. Su tono cálido mantiene la atención del empleado sin resultar monótono, facilitando la retención de información clave en vídeos de onboarding.

  • Voz: aria
  • Ideal para: manuales y guías
  • Tono: cálido y claro

Nova: Tono brillante y enérgico

Nova aporta un brillo natural que funciona bien en presentaciones de novedades o comunicados internos. Su energía alta mantiene el dinamismo del vídeo, evitando que el contenido corporativo parezca estático o aburrido para el equipo.

  • Voz: nova
  • Ideal para: comunicados y novedades
  • Tono: brillante y enérgico

Luna: Suave para historias y casos

Luna es la opción preferida para narrar historias de éxito o casos de estudio internos. Su suavidad natural crea un ambiente íntimo que favorece la empatía y la conexión emocional con la audiencia sin distraer del mensaje central.

  • Voz: luna
  • Ideal para: historias y casos
  • Tono: suave e íntimo

Voces masculinas para instrucciones

Ilustración de onda de sonido para: Voces masculinas para instrucciones

Atribuye voz masculina a tus guiones corporativos con tres perfiles distintos. Felix aporta energía para lanzamientos, Milo mantiene la cercabilidad en onboarding y Atlas asegura neutralidad en comunicados.

Cada voz se adapta a los 23 idiomas disponibles. Puedes ajustar la velocidad entre 0.25 y 4.0 para sincronizar el ritmo con la edición visual de tus vídeos de formación.

Felix: Energético para promociones

Felix es ideal para introducciones dinámicas o anuncios internos. Su tono enérgico captura la atención desde el primer segundo sin sonar forzado.

  • Ideal para videos de lanzamiento de productos
  • Permite velocidad elevada (hasta 2.0x) para resúmenes rápidos
  • Genera audio en formato MP3 o WAV

Milo: Conversacional y amigable

Milo ofrece un tono natural, cercano y directo. Es la opción recomendada para procesos de onboarding o explicaciones paso a paso donde la claridad es clave.

Su estilo conversacional reduce la carga cognitiva del espectador, facilitando la retención de información en vídeos de capacitación interna.

  • Recomendada para guiones de RRHH
  • Velocidad natural (1.0x) para máxima comprensión
  • Compatible con todos los idiomas soportados

Atlas: Neutral para noticias

Atlas proporciona una voz imparcial y profesional, perfecta para comunicados oficiales o reportes de datos. Su neutralidad evita sesgos emocionales en la información.

Utiliza Atlas cuando el contenido debe sonar objetivo y autorizado, sin influencias estilísticas marcadas. Ideal para secciones de 'últimas noticias' en intranets.

  • Uso en comunicados corporativos formales
  • Tono consistente y libre de acentos marcados
  • Alta claridad en lectura de números y fechas

Voz profunda para documentales

Ilustración de onda de sonido para: Voz profunda para documentales

Orion ofrece una voz masculina profunda, ideal para documentales y narrativas institucionales. Su tono serio aporta autoridad y seriedad a la información presentada.

Orion: Profundo y serio

Orion es una de las ocho voces disponibles, clasificada como masculina y diseñada para un tono documental. Su timbre grave transmite estabilidad y confianza, factores clave cuando se busca que la audiencia preste atención a detalles importantes sin distracciones.

Ideal para informes anuales

La claridad y el peso vocal de Orion son óptimos para leer informes anuales o resúmenes ejecutivos. Permite que los datos financieros o los resultados de desempeño suenen estructurados y profesionales, evitando la excesiva energía de otras voces como Felix o Nova.

Tono de autoridad institucional

Para comunicados internos o mensajes de la dirección, Orion establece un tono de autoridad inmediata. Al no requerir SSML para pausas precisas, la voz fluye de manera natural, manteniendo la seriedad adecuada para contextos corporativos formales sin necesidad de edición compleja, aunque no permite controlar pausas exactas.

Comparativa de tonos por industria

Ilustración de onda de sonido para: Comparativa de tonos por industria

La elección de la voz define la efectividad del mensaje en cada departamento. Para onboarding, la voz conversacional de Milo crea cercanía inmediata, mientras que Sage ofrece la claridad instruccional necesaria para manuales de capacitación.

En marketing, la energía de Felix destaca en lanzamientos de producto. Esta selección técnica evita la ambigüedad auditiva, asegurando que el tono corporativo se mantenga consistente sin requerir locutores adicionales.

