Preguntas frecuentes
¿Qué es una API de voz artificial en el contexto de IVR?
Es un servicio en la nube que recibe texto y devuelve un archivo de audio mediante una solicitud POST. Permite integrar síntesis de voz dinámica en sistemas IVR sin hardware propio, generando audio al instante según el flujo de trabajo del centro de contacto.
¿Cómo se diferencia la voz artificial de una grabación estática?
A diferencia de las grabaciones estáticas, la API genera audio dinámicamente desde texto, permitiendo personalizar mensajes sin volver a grabar. Cada archivo incluye una marca de agua invisible que lo identifica como voz sintética, diferenciándolo de las grabaciones humanas tradicionales.
¿Qué tecnología utiliza la API para generar la voz?
Utiliza modelos de aprendizaje profundo basados en grabaciones con licencia de LibriTTS-R y audiolibros de dominio público de LibriVox. Los modelos tts-1 y tts-1-hd procesan el texto ingresado para generar la onda de audio correspondiente a la voz seleccionada.
¿Cuánto tiempo tarda en generarse un audio?
La velocidad típica es aproximadamente en tiempo real, generando unos 25 caracteres por segundo. Las frases cortas pueden tardar unos segundos. Las solicitudes se procesan en cola, por lo que bajo carga alta podría haber una pequeña espera adicional.
¿Se puede cambiar el texto de un menú de IVR sin volver a grabar?
Sí. Al enviar texto mediante la API, se genera el audio al instante. Puedes actualizar los mensajes de tu IVR modificando el texto en tu integración y llamando a la API, sin necesidad de procesos de grabación o producción de audio tradicionales.
¿Qué formatos de audio son compatibles con centrales telefónicas?
La API ofrece formatos mp3, wav, opus, flac y pcm. Estos formatos estándar permiten una integración sencilla con la mayoría de las centrales telefónicas y sistemas IVR modernos, asegurando la compatibilidad técnica con tu infraestructura de voz existente.
¿Cómo se maneja la latencia en llamadas de alto volumen?
Las solicitudes se procesan en secuencia. Si hay alta demanda, las peticiones pueden entrar en una cola de espera. Esto puede aumentar ligeramente la latencia total, pero garantiza que cada solicitud se procese correctamente sin pérdida de datos.
¿Puedo usar diferentes voces para diferentes secciones del IVR?
Sí. Puedes seleccionar entre ocho voces predefinidas (como aria, nova, luna, sage, felix, milo, atlas o orion) para cada solicitud. Esto permite personalizar el tono de voz según la sección del IVR, manteniendo una experiencia de usuario coherente o variada.
¿Qué idiomas puedo usar en un solo sistema IVR?
Soportamos 23 idiomas: árabe, chino, danés, holandés, inglés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco y turco. Cada voz puede hablar cualquier idioma de la lista sin restricciones.
¿Es necesario contratar a un equipo técnico para la integración?
La integración es directa mediante HTTP o SDKs de OpenAI. Solo necesitas enviar una solicitud POST con el texto y la voz deseada. Es sencillo de implementar para desarrolladores, aunque requiere conocimientos básicos de API para gestionar las credenciales y los parámetros.
¿Cómo se asegura la calidad del audio generado?
El audio se genera mediante modelos entrenados con grabaciones con licencia. La calidad es consistente y natural. Los archivos generados son claros y aptos para entornos de contacto, manteniendo un estándar técnico uniforme en todas las solicitudes realizadas a la API.
¿Se pueden usar voces en español latino y español de España?
Las voces son multilingües y pueden hablar español sin distinción regional estricta en la voz. Puedes especificar el código ISO del idioma para guiar la síntesis, pero la voz en sí no tiene una variante regional fija como 'es-MX' o 'es-ES'.
¿Qué pasa si hay mucho tráfico en el sistema?
Las solicitudes se procesan una tras otra. Si hay muchas peticiones simultáneas, entrarán en una cola de espera. Esto puede aumentar el tiempo de respuesta, pero no afecta la calidad del audio generado, solo la velocidad de entrega.
¿La API soporta textos con caracteres especiales?
Sí, puedes enviar texto con caracteres especiales, siempre que estén codificados correctamente en el cuerpo JSON de la solicitud. El límite es de 4096 caracteres por solicitud, incluyendo espacios y puntuación, que cuentan como caracteres para el cálculo del precio.
El proceso de síntesis de voz
La integración comienza enviando el texto al endpoint POST del API. Se utiliza un formato JSON estándar que permite especificar el modelo, la voz y el idioma deseado. Este paso inicial es crítico para asegurar que la solicitud sea reconocida correctamente por el motor de síntesis.
Envío del texto al endpoint
La solicitud se envía a la dirección API con las credenciales de autenticación. El texto máximo por petición es de 4096 caracteres, lo que cubre la mayoría de los menús IVR estándar. Si el mensaje excede este límite, debe dividirse previamente o manejarse mediante lógica de concatenación.
