Preguntas frecuentes
¿Qué es una voz predefinida?
Son ocho estilos vocales fijos disponibles en la API: Aria, Nova, Luna, Sage, Felix, Milo, Atlas y Orion. Cada una tiene un tono específico (narrador, energético, suave, etc.) y puede hablar cualquiera de los 23 idiomas soportados. No se requiere entrenamiento ni clonación de voz; solo se selecciona el preset en la solicitud.
¿Qué es Aria en la API?
Aria es una voz femenina predefinida con un tono cálido y claro, ideal para narración. Se selecciona mediante el campo voice en la solicitud POST. Es adecuada para asistentes de voz que requieren una entrega clara y profesional. Las voces están basadas en grabaciones con licencia CC BY 4.0 de LibriVox.
¿Qué es Nova en la API?
Nova es una voz femenina predefinida con un tono brillante y animado. Es útil para notificaciones o alertas que requieren atención inmediata en sistemas IoT. Se usa especificando voice=nova en la API. El audio generado incluye una marca de agua sintética y se entrega en formatos como mp3 o wav.
¿Qué es Luna en la API?
Luna es una voz femenina predefinida con un tono suave, ideal para contar historias o instrucciones relajadas. Se integra en la API como un preset fijo. Es adecuada para ambientes de hogar inteligente donde se busca una experiencia auditiva menos intrusiva. El texto se convierte a audio mediante un endpoint POST estándar.
¿Qué es Felix en la API?
Felix es una voz masculina predefinida con un tono enérgico, diseñada para promociones o anuncios. Se utiliza especificando voice=felix en la solicitud. Es ideal para notificaciones de ventas o alertas de dispositivos IoT que requieren dinamismo. La generación de audio sigue el formato de solicitud similar a OpenAI, con límites de 4096 caracteres.
¿Qué es Milo en la API?
Milo es una voz masculina predefinida con un tono amigable y conversacional. Se usa para interacciones naturales en asistentes de voz o controles de hogar inteligente. Basta con incluir voice=milo en la llamada a la API. El audio se genera en segundos y se puede solicitar en formatos como mp3, wav u opus.
¿Qué es Atlas en la API?
Atlas es una voz masculina predefinida con un tono neutral, ideal para noticias o información objetiva. Se selecciona con voice=atlas en la API. Es adecuada para sistemas IoT que requieren claridad sin sesgo emocional. El texto se procesa mediante un endpoint POST, y el resultado es un archivo de audio con marca de agua sintética.
¿Qué es Orion en la API?
Orion es una voz masculina predefinida con un tono profundo, ideal para documentales o narrativas serias. Se usa especificando voice=orion en la solicitud. Es útil para asistentes de voz que requieren una presencia auditiva grave y estable. La API devuelve el audio generado directamente, sin almacenamiento, y cobra por caracteres procesados.
¿Qué es Sage en la API?
Sage es una voz femenina predefinida con un tono calmado, ideal para instrucciones educativas o técnicas. Se selecciona con voice=sage en la API. Es adecuada para guías de uso de dispositivos IoT o notificaciones informativas. El audio se genera mediante texto plano, con soporte para velocidad ajustable y múltiples formatos de salida.
¿Qué es una licencia CC BY 4.0?
Es una licencia Creative Commons que permite el uso, modificación y distribución del contenido, incluso comercialmente, siempre que se dé crédito al autor original. Las voces de VozHoja se basan en grabaciones con esta licencia, garantizando su uso legal en la API sin restricciones adicionales de derechos de autor para el usuario final.
¿Qué es LibriVox?
LibriVox es una plataforma de audiolibros de dominio público que ofrece grabaciones leídas por voluntarios. Las voces de VozHoja se basan en estas grabaciones, específicamente en el conjunto de datos LibriTTS-R. Esto asegura que las voces sintéticas provengan de fuentes legítimas y con licencias compatibles, como CC BY 4.0, para su uso en la API.
¿Qué es LibriTTS-R?
LibriTTS-R es un conjunto de datos de audio utilizado para entrenar modelos de síntesis de voz. Las voces de VozHoja se basan en este dataset, que proviene de grabaciones de LibriVox con licencia CC BY 4.0. Esto garantiza que las voces predefinidas sean legítimas y estén libres de restricciones de derechos de autor para su uso en la API.
¿Cuál es la mejor voz para IoT?
No hay una única voz recomendada; depende del caso de uso. Para instrucciones, Sage o Atlas son adecuadas; para alertas, Nova o Felix; para neutralidad, Atlas. Todas las 8 voces soportan 23 idiomas y se seleccionan mediante el parámetro voice en la API. La elección depende del tono deseado para la interacción con el usuario.