RRHH: Milo para onboarding

Milo resulta ideal para videos de bienvenida y procesos de incorporación. Su tono amigable y conversacional reduce la frialdad típica de los manuales digitales, facilitando la retención de información por parte de nuevos empleados.

  • Tono cercano y natural
  • Ideal para narrativas de bienvenida
  • Reduce la carga cognitiva

Capacitación: Sage para instrucciones

Sage es una opción adecuada para guías paso a paso. Su registro calmado y claro permite que los usuarios se concentren en el procedimiento sin distracciones, optimizando el tiempo de formación interna.

  • Claridad instruccional
  • Ritmo constante y pausado
  • Minimiza errores de comprensión

Marketing: Felix para lanzamientos

Felix aporta la energía necesaria para destacar en campañas de lanzamiento. Su estilo enérgico capta la atención rápidamente, siendo la elección técnica recomendada para spot promocionales que requieren dinamismo sin sobrecargar la producción.

  • Dinamismo y energía alta
  • Ideal para anuncios breves
  • Impacto visual y auditivo

Idiomas y adaptabilidad de voces

Ilustración de onda de sonido para: Idiomas y adaptabilidad de voces

NarraLab ofrece 23 idiomas, desde inglés y español hasta árabe, chino o swahili, con la ventaja de que cada una de las 8 voces predefinidas puede pronunciar cualquiera de ellos. Esto elimina la necesidad de contratar locutores nativos distintos para cada mercado y simplifica la producción de contenido corporativo multilingüe para equipos de RRHH y formación interna sin conocimientos de programación.

Misma voz en 23 idiomas

Las voces mantienen su personalidad y timbre característico sin importar el idioma seleccionado. Esto asegura coherencia de marca en vídeos de capacitación distribuidos a empleados en diferentes regiones, manteniendo la identidad acústica del equipo de formación.

  • Soporte para 23 idiomas específicos
  • Coherencia de marca global
  • Sin necesidad de nuevas voces por idioma

Detección automática por script

Si no especificas el código ISO del idioma, el sistema intenta adivinarlo basándose en la escritura del texto. Por ejemplo, el texto en latín se asume como inglés por defecto.

  • Detección automática basada en el script
  • Predeterminado a inglés para texto latino
  • Rápido para textos en idiomas soportados

Configuración manual de lenguaje

Para textos en latino pero en idiomas como alemán o holandés, es recomendable establecer el parámetro language manualmente para evitar errores de pronunciación. Las voces pueden mezclar idiomas, pero la claridad mejora con la especificación precisa.

  • Parámetro language opcional en JSON
  • Mejora precisión en idiomas latinos no ingleses
  • Códigos ISO estándar

Formatos de audio para edición

Ilustración de onda de sonido para: Formatos de audio para edición

El formato de audio determina cómo se integra la voz generada en tu flujo de trabajo de edición. NarraLab permite seleccionar entre MP3, WAV, FLAC, OPUS y PCM según el uso final del archivo.

Cada formato ofrece un equilibrio distinto entre calidad de sonido y tamaño de archivo, asegurando que la narración se adapte tanto a la web como a procesos profesionales de postproducción.

MP3: Estándar para web y móvil

El formato MP3 es la opción predeterminada y más eficiente para la mayoría de los usos. Su compresión con pérdida permite archivos ligeros que cargan rápidamente en sitios web, aplicaciones móviles y plataformas de redes sociales sin sacrificar la inteligibilidad de la voz.

  • Tamaño de archivo reducido para carga rápida.
  • Ideal para incrustación en sitios web y apps.
  • Compatibilidad universal con reproductores modernos.

WAV: Alta calidad para edición

El formato WAV ofrece audio sin compresión, preservando todos los detalles de la voz generada. Es el estándar en software de edición profesional (DAWs) porque permite aplicar efectos, ecualización o cortes de precisión sin degradar la calidad del audio original.

Recomendado para proyectos que requieren múltiples etapas de postproducción o mezcla con música y efectos de sonido.

  • Calidad de audio sin pérdida de datos.
  • Estándar en software de edición profesional.
  • Ideal para mezclas y postproducción avanzada.

