Preguntas frecuentes
¿Qué es una API de voz artificial para centros de contacto?
Es un servicio en la nube que convierte texto en archivos de audio mediante una solicitud POST. Envías el texto y recibes el audio listo para reproducirse en tus sistemas de llamadas, eliminando la necesidad de hardware propio o licencias complejas para la síntesis.
¿Cómo se integra la API con sistemas IVR existentes?
Tu sistema IVR envía una solicitud POST al endpoint /v1/audio/speech con el texto y la voz deseada. La API devuelve el archivo de audio generado, que tu central puede reproducir inmediatamente. Es compatible con SDKs oficiales si ajustas la URL base.
¿Qué formatos de audio están soportados para llamadas telefónicas?
Soportamos mp3, wav, opus, flac y pcm. Para llamadas telefónicas estándar, wav o mp3 son las opciones más comunes y compatibles con la mayoría de las centrales telefónicas IP y tradicionales que requieren archivos de audio listos para la reproducción.
¿Cuántas voces diferentes puedo usar en un mismo IVR?
Puedes utilizar cualquiera de las 8 voces disponibles (aria, nova, luna, sage, felix, milo, atlas, orion). Puedes cambiar la voz dinámicamente en cada solicitud de la API según el contexto de la llamada o el menú del IVR sin restricciones.
¿Los textos largos se dividen automáticamente para llamadas?
La API acepta hasta 4096 caracteres por solicitud. Para textos más largos, debes dividirlos en partes, generar el audio de cada una y unir los archivos. El sistema no realiza esta unión automáticamente; tu integración debe manejar la concatenación de los audios.
¿Qué idiomas están soportados para atención multilingüe?
Ofrecemos 23 idiomas: inglés, español, alemán, francés, italiano, portugués, ruso, chino, japonés, coreano, árabe, hindi, turco, polaco, sueco, danés, noruego, finés, neerlandés, griego, hebreo, malayo y swahili. Si no especificas el idioma, se infiere del script, pero es recomendable definirlo explícitamente.
¿Cuánto cuesta integrar voz artificial en mi sistema de llamadas?
El costo es de $10 por cada millón de caracteres, lo que equivale a $0.01 por cada 1000 caracteres. Los caracteres incluyen espacios y puntuación. No hay costos mensuales fijos ni cargos por llamadas; pagas únicamente por los caracteres procesados con éxito.
¿Se puede controlar la velocidad de la voz para menús de espera?
Sí, puedes ajustar la velocidad entre 0.25 y 4.0. Esto permite acelerar o ralentizar la voz según el contexto, como hacer menús más rápidos o dar más tiempo para procesar la información en los prompts de espera del IVR.
¿Las voces suenan naturales o robóticas?
Las voces están basadas en grabaciones con licencia de LibriTTS-R y Lecturas de LibriVox. Ofrecen un tono cálido, claro o narrativo dependiendo de la preset seleccionada. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética.
¿Necesito conocimientos técnicos avanzados para usar la API?
Se requiere conocimiento técnico básico para realizar solicitudes HTTP POST con autenticación Bearer. La estructura de la solicitud es similar a la de OpenAI, por lo que los SDKs oficiales funcionan cambiando la URL base. No necesitas un SDK propietario.
¿Qué ocurre si la síntesis de voz falla durante una llamada?
Si la síntesis falla, el cargo se devuelve íntegramente. No se te cobra por las solicitudes que no completan la generación de audio. Esto asegura que solo pagues por el contenido de voz que se entrega correctamente a tu sistema.
¿Se almacena el texto que los clientes ingresan en el IVR?
El texto de entrada se utiliza únicamente para producir el audio y no se usa para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena permanentemente. Solo se conservan metadatos de la solicitud (tiempo, caracteres, estado) para facturación.
¿Puedo usar la API para llamadas de alto volumen en horas pico?
Sí, pero las solicitudes se procesan en cola. Hay un límite de 60 solicitudes por minuto por clave. Si superas este límite, las solicitudes adicionales esperan su turno. Para volúmenes muy altos, considera gestionar la cola o emitir nuevas claves si es necesario.
¿Cómo se garantiza la privacidad de los datos en las llamadas?
El texto se usa solo para generar el audio y no se entrena con él. El audio no se almacena tras la entrega. Solo guardamos metadatos de facturación. No ofrecemos garantías de cumplimiento como HIPAA o SOC 2.