¿Qué formatos de audio soporta?
La API soporta los formatos mp3, wav, opus, flac y pcm. Se especifican mediante el campo response_format en la solicitud POST. Estos formatos permiten la integración directa en dispositivos IoT y sistemas de domótica sin necesidad de conversión adicional. El audio se devuelve inmediatamente tras la síntesis, sin almacenamiento en servidor.
Voces disponibles
La API VozHoja ofrece cuatro voces femeninas diseñadas para diferentes contextos de uso en dispositivos IoT. Cada voz tiene un tono específico que facilita la comprensión en entornos domésticos o industriales.
Aria: Narradora clara
Aria es una de las ocho voces disponibles para lectura de texto en dispositivos IoT. Su tono cálido y claro la hace ideal para narraciones de instrucciones o lecturas informativas.
Su claridad asegura que los usuarios comprendan los comandos o alertas sin esfuerzo auditivo adicional.
Nova: Tono alegre
Nova ofrece un tono brillante y dinámico, adecuado para notificaciones positivas o recordatorios de tareas cotidianas.
Su energía suave mantiene al usuario informado sin resultar intrusiva en el ambiente del hogar inteligente.
Luna: Historia suave
Luna está optimizada para narración de historias o contenido de audio más extenso y relajado.
Su voz suave permite una experiencia auditiva cómoda para usuarios que escuchan mientras realizan otras actividades.
Sage: Calma instruccional
Sage proporciona una voz calmada y precisa, ideal para guías paso a paso o instrucciones técnicas.
Su tono neutral facilita la concentración del usuario en los detalles de la operación del dispositivo IoT.
Voces masculinas
Las voces masculinas de VozHoja ofrecen cuatro perfiles distintos para adaptar la síntesis de voz a diferentes contextos de IoT. Cada preset está optimizado para transmitir el tono adecuado en asistentes de voz, notificaciones y controles del hogar inteligente sin requerir ajustes complejos.
Felix: Energía promocional
Felix proyecta un tono enérgico y directo, ideal para alertas urgentes o anuncios de servicios en dispositivos IoT. Su voz destaca por mantener la atención del usuario en entornos con ruido de fondo o en notificaciones breves.
Milo: Conversacional
Diseñada para interacciones amigables, como recordatorios de tareas o respuestas de asistentes domésticos. Milo aporta una cercanía natural que facilita la comprensión en interacciones cotidianas sin sonar robótico.
Atlas: Noticias neutrales
Atlas ofrece una entrega clara y equilibrada, perfecta para lectura de datos, informes meteorológicos o estado del sistema. Su neutralidad asegura que la información técnica se transmita sin sesgos emocionales.
Orion: Documental profundo
Con un registro grave y sereno, Orion es adecuado para narraciones largas o instrucciones detalladas en modo nocturno. Su profundidad reduce la fatiga auditiva en reproducciones continuas de contenido informativo.
Resumen de opciones masculinas
- Felix: Energía promocional para alertas.
- Milo: Interacción amigable para asistentes.
- Atlas: Neutralidad para datos técnicos.
- Orion: Profundidad para narraciones largas.
Formatos y calidad
El endpoint devuelve audio en formatos estándar o de código abierto. Selecciona el que mejor se adapte a la capacidad de decodificación de tu dispositivo IoT o pasarela de audio.
MP3, WAV, OPUS, FLAC, PCM
MP3 y OPUS ofrecen compresión eficiente para redes con ancho de banda limitado. WAV y FLAC proporcionan audio sin pérdida, ideal para almacenamiento local de alta fidelidad. PCM es raw audio sin comprimir, útil para procesamiento en tiempo real en microcontroladores.
- MP3: Compatible universalmente
- OPUS: Alta compresión
- WAV/FLAC: Sin pérdida
- PCM: Audio sin comprimir
Calidad estándar vs HD
Los modelos tts-1 y tts-1-hd utilizan el mismo motor de síntesis y tienen el mismo precio. La opción HD ofrece una calidad de audio ligeramente superior con menor ruido de fondo, aunque la diferencia perceptible depende de los altavoces del dispositivo.
Velocidad ajustable (0.25–4.0x)
Puedes ajustar la velocidad de habla entre 0.25x y 4.0x. Esto permite optimizar la duración de las notificaciones para notificaciones urgentes o alargar la narración para instrucciones paso a paso en domótica.
Idiomas soportados
El motor de síntesis procesa texto en múltiples idiomas, detectando automáticamente la lengua cuando se envía texto en alfabeto latino. Si el texto no es inglés, se recomienda especificar el campo language con el código ISO correspondiente para garantizar la precisión.