FLAC: Sin pérdida para archivado

FLAC (Free Lossless Audio Codec) proporciona compresión sin pérdida, reduciendo el tamaño del archivo mientras mantiene la fidelidad original exacta del WAV. Es la opción óptima para archivar las narraciones generadas, garantizando que el archivo original esté disponible para futuros usos sin necesidad de regenerarlo.

A diferencia de MP3, FLAC no elimina frecuencias, pero es más eficiente en disco que WAV.

  • Compresión sin pérdida de datos.
  • Tamaño menor que WAV sin sacrificar calidad.
  • Perfecto para biblioteca de activos digitales.

Limitaciones a considerar

Ilustración de onda de sonido para: Limitaciones a considerar

La API NarraLab entrega audio sintetizado directamente sin capas de expresión emocional. No existen etiquetas para marcar tono alegre, triste o enfático; el resultado refleja únicamente las características inherentes de la voz seleccionada.

A diferencia de herramientas avanzadas, no soporta SSML, por lo que no puedes controlar pausas precisas, énfasis en palabras específicas ni velocidad variable dentro de un mismo fragmento. El ajuste de velocidad (0.25–4.0) aplica a toda la solicitud por igual.

Sin control de emociones

Las voces tienen un tono base fijo (ej. "alegre" para Nova, "calma" para Sage). No puedes pedir que una frase suene más entusiasta o seria dentro de la misma generación.

Sin SSML para pausas precisas

No hay marcadores de pausa (<break>) ni ajuste de ritmo por palabra. Si necesitas silencio exacto entre frases, debes generar los segmentos por separado y unirlos en tu editor de video.

Sin clonación de voz personalizada

No puedes subir una muestra de audio de un locutor o empleado para replicar su voz. Solo puedes elegir entre las 8 voces predefinidas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion).

Limitaciones a considerar

Cómo probar las voces antes de comprar

Ilustración de onda de sonido para: Cómo probar las voces antes de comprar

Antes de invertir, utiliza el crédito de prueba de 0,50 $ que se otorga al registrarte con Google. Este saldo equivale a aproximadamente 50.000 caracteres y permite generar audio real sin compromiso económico ni tarjeta de crédito.

Es una forma directa de verificar la calidad del servicio y confirmar que las voces seleccionadas se integran correctamente en tu flujo de trabajo de producción de vídeos.

Usar crédito de prueba de $0.50

El crédito de 0,50 $ es válido durante 7 días desde la creación de la cuenta mediante Google. Permite generar audio real para verificar la calidad sin comprometerse financieramente.

Generar frases de prueba en distintos idiomas

Utiliza la API para sintetizar frases clave en los idiomas que necesitas. Si el texto está en latín pero no es inglés, especifica el código ISO para asegurar la pronunciación correcta.

Evaluar claridad en ruido de fondo

Genera muestras de instrucciones o narraciones y superpónlas con el ruido ambiental típico de tus vídeos. Esto te permite validar si la voz mantendrá la intelligibilidad en el entorno final.

Licencia de las grabaciones base

Ilustración de onda de sonido para: Licencia de las grabaciones base

Las voces de NarraLab se construyen a partir de grabaciones licenciadas y de dominio público, garantizando un origen claro para tus narraciones corporativas.

Origen LibriTTS-R CC BY 4.0

Nuestra base técnica utiliza muestras de LibriTTS-R bajo licencia CC BY 4.0, lo que asegura que cada tono cumple con estándares de claridad y consistencia para tu formación interna.

  • Licencia permisiva para uso comercial
  • Calidad de audio verificada

Origen LibriVox dominio público

Complementamos el modelo con lecturas de dominio público de LibriVox, ampliando la variedad de timbres sin restricciones adicionales de derechos de autor sobre la voz base.

Uso comercial permitido sin royalties

Puedes usar las narraciones generadas para vídeos de RRHH, capacitaciones o marketing sin pagar regalías adicionales, ya que la licencia cubre el uso de la voz base.

  • Sin costos recurrentes por voz
  • Apto para contenido corporativo

Velocidad y ritmo en vídeos

Ilustración de onda de sonido para: Velocidad y ritmo en vídeos

La velocidad es un control clave para alinear el audio con el ritmo visual de tus vídeos corporativos. Con la API de NarraLab, puedes ajustar la generación entre 0.25 y 4.0 veces la velocidad normal, permitiendo una sincronización precisa sin necesidad de edición de audio compleja.