Primera solicitud
curl
curl https://api.playyk1.com/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3Integración técnica para equipos de producto
La integración es inmediata: envías texto y recibes un archivo de audio mediante POST /v1/audio/speech. El cuerpo JSON sigue el mismo esquema que el endpoint de OpenAI, lo que permite reutilizar los SDKs oficiales cambiando únicamente el base_url a https://api.playyk1.com/v1.
El procesamiento es asíncrono pero rápido. Las solicitudes se procesan en secuencia, por lo que bajo carga pueden esperar en cola, pero el rendimiento típico es de aproximadamente 25 caracteres de texto por segundo de generación.
Endpoint estándar y SDKs existentes
La estructura de solicitud JSON es idéntica a la de OpenAI, facilitando la migración o el uso de bibliotecas conocidas. Solo necesitas ajustar la URL base y autenticarte con tu clave Bearer.
- Mismo formato de cuerpo que el endpoint de OpenAI Speech.
Generación de audio al instante
El procesamiento es asíncrono pero rápido. Las solicitudes se procesan en secuencia, por lo que bajo carga pueden esperar en cola.
Control de velocidad y formato
Puedes ajustar la velocidad entre 0.25 y 4.0 para adaptar el ritmo a la experiencia del usuario final. El formato de salida puede ser mp3, wav, opus, flac o pcm según la compatibilidad de tu infraestructura.
Voces naturales para experiencias de usuario
Las voces artificiales de VozCentral están diseñadas para integrarse sin fricción en los flujos de trabajo de centros de contacto. Ofrecemos ocho presets vocales profesionales, ambos masculinos y femeninos, basados en grabaciones licenciadas y de dominio público, lo que garantiza una calidad de audio consistente y libre de complejidades de licencias adicionales.
8 presets vocales profesionales
Cada preset ha sido curado para roles específicos dentro de la experiencia del usuario. La variedad permite ajustar el tono exacto que requiere cada contexto, desde la claridad narrativa hasta la energía promocional.
- Aria: narradora clara y cálida
- Luna: suave, ideal para storytelling
- Felix: enérgico, para promociones
- Milo: amigable, conversacional
- Atlas: neutral, para noticias
- Orion: profunda, para documentales
- Sage: calmada, instruccional
- Nova: brillante, animada
Voces masculinas y femeninas
Contamos con cuatro voces femeninas y cuatro masculinas, todas capaces de pronunciar correctamente los 23 idiomas soportados. Esta diversidad permite crear identidades sonoras variadas sin depender de la generación de voces personalizadas, manteniendo la simplicidad técnica.
Marca de agua sintética invisible
Cada archivo de audio generado incluye una marca de agua inaudible que identifica el contenido como voz sintética. Esto proporciona transparencia en la experiencia del usuario final sin afectar la calidad auditiva ni requerir pasos adicionales de gestión.
Cobertura multilingüe para mercados globales
La API soporta 23 idiomas clave para centros de contacto globales, incluyendo español, inglés, chino, japonés, alemán, francés, portugués, ruso, árabe, hindi y coreano, entre otros. Cualquier voz disponible puede generar audio en cualquiera de estos idiomas, lo que simplifica la gestión de recursos vocales en sistemas IVR multilingües.
Soporte para 23 idiomas
Los idiomas soportados son: Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish y Turkish. Idiomas como vietnamita, tailandés o ucraniano no están disponibles actualmente.
Detección automática por script
Si no se especifica un idioma, el sistema lo infiere automáticamente según el script del texto. Por defecto, el texto en latín se asume como inglés. Esto agiliza la integración inicial, aunque puede requerir ajuste para textos latinos en otros idiomas.
Configuración de idioma explícita
Para textos en latín que no sean inglés, se recomienda establecer el campo language con el código ISO correspondiente. Esto asegura la pronunciación correcta y evita errores de inferencia automática en menús IVR o notificaciones bilingües.
La configuración explícita garantiza consistencia en la generación de audio, crucial para la experiencia de usuario en flujos de llamada automatizados.
Costos predecibles por volumen
La facturación se basa estrictamente en los caracteres procesados, con un costo fijo de $0.01 por cada 1.000 caracteres. Los espacios y la puntuación se cuentan como caracteres, lo que permite una estimación precisa del gasto antes de generar el audio.
Precio fijo por carácter
El costo es de $10 por cada millón de caracteres procesados. Este modelo lineal elimina la complejidad de las tarifas por minuto de audio o por voz individual, simplificando la previsión de costos en grandes volúmenes de llamadas IVR.