El soporte técnico cubre escritura CJK y lenguas de derecha a izquierda. Las voces mantienen la naturalidad en estos idiomas; para textos en latín distintos al inglés, se recomienda especificar el campo language.
Español, Inglés, Francés, Alemán
Estos idiomas utilizan el alfabeto latino y son los más comunes en el mercado. El sistema detecta automáticamente el idioma si no se especifica, asumiendo inglés como defecto para texto latino no identificado.
Ajustar el parámetro language asegura que la entonación y la fonética sean precisas, especialmente útil en entornos IoT donde la claridad es crítica para las notificaciones de domótica.
Chino, Japonés, Coreano, Árabe
El soporte incluye caracteres CJK y escritura de derecha a izquierda. Las voces mantienen la naturalidad en estos idiomas; para textos en latín distintos al inglés, se recomienda especificar el campo language.
Otros 15 idiomas disponibles
Además de los mencionados, la API soporta un total de 23 idiomas, incluyendo danés, finés, griego, hebreo, hindi, italiano, malayo, noruego, polaco, portugués, ruso, suajili, sueco y turco.
Cualquier voz puede hablar cualquier idioma soportado, lo que permite unificar el estilo vocal en todos los dispositivos de tu ecosistema IoT sin importar la región.
Precios y facturación
El coste es uniforme: $0.01 por cada 1.000 caracteres, incluyendo espacios y puntuación. Las peticiones fallidas se reembolsan íntegramente. No hay planes mensuales ni mínimos de gasto.
La prueba gratuita ofrece $0.50 de crédito (aproximadamente 50.000 caracteres), válido por 7 días al registrarse con Google. No se requiere tarjeta de crédito.
$0.01 por cada 1.000 caracteres
El precio es lineal y transparente. Solo pagas por los caracteres procesados con éxito. Si la síntesis falla, el cargo se devuelve automáticamente.
Prueba gratuita con $0.50
Al crear una cuenta con Google, recibes $0.50 de crédito inicial. Este saldo permite probar la API sin compromiso financiero. Si te registras con email y contraseña, no se otorga crédito de prueba.
Pago con USDT (TRC-20)
Las recargas se realizan exclusivamente mediante USDT en la red TRON (TRC-20). El monto mínimo es de $5. Los fondos se acreditan automáticamente en minutos. No aceptamos tarjetas, PayPal ni facturas con IVA.
Implementación técnica
La integración requiere enviar una petición POST a https://api.onebox63.info/v1/audio/speech con un cuerpo JSON. El formato es idéntico al endpoint de speech de OpenAI, lo que permite reutilizar las SDKs oficiales simplemente ajustando el base_url.
La autenticación se gestiona mediante una clave API única por cuenta, enviada en el encabezado Authorization: Bearer tts-.... Si se emite una nueva clave, la anterior deja de funcionar inmediatamente.
Endpoint compatible con OpenAI
Utilice el endpoint estándar de síntesis. Envíe el texto, el modelo (tts-1 o tts-1-hd), la voz y el formato deseado en el cuerpo JSON.
Las SDKs de OpenAI funcionan nativamente si configura la URL base de la API en https://api.onebox63.info/v1.
- Método: POST
- URL: /v1/audio/speech
- Formato: JSON
Autenticación con clave API
Obtenga su clave en la página /get-api-key/. Envíela en cada petición como cabecera Authorization: Bearer tts-.... Una sola clave activa por cuenta.
La emisión de una nueva clave invalida la anterior de forma instantánea.
Límites de 60 peticiones por minuto
El límite estándar es de 60 peticiones por minuto por clave API. Antes de la primera recarga, el límite es de 10 peticiones por minuto.
Las peticiones se procesan en cola; bajo carga, una petición puede esperar su turno.
Licenciamiento y datos
Las voces de VozHoja provienen de grabaciones licenciadas de LibriTTS-R, derivadas de audiolibros de dominio público de LibriVox. Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial.
Voces basadas en LibriTTS-R
El motor utiliza muestras de narradores reales con derechos claros, garantizando una calidad auditiva consistente sin depender de clones personalizados.
Licencia CC BY 4.0
La base de datos de voces opera bajo la licencia Creative Commons Attribution 4.0 International. Esto permite el uso comercial de las voces generadas, aunque se recomienda atribuir la fuente original si se distribuye el contenido.
Esta licencia asegura que las voces no están restringidas por contratos exclusivos de celebridades o actores de voz tradicionales.
