Texto a Voz
Descubre cómo convertir texto en audio hablado realista con ElevenLabs.
Descripción general
La API de ElevenLabs Texto a Voz (TTS) convierte texto en audio realista con entonación, ritmo y matices emocionales. Nuestros modelos se adaptan a las señales del texto en 32 idiomas y múltiples estilos de voz, y puedes usarlos para:
- Narrar campañas y anuncios globales
- Producir audiolibros en varios idiomas con una 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 la máxima calidad con una expresión más matizada.
Opciones de voz
ElevenLabs ofrece miles de voces en 32 idiomas mediante varios métodos de creación:
- Biblioteca de voces con más de 3000 voces compartidas por la comunidad
- Clonado de voz profesional para réplicas de máxima fidelidad
- Clonado de voz instantáneo 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 parezca grabada en un lugar concreto, sin necesidad de editarla después. Configura cualquier combinación de:
- Preajuste de filtro: modifica el color de 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 un ambiente, como una cafetería o el tecleo de un teclado, bajo la voz.
- Panoramización: coloca la voz entre los canales izquierdo y derecho.
Los efectos están disponibles en las rutas de API de 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 app, añade efectos desde el playground de Texto a Voz.
Los efectos no cambian el coste de una solicitud. La reverberación y la panoramización producen audio estéreo, por lo que no están disponibles con los formatos de salida mono pcm_*, ulaw_* y alaw_*.
Formatos de salida compatibles
El formato de respuesta predeterminado es mp3, pero también hay otros formatos disponibles, como pcm y ulaw.
- MP3
- Frecuencias de muestreo: 22,05 kHz - 44,1 kHz
- Tasas de bits: 32 kbps - 192 kbps
- 22,05 kHz a 32 kbps
- 44,1 kHz a 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
- PCM (S16LE)
- Frecuencias de muestreo: 16 kHz - 44,1 kHz
- Tasas de bits: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
- Profundidad de 16 bits
- μ-law
- Frecuencia de muestreo de 8 kHz
- Optimizado para aplicaciones de telefonía
- A-law
- Frecuencia de muestreo de 8 kHz
- Optimizado para aplicaciones de telefonía
- Opus
- Frecuencia de muestreo: 48 kHz
- Tasas de bits: 32 kbps - 192 kbps
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 resultados más naturales, elige una voz con un acento que coincida con tu idioma y región de destino.
Prompting
Los modelos interpretan el contexto emocional directamente a partir del texto introducido. 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 consistencia, mientras que la emoción subyacente procede de las señales del texto.
Lee la guía de prompting para más información.
El modelo pronunciará el texto descriptivo, y debes recortarlo o eliminarlo manualmente del audio si lo deseas.
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 clones de alta fidelidad, consulta nuestra función de clonado 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 utilizar el audio generado con fines comerciales y monetizar los resultados si posees los derechos de propiedad intelectual del 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 el de 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 los benchmarks internos 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 en tiempo real?
Utiliza 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 a veces es inconsistente?
Los modelos no son deterministas. Para lograr consistencia, usa el parámetro seed opcional, aunque pueden seguir produciéndose diferencias sutiles.
¿Cuál es la mejor práctica para conversiones de textos largos?
Divide el texto largo en segmentos y usa streaming para una 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 de ID de solicitud anterior/siguiente .
Datos clave
- Determinismo: El resultado no es determinista; usa el parámetro
seedpara obtener resultados más consistentes - Efectos de audio: Añade un preajuste de filtro, distancia, reverberación, ruido de fondo o panoramización con
audio_effectssin coste adicional - Regeneraciones gratuitas: Hasta 2 regeneraciones gratuitas por generación (solo con el 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 - Texto largo: Divide el texto largo en segmentos; usa los parámetros
previous_text/next_textpara mantener una prosodia natural entre fragmentos