Cargos por fallos revertidos
Si la síntesis falla durante el procesamiento, el cargo se devuelve íntegramente. No se cobra por las solicitudes que no completan la generación exitosamente, asegurando que solo pagues por el audio entregado.
Sin costos mensuales fijos
No hay planes de suscripción ni pagos mínimos garantizados. El saldo no expira y se recarga mediante USDT (TRC-20) con un mínimo de $5. No se emiten facturas con IVA ni hay cargos por infraestructura oculta.
Infraestructura sin complicaciones
VozCentral opera como una API en la nube: envías texto y recibes audio. No hay servidores que gestionar ni infraestructura que mantener. Solo necesitas la clave API y la librería adecuada para integrar la síntesis en tus flujos de trabajo actuales.
Sin servidores que gestionar
La infraestructura de generación de audio está completamente externalizada. Tu equipo de producto se enfoca en la lógica de negocio y la experiencia del usuario, sin preocuparse por actualizaciones de sistema operativo, parches de seguridad o mantenimiento de hardware.
- API RESTful estándar (compatible con SDKs existentes)
- Sin necesidad de gestionar servidores o contenedores
- Sin mantenimiento de infraestructura underlying
Límites claros de tasa
El sistema gestiona la cola de procesamiento de forma secuencial. Cada clave API tiene un límite claro de 60 solicitudes por minuto (10 por minuto antes del primer recargo). Esto proporciona previsibilidad sin sorpresas de capacidad.
- 60 solicitudes por minuto por clave
- Procesamiento secuencial garantizado
- Sin límites de ancho de banda ocultos
Escalado automático
El escalado es inherente a la naturaleza de la API. A medida que aumenta el volumen de texto, el sistema gestiona la distribución de recursos sin intervención manual. No hay infraestructura que gestionar.

Casos de uso en IVR y Call Centers
La API de VozCentral permite generar menús de espera dinámicos bajo demanda, eliminando la necesidad de grabaciones estáticas predefinidas. Los equipos de producto pueden actualizar las indicaciones en tiempo real según la carga de la cola o promociones vigentes, asegurando que los usuarios siempre reciban información actualizada sin intervención manual de grabación.
Las notificaciones de estado de llamadas se integran directamente en el flujo IVR, informando al solicitante sobre su posición en la fila o la duración estimada de espera. Este enfoque reduce la frustración del usuario y mejora la percepción de eficiencia del centro de contacto al mantener la comunicación fluida y clara durante los tiempos de espera.
Menús de espera dinámicos
La API permite generar menús de espera dinámicos bajo demanda, eliminando la necesidad de grabaciones estáticas predefinidas. Los equipos de producto pueden actualizar las indicaciones en tiempo real según la carga de la cola o promociones vigentes, asegurando que los usuarios siempre reciban información actualizada sin intervención manual de grabación.
Las notificaciones de estado de llamadas se integran directamente en el flujo IVR, informando al solicitante sobre su posición en la fila o la duración estimada de espera. Este enfoque reduce la frustración del usuario y mejora la percepción de eficiencia del centro de contacto al mantener la comunicación fluida y clara durante los tiempos de espera.
- Actualización inmediata de mensajes sin reprograbación
- Integración directa en el flujo IVR existente
- Reducción de la carga perceptiva del usuario
Notificaciones de estado de llamadas
Las notificaciones de estado de llamadas se integran directamente en el flujo IVR, informando al solicitante sobre su posición en la fila o la duración estimada de espera. Este enfoque reduce la frustración del usuario y mejora la percepción de eficiencia del centro de contacto al mantener la comunicación fluida y clara durante los tiempos de espera.
Al generar audio bajo demanda, se evita el almacenamiento masivo de archivos de audio pregrabados para cada variante de estado, simplificando la gestión de activos digitales y reduciendo la complejidad del sistema de archivos del IVR.
- Información en tiempo real sobre la espera
- Gestión simplificada de activos de audio
- Reducción de la carga perceptiva del usuario
Saludos personalizados por idioma
Con soporte para 23 idiomas, el sistema puede saludar automáticamente al usuario en el idioma detectado por su script o configuración explícita. Esto permite una experiencia de usuario más natural y personalizada sin necesidad de mantener múltiples archivos de audio para cada combinación de idioma y voz.
La capacidad de cambiar la voz y el idioma mediante parámetros de API facilita la localización rápida de flujos IVR para mercados internacionales, asegurando que los saludos sean técnicamente precisos y culturalmente apropiados sin requerir nueva producción de audio.
