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

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

Pega esto en Claude Code, Cursor o Codex. Iniciará sesión o creará una cuenta, creará una clave y añadirá 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 proporciona infraestructura de voz con IA: texto a voz, voz a texto, clonación de voz, agentes de voz y audio generativo. Puedes usarla de cuatro formas, pensadas para públicos diferentes.

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

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

ElevenAPI ofrece todas las capacidades 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 una recepcionista telefónica con IA lista 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 a partir de una descripción de texto.

Los modelos controlan la calidad, la latencia y la cobertura de idiomas del audio generado. eleven_v4 produce los resultados más expresivos en más de 90 idiomas. eleven_v4_turbo está diseñado para uso en tiempo real con una latencia mediana 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 funciona el precio?

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 mensualmente y los créditos no utilizados se acumulan durante un máximo de dos meses. Consulta los precios para ver un desglose completo.

Para usar la API sin una suscripción mensual, Pago por uso te permite prepagar un saldo que se va descontando a medida que usas ElevenLabs, una vez agotados los créditos de la suscripción.

Diseñado para producción

¿Qué velocidad tiene Texto a Voz de ElevenLabs?

Eleven v4 Turbo y Eleven Flash v2.5 devuelven el primer audio con una latencia mediana de ~100 ms. Scribe v2 Realtime devuelve transcripciones confirmadas con una latencia mediana de ~150 ms. Estas cifras no incluyen la latencia de la aplicación ni de la red, por lo que el tiempo hasta que tus usuarios oyen el audio es mayor. Cómo se mide la latencia explica qué cubren 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 límite de conversaciones simultáneas: como referencia, un límite de 5 suele poder admitir alrededor de 100 retransmisiones 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 la guía 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, por lo que el texto, el audio y las transcripciones permanecen en tu red.
Residencia de datos almacena tus datos en entornos aislados de la UE, India o Singapur, en lugar de en la ubicación predeterminada de 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 con 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. Si prefieres que tu agente de programación se encargue de 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 el 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 la reproducción de 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 puedes configurar en el panel de control o mediante los SDK.

Atención al cliente: responde a preguntas basadas en tu propia documentación vinculando 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 que aparece 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 mediana de ~100 ms† con la entonación en tiempo real más expresiva. `eleven_flash_v2_5` tiene una latencia mediana similar.
Narración expresiva o de larga duración	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 una salida de larga duración 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`	Un precio por carácter un 50 % inferior 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 por palabra, diarización de 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 ~150 ms† en más de 90 idiomas.