Procesamiento del motor TTS
El motor analiza el texto y aplica las reglas de pronuncia según el idioma indicado. Si no se especifica el idioma, se detecta automáticamente, aunque para textos en latinos se recomienda forzar el código ISO para mayor precisión. El proceso consume recursos de CPU en la nube para generar la onda sonora.
Generación del archivo de audio
El resultado es un archivo de audio binario en el formato elegido (MP3, WAV, OPUS, FLAC o PCM). Este archivo se devuelve inmediatamente en la respuesta HTTP, listo para ser reproducido por el sistema telefónico. No se almacena ninguna copia permanente del audio generado, solo se conservan los metadatos de facturación.
Integración en el flujo de llamada
Cuando una llamada entra al sistema IVR, el servidor de comunicaciones (PBX o SIP) activa una llamada a su backend de aplicación para determinar qué audio reproducir. Este paso es crítico para definir la ruta de la llamada y el contexto del usuario antes de que se envíe cualquier sonido.
Recepción de la llamada
El flujo comienza cuando el tráfico de voz llega al enrutador. En lugar de reproducir un archivo estático predefinido, el sistema identifica el número o la intención del usuario para preparar la respuesta adecuada.
Consulta de texto dinámico
Su aplicación backend construye el texto necesario (por ejemplo, "Su llamada está en la posición 3") y lo envía a nuestra API mediante una solicitud POST a /v1/audio/speech. El motor TTS procesa el texto en segundos, devolviendo el archivo de audio listo para reproducirse sin necesidad de grabaciones manuales.
- Textos personalizados con datos en tiempo real (nombres, tiempos de espera).
Reproducción del audio generado
Una vez recibida la respuesta con el archivo de audio (mp3, wav, etc.), el servidor IVR lo transmite directamente al llamante. Esto garantiza que la información vocal sea siempre actual y precisa, eliminando la necesidad de mantener bibliotecas de archivos de audio estáticos.
Selección de voces según contexto
La elección de la voz influye directamente en la claridad y la retención del mensaje en sistemas IVR. VozCentral ofrece ocho presets diseñados para distintos registros fonéticos y tonales, permitiendo a los equipos de producto alinear la identidad acústica con la función específica de cada menú o nodo de llamada.
Al asignar voces según el contexto semántico, se reduce la carga cognitiva del usuario final. Las características inherentes a cada preset —desde la calidez de Aria hasta la neutralidad de Atlas— se combinan con la velocidad ajustable para optimizar la comprensión en entornos ruidosos o de alta presión.
Voz femenina para saludos
Los saludos iniciales requieren una voz clara y cálida que establezca confianza inmediata. Aria, con su estilo de narradora claro, o Luna, más suave, son ideales para presentaciones institucionales o Bienvenida al centro de contacto. Su frecuencia vocal media facilita la comprensión rápida en los primeros segundos de la interacción.
Estas voces se integran con la velocidad configurable (0.25–4.0), permitiendo ajustar el ritmo sin perder la naturalidad. Es crucial configurar el parámetro language explícitamente si el texto no es inglés, ya que la detección automática podría asignar inglés por defecto para texto en latín.
- Aria: narradora clara y cálida
- Luna: suave, ideal para storytelling
- Velocidad ajustable para claridad
Voz masculina para noticias
Para menús informativos o lecturas de datos, Atlas ofrece una voz neutral y estable, adecuada para noticias o estados de cuenta. Su registro equilibrado minimiza las interpretaciones emocionales y se centra en la transmisión precisa de la información. Milo, más conversacional, funciona bien para interacciones más dinámicas o promocionales.
Estas voces masculinas son eficaces para transmitir estados de servicio o alertas técnicas. Al utilizar tts-1 o tts-1-hd, se garantiza una consistencia acústica en la entrega de información estructurada, manteniendo un tono profesional y directo que evita malentendidos en la lectura de números o códigos.
- Atlas: neutral, estilo noticioso
- Milo: conversacional y amigable
- Ideal para menús informativos
Voz narrativa para historias
Cuando el IVR necesita explicar procesos complejos o narrar la historia de una cuenta, Luna destaca por su estilo suave y Milo por su cercanía conversacional. Ambas permiten una transición natural entre la información técnica y la experiencia del usuario, facilitando la comprensión de flujos largos sin saturar al interlocutor.
La narrativa se beneficia del ajuste de velocidad lento (cerca de 1.0 o inferior) para dar tiempo al usuario de procesar la información. Aunque no hay SSML para marcar pausas, la elección de la voz correcta junto con la longitud adecuada del fragmento de texto (máximo 4096 caracteres) asegura una entrega fluida.
- Luna: estilo suave y narrativo
- Milo: tono conversacional
- Explicación de procesos complejos
Manejo de idiomas en tiempo real
La API detecta automáticamente el idioma a partir del script del texto enviado (por ejemplo, caracteres latinos asumen inglés). Sin embargo, para textos en latinos que no sean inglés, es obligatorio especificar el campo language para evitar errores de pronunciación.
Detección automática de script
El motor analiza los caracteres del campo input para inferir el idioma. Si el texto contiene caracteres no latinos, la detección es precisa. Para texto latino, el valor por defecto es inglés.