- Detección automática por script o configuración explícita
- Soporte para 23 idiomas sin archivos adicionales
- Localización rápida de flujos IVR
Demostración técnica
Integra VozCentral en tu stack de IVR con una sola llamada HTTP. El endpoint sigue el estándar abierto, lo que permite usar herramientas conocidas sin aprender protocolos propietarios.
La respuesta es un archivo de audio binario listo para reproducirse en tu sistema telefónico. No hay pasos intermedios ni archivos temporales que gestionar manualmente.
Código de ejemplo en cURL
Envía texto y recibe audio en segundos. Este comando genera un archivo WAV con la voz "nova" a velocidad normal.
La respuesta contiene el archivo de audio completo, listo para ser redirigido hacia la cola de llamadas del cliente.
- curl -X POST "https://api.playyk1.com/v1/audio/speech" \ -H "Authorization: Bearer tts-TU_API_KEY" \ -H "Content-Type: application/json" \ -d "{\"model\": \"tts-1\", \"input\": \"Bienvenido a nuestro servicio de atenci\u00f3n al cliente. Su llamada es importante para nosotros.\", \"voice\": \"nova\", \"response_format\": \"wav\"}" \ -o welcome_message.wav
Uso con OpenAI SDK
Reutiliza la lógica de integración que ya conocen tus desarrolladores. Solo necesitas ajustar la URL base.
El formato de la carga útil es idéntico, garantizando que los scripts existentes funcionen sin modificaciones mayores.
- import openai client = openai.OpenAI( base_url="https://api.playyk1.com/v1", api_key="tts-TU_API_KEY" ) audio = client.audio.speech.create( model="tts-1", voice="nova", input="Estado de su pedido actualizado." ) audio.write_to_file("update.mp3")
Prueba de latencia
Para frases cortas, la generación toma unos segundos. Para textos largos, el tiempo es aproximadamente real.
La cola de procesamiento puede añadir espera bajo carga alta, pero el flujo sigue siendo predecible para tu infraestructura.
Ventajas sobre soluciones tradicionales
Las soluciones tradicionales imponen costos recurrentes por agente o licencias fijas, mientras que VozCentral opera con un modelo de pago por uso. Se factura únicamente por los caracteres procesados, eliminando el gasto innecesario cuando el tráfico de llamadas disminuye.
Sin licencias de voz por persona
Al no requerir licencias por agente, se elimina el costo fijo mensual por cada línea. El precio es uniforme ($0.01 por 1.000 caracteres) y las peticiones fallidas no se cobran, lo que protege el presupuesto operativo.
Actualización constante de voces
Las voces se basan en grabaciones licenciadas y de dominio público, sin necesidad de gestionar derechos individuales. Esto asegura consistencia legal y evita sorpresas en los costos de licencias a largo plazo.
Escalabilidad bajo demanda
La infraestructura en la nube maneja la carga sin servidores propios. Solo se paga por lo que se consume, permitiendo escalar desde cientos hasta millones de caracteres sin planes de suscripción fijos ni mínimos de gasto.
Cómo empezar hoy mismo
Para comenzar, accede a /get-api-key/ y regístrate con tu cuenta de Google o correo electrónico. Esta cuenta es específica del sitio y no requiere facturación inmediata ni contratos de permanencia.
Una vez creado el perfil, el panel te mostrará automáticamente tu clave API, el saldo disponible y los caracteres restantes, permitiendo empezar a integrar la voz artificial en tu sistema IVR sin pasos adicionales.
Crea tu cuenta en segundos
Regístrate en /get-api-key/ usando Google o correo electrónico. La cuenta es específica del sitio y no requiere facturación inmediata ni contratos de permanencia.
Obtén tu clave API
El panel muestra tu clave activa (formato tts-...), el saldo y los caracteres restantes. Puedes emitir una nueva clave en cualquier momento, invalidando la anterior instantáneamente.
Primera llamada en minutos
Utiliza la clave en un endpoint estándar o el SDK de OpenAI. Envía texto y recibe el audio en segundos; el costo se calcula por carácter y los fallos son gratuitos.
- Límite inicial: 10 solicitudes por minuto.
- Prueba gratuita: $0.50 de crédito válido por 7 días.
- Top-ups mínimos de $5 vía USDT (TRC-20).
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. La velocidad de habla (speed) debe ajustarse según la complejidad del mensaje.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