Texto no usado para entrenamiento
El texto que envías a la API se procesa exclusivamente para producir el archivo de audio solicitado. No se almacena ni se utiliza para mejorar ni entrenar futuros modelos de síntesis.
Los metadatos de la petición (hora, caracteres, estado) se conservan únicamente para facturación y auditoría de límites de uso.

Uso en diferentes contextos
La API de VozHoja permite convertir notificaciones y alertas en audio para dispositivos IoT sin necesidad de código. Al enviar texto al endpoint, se recibe un archivo de audio listo para reproducirse en asistentes de voz o sistemas de control del hogar inteligente.
Este flujo es ideal para notificaciones de seguridad o recordatorios automáticos, donde la claridad y la inmediatez son prioritarias. La generación de audio ocurre en segundos para frases cortas, permitiendo respuestas rápidas a eventos en tiempo real.
Notificaciones y alertas
Las alertas de domótica pueden transmitirse como audio sintetizado instantáneamente. Al detectar un evento, el sistema envía el texto a la API y reproduce el resultado en los altavoces conectados.
Este enfoque elimina la dependencia de archivos MP3 pregrabados para cada posible mensaje, permitiendo personalizar el contenido dinámicamente sin aumentar el almacenamiento del dispositivo.
Comandos de voz directos
Los dispositivos IoT pueden responder a comandos de voz mediante síntesis inmediata. Al recibir una orden, el sistema genera una confirmación auditiva clara, mejorando la interacción usuario-dispositivo.
La velocidad de generación permite respuestas casi instantáneas, manteniendo la fluidez en la experiencia del usuario sin demoras perceptibles.
Narración de historias
Para entornos hogareños, la API soporta la narración de cuentos o información educativa. Voces como Luna o Sage proporcionan un tono suave y adecuado para el entretenimiento o la educación infantil.
El límite de 4096 caracteres por petición permite segmentar historias largas, garantizando una reproducción continua y coherente.
Comparativa de características
La API ofrece ocho voces predefinidas con estilos distintivos, desde la narradora clara de Aria hasta el tono profundo de Orion. Esta variedad permite seleccionar el registro más adecuado para cada dispositivo IoT, garantizando coherencia acústica en notificaciones o comandos sin necesidad de ajustes complejos.
Tono y estilo de voz
Cada voz tiene un carácter definido: Aria es clara, Nova es alegre, Luna es suave para historias, Sage es calmada e instructiva. Las masculinas incluyen Felix (energético), Milo (conversacional), Atlas (neutral) y Orion (documental). Estas diferencias permiten ajustar la experiencia auditiva según el contexto de uso.
- Aria: Narradora clara y directa
- Nova: Tono alegre y dinámico
- Felix: Energía para promociones
- Atlas: Neutralidad para noticias
Claridad en acentos
Cada voz puede hablar cualquiera de los 23 idiomas soportados, incluyendo español, inglés, chino y árabe. Esto elimina la necesidad de gestionar múltiples voces por región, simplificando la arquitectura de dispositivos IoT que atienden a usuarios multilingües con un único conjunto de endpoints.
Adaptación al contexto
La velocidad ajustable (0.25–4.0x) permite optimizar la duración del audio para notificaciones rápidas o narraciones largas. El formato de respuesta se selecciona según la eficiencia de red del dispositivo IoT, equilibrando calidad y ancho de banda sin sacrificar la integridad del mensaje.
- Velocidad ajustable para control de tiempo
- Formatos optimizados para IoT
- Generación consistente en cola
Recomendaciones finales
La integración de TTS en IoT requiere validación práctica. Realice pruebas A/B comparando voces como Aria para narración clara o Felix para alertas urgentes. Evalúe la inteligibilidad en entornos reales con ruido de fondo, ajustando el volumen y la velocidad según el dispositivo de salida.
Recopile feedback directo de usuarios finales sobre la claridad y el tono. Ajuste la velocidad (0.25–4.0x) para equilibrar naturalidad y eficiencia. Las velocidades altas reducen el tiempo de respuesta en notificaciones, mientras que velocidades moderadas mejoran la comprensión en comandos de voz.
Prueba de A/B con usuarios
Compare dos voces o configuraciones en dispositivos IoT reales. Mida la tasa de comprensión y la satisfacción del usuario final.
- Selecciona dos voces contrastantes (ej. Aria vs. Felix).
Feedback del usuario final
Utiliza encuestas breves o métricas de interacción para identificar problemas de claridad. Prioriza las voces que reduzcan la necesidad de repetición.
- Registra la tasa de éxito en comandos de voz.
Ajuste de velocidad óptimo
Ajusta la velocidad entre 0.25x y 4.0x según el contexto. Para notificaciones rápidas, usa velocidades mayores; para instrucciones, usa velocidades moderadas.
