Texto a Voz

ElevenLabs utiliza modelos de voz neuronales que generan un ritmo y una entonación naturales, y adaptan la entonación al significado de cada frase. El modelo interpreta la puntuación y el contexto para decidir la pronunciación y el ritmo antes de generar el audio.

Eleven v4, nuestro modelo más expresivo, añade etiquetas de audio como [laughs] o [whispers] para controlar directamente la entonación. Escucha una vista previa de cualquier voz antes de generar el audio para comprobar su calidad.

Pega tu texto en la herramienta de ElevenCreative Texto a Voz, elige una voz y un modelo y selecciona Generar. Reproduce el resultado, ajusta la configuración de la voz si es necesario y descarga el archivo. El audio se descarga en formato MP3 de forma predeterminada.

En el sitio web, también puedes descargar archivos WAV, M4A y FLAC desde la pestaña Historial. A través de la API, puedes elegir estos formatos:

• MP3 de 22,05 a 44,1 kHz y de 32 a 192 kbps (192 kbps en Creator y planes superiores)
• PCM (S16LE) de 8 a 48 kHz para edición y posproducción (44,1 kHz en Pro y planes superiores)
• μ-law y A-law a 8 kHz para telefonía
• Opus a 48 kHz para apps de streaming

ElevenLabs funciona en cualquier navegador moderno, y la app móvil de ElevenLabs está disponible para iOS y Android. Desarrolladores pueden generar el mismo audio con ElevenAPI.

Texto a Voz tiene numerosos usos tanto para creadores como para empresas. Algunos de los más habituales son:

• Audiolibros y narración de formato largo
• Locuciones para vídeos y anuncios
• Cursos de e-learning y material de formación
• Agentes de voz y sistemas IVR
• Juegos y diálogos de personajes
• Accesibilidad para lectores con dislexia o baja visión
• Aprendizaje de idiomas con pronunciación de nivel nativo
• Versiones en audio de artículos para editores

Texto a Voz convierte texto en audio, y Voz a Texto hace lo contrario: transcribe audio en texto. La IA conversacional combina ambas tecnologías con un modelo de lenguaje para que un agente de voz pueda escuchar y responder en tiempo real.

• Texto a Voz: Proporcionas un guion y ElevenLabs devuelve una voz que lo lee.
• Voz a Texto: Proporcionas audio y ElevenLabs devuelve una transcripción.
• IA conversacional: ElevenAgents combina STT y TTS con un modelo de lenguaje en un único agente de baja latencia.

ElevenLabs desarrolla sus propios modelos de voz, lo que permite que una sola plataforma cubra tanto la narración expresiva como los agentes de voz en tiempo real. En la práctica, esto significa:

• Más de 17.500 voces, además de Diseño de voz y Clonar Voz IA para crear voces personalizadas
• Más de 90 idiomas con Eleven v4
• Etiquetas de audio para indicar emociones y efectos de sonido directamente en el guion
• Streaming en tiempo real con Eleven v4 Turbo, con una latencia media de inferencia de ~100 ms
• ElevenAPI con SDK para TypeScript y Python
• Cumplimiento de SOC 2, además de compatibilidad con HIPAA en los planes Enterprise

Más de 1 millón de usuarios y más del 66 % de las empresas Fortune 500 confían en ElevenLabs.

Usa Eleven v4 para obtener el audio más expresivo y Eleven v4 Turbo cuando necesites esa expresividad en tiempo real. Los modelos anteriores siguen disponibles para necesidades específicas.

• Eleven v4: El modelo más emotivo de ElevenLabs, con más de 90 idiomas, etiquetas de audio, diálogo entre varios hablantes, compatibilidad con Clonar Voz Profesional y hasta 10.000 caracteres por solicitud. Ideal para audiolibros, cine, juegos y anuncios.
• Eleven v4 Turbo: La capacidad expresiva de v4 con una latencia media de inferencia de ~100 ms. Ideal para agentes de voz y apps en directo.
• Eleven v3: Más de 70 idiomas y etiquetas de audio, con hasta 5.000 caracteres por solicitud.
• Multilingual v2: 29 idiomas y hasta 10.000 caracteres por solicitud.
• Flash v2.5: 32 idiomas, ~75 ms de latencia del modelo, hasta 40.000 caracteres por solicitud y la mitad de precio por carácter a través de la API.

Todos los modelos funcionan a través de ElevenAPI. Para cambiar de modelo, solo tienes que modificar su ID. Estos límites de caracteres se aplican a cada solicitud de la API.

Texto a Voz de ElevenLabs admite más de 90 idiomas con Eleven v4 y Eleven v4 Turbo. La cobertura varía según el modelo: Eleven v3 admite más de 70 idiomas, Flash v2.5 admite 32 y Multilingual v2 admite 29.

