Funciones

Texto a Voz

Aprende a convertir texto en audio hablado natural con ElevenLabs.

Descripción general

La API de ElevenLabs Texto a Voz (TTS) convierte texto en audio natural con entonación, ritmo y sensibilidad emocional matizados. Nuestros modelos se adaptan a las señales textuales en 32 idiomas y a varios estilos de voz, y pueden usarse 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.

La biblioteca de voces no está disponible a través de la API para usuarios del plan gratuito.
Productos

Guía paso a paso para usar texto a voz en ElevenLabs.

Desarrolladores

Aprende a integrar texto a voz en tu aplicación.

Referencia de la API

Referencia completa de la API para la ruta de API de Texto a Voz.

MCP

Genera voz desde Claude o cualquier cliente MCP con el servidor MCP alojado.

Eleven v4

Novedades de Eleven v4, con comparativas de clonación de voz.

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.

Eleven v4

Nuestro modelo de síntesis de voz más expresivo y de mayor calidad

Capacidades excepcionales de clonación de voz
Compatible con más de 90 idiomas
Límite de 10.000 caracteres
Compatible con diálogos naturales entre varios hablantes
Eleven v4 Turbo

Nuestro modelo de síntesis de voz en tiempo real más expresivo

Latencia ultrabaja (latencia de inferencia mediana de ~100 ms†)
Capacidades excepcionales de clonación de voz
Compatible con más de 90 idiomas
Etiquetas de audio para un control preciso
Eleven v3

Nuestro modelo de síntesis de voz expresivo y con gran riqueza emocional

Entonación e interpretación dramáticas
Compatible con más de 70 idiomas
Límite de 5.000 caracteres
Compatible con diálogos naturales entre varios hablantes
Eleven v3 Conversational

Nuestro modelo de síntesis de voz expresivo y en tiempo real

Baja latencia (~280 ms)
Entonación e interpretación dramáticas
Compatible con más de 70 idiomas
Etiquetas de audio para un control preciso
Eleven Multilingual v2

Modelo de síntesis de voz realista y de calidad constante

Resultado con sonido natural
Compatible con 29 idiomas
Límite de 10.000 caracteres
El más estable para generaciones largas
Eleven Flash v2.5

Nuestro modelo de síntesis de voz rápido y asequible

Latencia ultrabaja (~75 ms†)
Compatible con 32 idiomas
Límite de 40.000 caracteres
Modelo más rápido, con un precio por carácter un 50 % menor para generaciones mediante la API

Opciones de voz

ElevenLabs ofrece miles de voces en 32 idiomas mediante varios métodos de creación:

Descubre más sobre nuestras opciones de voz.

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 obtener 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 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 señales textuales.

Lee la guía de prompting para obtener más información.

El modelo pronunciará el texto descriptivo, por lo que debes recortarlo o eliminarlo manualmente del audio si lo deseas.

Preguntas frecuentes

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 clonación de voz profesional.

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 posees los derechos de propiedad intelectual del contenido de entrada.

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.

Usa los modelos Flash de baja latencia (Flash v2 o v2.5), optimizados para situaciones conversacionales o interactivas casi en tiempo real. Consulta nuestra guía de optimización de la latencia para obtener más información.

Los modelos no son deterministas. Para obtener mayor coherencia, usa el parámetro seed opcional, aunque pueden seguir produciéndose diferencias sutiles.

Divide los textos largos 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 ID de solicitud anterior/siguiente .

Datos clave

  • Determinismo: El resultado no es determinista — usa el parámetro seed para obtener resultados más coherentes
  • Regeneraciones gratuitas: Hasta 2 regeneraciones gratuitas por generación (solo 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_v2 o eleven_flash_v2_5) — consulta la guía de optimización de la latencia
  • Texto extenso: Divide los textos largos en segmentos; usa los parámetros previous_text / next_text para mantener una prosodia natural entre fragmentos