- Optimiza para latencia mínima en alertas.
Preguntas frecuentes
Las voces predefinidas son ocho configuraciones de síntesis listas para usar sin necesidad de entrenamiento adicional ni clonación personalizada. Cada voz ofrece un tono distintivo que puede adaptarse al contexto de tu dispositivo IoT, ya sea una notificación breve o una narración más larga.
¿Qué es una voz predefinida?
Son perfiles de voz estáticos que combinan características de tono, ritmo y timbre para generar audio de forma inmediata. No requieren configuración adicional ni modelos personalizados, lo que las hace ideales para integraciones rápidas en ecosistemas domóticos sin código.
¿Qué es Aria en la API?
Aria es una voz femenina diseñada para sonar clara y actuar como narradora. Es adecuada para instrucciones generales o lectura de textos informativos en dispositivos de hogar inteligente.
¿Qué es Nova en la API?
Nova es una voz femenina con un tono brillante y optimista. Se recomienda para notificaciones diarias o recordatorios que requieren un tono más dinámico y amigable.
¿Qué es Luna en la API?
Luna es una voz femenina suave, ideal para contar historias o contenido de relajación. Su tono narrativo la hace adecuada para modos de sueño o ambientación en casa.
¿Qué es Felix en la API?
Felix es una voz masculina con energía promocional. Es útil para alertas de ofertas, notificaciones de entregas o avisos que requieren captar la atención del usuario rápidamente.
¿Qué es Milo en la API?
Milo es una voz masculina con un tono conversacional y amigable. Se utiliza para interacciones más naturales, como asistentes de voz en dispositivos IoT que responden a preguntas frecuentes.
¿Qué es Atlas en la API?
Atlas es una voz masculina neutral, orientada a noticias. Su claridad y falta de expresividad emocional la hacen ideal para lecturas informativas o reportes de estado del sistema.
¿Qué es Orion en la API?
Orion es una voz masculina profunda, similar a la de un documental. Es adecuada para narraciones largas o explicaciones detalladas en dispositivos de entretenimiento o educación en el hogar.
¿Qué es Sage en la API?
Sage es una voz masculina calmada, ideal para contenido instruccional. Su tono estable la hace perfecta para guías paso a paso o instrucciones técnicas en dispositivos IoT.
¿Qué es una licencia CC BY 4.0?
Es una licencia Creative Commons que permite el uso, modificación y distribución del material, incluso con fines comerciales, siempre que se cite la autoría original. Las grabaciones base de nuestras voces están bajo esta licencia.
¿Qué es LibriVox?
LibriVox es una plataforma que recopila lecturas de dominio público realizadas por voluntarios. Nuestras voces se basan en grabaciones de esta fuente, garantizando que el material original no esté sujeto a derechos de autor estrictos.
¿Qué es LibriTTS-R?
LibriTTS-R es un conjunto de datos derivado de las grabaciones de LibriVox. Es la base de entrenamiento para las ocho voces predefinidas de nuestra API, asegurando calidad y claridad en la síntesis.
¿Cuál es la voz recomendada para IoT?
No existe una voz única óptima para todos los casos. La elección depende del contexto: Sage o Atlas para instrucciones neutras, Nova para alertas amigables, y Luna para narración. Se recomienda probar diferentes voces con usuarios reales.
¿Qué formatos de audio soporta?
La API soporta MP3, WAV, OPUS, FLAC y PCM. MP3 y OPUS son eficientes para redes IoT, mientras que WAV y FLAC ofrecen mayor calidad para almacenamiento local. PCM es útil para procesamiento en tiempo real.
Límites y rendimiento
La API procesa texto en bloques de hasta 4096 caracteres. Para textos más largos, se dividen y se unen los archivos de audio resultantes.
4096 caracteres por petición
Cada solicitud POST acepta un máximo de 4096 caracteres. El límite incluye espacios y puntuación. Si el texto excede este valor, debe dividirlo en varias peticiones consecutivas para obtener el audio completo sin cortes abruptos.
Procesamiento en cola
Las solicitudes se procesan secuencialmente. Bajo carga, una petición puede esperar en una cola antes de comenzar la síntesis. Esto garantiza la integridad del audio, pero introduce latencia variable en dispositivos IoT sensibles al tiempo real.
Velocidad de generación
La velocidad típica es aproximadamente de 25 caracteres de texto por segundo de audio generado. Las frases cortas pueden tardar unos segundos adicionales en procesarse. Esta métrica ayuda a estimar la latencia en notificaciones de domótica.
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