El acento depende de la voz que elijas, y puedes filtrar las voces por acento, como inglés americano, británico, australiano o indio. Una voz de la Biblioteca de voces o tu propio clon puede hablar todos los idiomas compatibles con su modelo. En Eleven v4, una voz que habla otro idioma utiliza un acento nativo en ese idioma. Una misma voz puede narrar tu guion para todos los mercados en los que vendes.

ElevenLabs ofrece más de 17.500 voces. También puedes añadir la tuya. Puedes buscar en la Biblioteca de voces por idioma, acento, género, edad y caso de uso. Diseño de voz genera una voz nueva a partir de una descripción escrita de cómo debe sonar. Para clonar tu propia voz:

• Clonar Voz Instantánea: Crea un clon a partir de una grabación corta, idealmente de uno a dos minutos de audio. Disponible en los planes Starter y superiores.
• Clonar Voz Profesional: Entrena un clon de alta fidelidad con más de 30 minutos de grabaciones limpias. Captura el acento y el registro vocal, y está disponible en los planes Creator y superiores.

Solo puedes clonar una voz si tienes permiso para usarla, y Clonar Voz Profesional se limita a tu propia voz tras la verificación. ElevenLabs utiliza su Clasificador de voz IA para ayudar a detectar audio clonado.

El TTS de ElevenLabs te ofrece control total sobre la voz y el guion. Puedes usar etiquetas de audio en Eleven v4 y Eleven v4 Turbo para incluir indicaciones naturales, como [whispers], [hesitant] y [excited], en tus guiones. En Eleven v4, los ajustes de voz te permiten modificar la estabilidad y la similitud, y la puntuación y las etiquetas de audio determinan el ritmo. Define la pronunciación exacta con IPA o un diccionario de pronunciación para nombres de marca.

ElevenAPI te permite implementar TTS en tu aplicación para desarrolladores, generando voz mediante REST o streaming, con SDK oficiales para TypeScript y Python. El streaming inicia la reproducción antes de que esté listo todo el audio, lo que permite que las aplicaciones de voz respondan con rapidez. Para uso en tiempo real: 

• Eleven v4 Turbo: ~100 ms de latencia media de inferencia y ~150 ms de tiempo medio hasta la primera voz
• Flash v2.5: ~75 ms de latencia del modelo

Estas cifras solo cubren el tiempo del modelo. A ellas se suman la latencia de red y de la aplicación. Las solicitudes simultáneas varían según el plan y el modelo: los modelos Flash van de 4 en el plan gratuito a 30 en Business, los demás modelos de 2 a 15, y los límites de Enterprise son más altos. Para agentes de voz bidireccionales, ElevenAgents añade Voz a Texto y gestión de turnos a estas mismas voces.

Puedes empezar a usar TTS en ElevenLabs gratis. El plan gratuito incluye 10.000 créditos al mes, equivalentes a unos 10 minutos de audio, sin necesidad de tarjeta de crédito. Los planes de pago empiezan en 6 $ al mes por 30.000 créditos, mientras que los planes Enterprise tienen precios personalizados.

Cómo funcionan los créditos: 

• Cada generación consume créditos según los caracteres de tu texto. En los planes actuales, unos 1.000 créditos generan un minuto de audio.
• Flash v2.5 usa la mitad de créditos por carácter a través de la API.
• En la web, regenerar el mismo texto con la misma voz y modelo es gratis hasta dos veces, dentro de las dos horas posteriores a la primera generación.
• Los créditos se renuevan cada mes con tu ciclo de facturación. Los créditos no utilizados se acumulan, hasta un máximo de dos meses, siempre que no canceles ni cambies a un plan inferior.

Los planes de pago también incluyen derechos comerciales, Clonar Voz Profesional, audio de mayor calidad y más solicitudes simultáneas.

Sí, con cualquier plan de pago. Los planes de pago incluyen derechos comerciales para vídeos de YouTube, podcasts, anuncios, audiolibros, juegos y aplicaciones, sin royalties adicionales. Conservas la propiedad del audio que generas. El plan gratuito cubre el uso personal no comercial y requiere atribución a ElevenLabs. El uso comercial está sujeto a los Términos de uso y a la Política de uso prohibido de ElevenLabs.

En ElevenLabs nos tomamos muy en serio la seguridad de los datos, y clientes empresariales líderes confían en nosotros. Nuestro marco de cumplimiento normativo incluye: 

• Certificación SOC 2 Tipo II
• Certificación ISO 27001
• Certificación PCI DSS de nivel 1
• Cumplimiento del RGPD
• Workflows compatibles con HIPAA para el sector sanitario en planes Enterprise

Tu texto no se utiliza para entrenar nuestros modelos sin tu consentimiento. Los clientes Enterprise pueden activar el modo de retención cero para servicios de API compatibles.* 

Los clones de voz están protegidos por la tecnología AI Speech Classifier, que puede detectar audio generado por IA. 

*En los servicios de API compatibles con ZRM, cuando ZRM está correctamente activado, no se conservan determinados tipos de datos. El tráfico del sitio web no está incluido. Consulta la documentación para más información.