Este control permite adaptar la narración al contexto de la formación interna, asegurando que la información sea digerible o ágil según las necesidades del contenido.

Velocidad 1.0 para ritmo natural

La configuración predeterminada de 1.0 produce un habla clara y equilibrada, ideal para la mayoría de los casos de uso en RRHH y capacitación estándar. Es una opción adecuada para garantizar que los empleados comprendan la información sin fatiga auditiva.

Esta velocidad natural mantiene la entonación original de las voces, preservando la claridad narrativa que es esencial para la formación continua.

Ajuste hasta 4.0 para resúmenes

Para vídeos de actualización rápida o resúmenes ejecutivos, puedes acelerar la voz hasta 4.0 veces. Esto permite transmitir grandes cantidades de datos en segundos, ideal para boletines internos o recordatorios breves donde la velocidad es prioritaria.

El audio generado mantiene la inteligibilidad incluso a velocidades altas, aunque la entonación puede sonar más mecánica debido a la compresión del tiempo.

0.25 para explicaciones lentas

En instrucciones técnicas o procesos complejos, reducir la velocidad a 0.25 permite que los oyentes procesen cada paso con calma. Esta opción es útil para vídeos de onboarding detallados o manuales de procedimiento donde la precisión es crítica.

La reducción extrema del ritmo facilita la comprensión para audiencias que pueden tener dificultades con el idioma o para contenido altamente técnico que requiere atención al detalle.

Integración en flujo de vídeo

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

NarraLab está diseñada para equipos de capacitación que necesitan audio profesional sin contratar locutores ni aprender programación. La API simplifica la producción de narraciones para vídeos de RRHH y formación interna mediante endpoints sencillos.

Generar audio por escenas

Divide tu guion en fragmentos de menos de 4096 caracteres. Cada solicitud genera un archivo de audio independiente que puedes gestionar por separado.

  • Máximo 4096 caracteres por petición.
  • Procesamiento secuencial bajo carga.

Sincronizar con imágenes

Descarga los archivos MP3 o WAV resultantes y sincronízalos con tus clips visuales en tu editor de vídeo preferido. La longitud del audio refleja aproximadamente el tiempo de lectura real.

Exportar para plataformas sociales

Una vez editado, exporta el vídeo completo. Los formatos soportados incluyen MP3, WAV, OPUS, FLAC y PCM, asegurando compatibilidad con la mayoría de plataformas de distribución.

Soporte y actualizaciones

Ilustración de onda de sonido para: Soporte y actualizaciones

El soporte técnico se gestiona exclusivamente por correo electrónico, sin número de teléfono ni chat en vivo disponible. Esta modalidad permite un seguimiento claro de cada incidencia sin la presión de la inmediatez, ideal para equipos de RRHH que prefieren registrar las consultas por escrito.

No se ofrece garantía de nivel de servicio (SLA), lo que significa que no hay compromisos formales sobre tiempos de respuesta o disponibilidad garantizada. La operación se mantiene ágil y sin sobrecostos por infraestructura empresarial rígida.

Soporte por email exclusivamente

Envía tus dudas o reportes de errores a la dirección de contacto del sitio. Las respuestas se procesan en orden de llegada, priorizando la claridad sobre la velocidad.

  • Sin número de teléfono directo.
  • Sin chat en vivo.
  • Registro escrito de todas las interacciones.

Sin garantía de SLA

La infraestructura funciona bajo un modelo optimizado para costos, sin contratos enterprise ni compensaciones por tiempos de inactividad. Las actualizaciones pueden ocurrir sin previo aviso para mejorar la estabilidad.

Actualización de voces sin aviso previo

Las voces base pueden recibir ajustes menores en su síntesis para corregir artefactos. No se notifica cada cambio menor para mantener la simplicidad de la API.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Su tono cálido mantiene la atención del empleado sin resultar monótono, facilitando la retención de información clave en vídeos de onboarding.

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. OpenAI API reference: create speech
  5. curl documentation
  6. openai-python on GitHub
  7. LibriTTS-R paper (arXiv 2305.18802)
  8. Tether (USDT)
  9. W3C WAI: making audio and video accessible
  10. Creative Commons Attribution 4.0
  11. TRON developer hub: TRC-20
  12. openai-node on GitHub

Más en este sitio