- Script latino → por defecto inglés
- Script no latino → detección automática
- Opcional: campo
languageISO
Fuerza de idioma por código ISO
Para garantizar la precisión, envía el código ISO 639-1 en el campo language. Esto asegura que la voz sintetice correctamente textos en español, alemán, japonés u otros de los 23 idiomas soportados, sin ambigüedades.
- Código ISO 639-1
- Soporte para 23 idiomas
- Sin ambigüedades de script
Cambio de idioma por llamada
Cada solicitud POST es independiente, lo que permite cambiar el idioma entre segmentos de una misma llamada IVR. Puedes mezclar español e inglés en un único flujo de conversación sin configuración previa.
- Solicitudes independientes
- Mezcla de idiomas en vivo
- Sin configuración persistente
Optimización de latencia
La generación de audio sigue un procesamiento secuencial. Las frases cortas tardan unos segundos en sintetizarse, mientras que textos largos se aproximan a una tasa de 25 caracteres por segundo de audio generado. Esta velocidad realista es el estándar base para la mayoría de las interacciones.
Tiempos de respuesta típicos
Las solicitudes se procesan una tras otra. Durante períodos de alta demanda, es posible que una petición espere en una cola antes de comenzar la síntesis, incrementando ligeramente el tiempo de espera total.
- Frases cortas: unos segundos de espera.
- Textos largos: velocidad cercana al tiempo real.
- Procesamiento secuencial bajo carga.
Manejo de cola de solicitudes
El sistema gestiona las peticiones en orden de llegada. Si la API está saturada, la latencia aumenta proporcionalmente al volumen de solicitudes simultáneas. La tasa límite de 60 solicitudes por minuto ayuda a estabilizar este flujo.
Impacto en la experiencia del usuario
La latencia percibida depende de la longitud del mensaje. Para IVR, mantener los mensajes breves minimiza los tiempos de espera en cola. Una gestión adecuada de la cola asegura que las interacciones críticas no se retrasen excesivamente.
Formatos de audio para telecomunicaciones
La elección del formato de audio afecta directamente la calidad y el ancho de banda en tus sistemas IVR. Ofrecemos MP3, WAV, OPUS, FLAC y PCM para adaptarnos a tus infraestructuras de telecomunicaciones existentes.
Estos formatos garantizan compatibilidad con la mayoría de los PBX modernos sin necesidad de conversiones adicionales complejas.
Compresión MP3 vs WAV
El formato MP3 ofrece una compresión eficiente que reduce significativamente el consumo de ancho de banda, ideal para llamadas con volumen alto. WAV mantiene la calidad sin pérdida, útil para pruebas o entornos con banda ancha ilimitada.
- MP3: optimizado para reducir ancho de banda.
- WAV: calidad sin pérdida para pruebas de alta fidelidad.
Uso de OPUS para eficiencia
OPUS proporciona una excelente relación calidad-tamaño, manteniendo la claridad de la voz artificial incluso en redes móviles o con latencia variable. Es una opción robusta para mantener la integridad de la llamada sin saturar la red.
- OPUS: alta eficiencia en redes variables.
Compatibilidad con PBX
Los formatos PCM y FLAC están disponibles para sistemas que requieren datos sin comprimir o con compresión sin pérdida. La API devuelve el archivo listo para ser alimentado directamente al flujo de audio del PBX.
- PCM: datos sin comprimir.
- FLAC: compresión sin pérdida.
Control de velocidad y tono
La API permite ajustar la velocidad de generación entre 0.25 y 4.0, permitiendo adaptar la cadencia a la complejidad del mensaje. Este control es fundamental para equilibrar la eficiencia del flujo de llamadas con la claridad de la información entregada al usuario final.
Ajuste de velocidad para claridad
El parámetro speed se aplica en la solicitud JSON para modificar la velocidad de habla. Esto permite al equipo de producto optimizar la legibilidad de frases técnicas o nombres propios que podrían resultar confusos a velocidad estándar.
Voz rápida para menús
Para menús de opciones simples, velocidades cercanas a 1.5 o 2.0 agilizan la interacción sin sacrificar la compresión del tiempo de espera. Esto es útil cuando el número de opciones es reducido y el contexto es familiar para el usuario.
Voz lenta para instrucciones
En pasos críticos, como la confirmación de datos sensibles o instrucciones de navegación, reducir la velocidad a 0.5 o 0.75 garantiza que cada sílaba sea percibida con claridad. Esto reduce la tasa de errores en la entrada del usuario.

Manejo de textos largos
Para IVR con menús extensos, el límite es de 4096 caracteres por solicitud. La API divide el texto en partes manejables, permitiendo generar audio de notas de voz completas sin truncamiento manual.
Cada fragmento se sintetiza por separado y luego se unen en un único archivo de salida. Esta técnica asegura que la experiencia del usuario sea fluida, incluso en llamadas de varios minutos.
División automática en partes
El sistema procesa bloques de hasta 4096 caracteres. Si el texto excede este límite, se divide internamente para respetar las restricciones de la API.
- Límite de 4096 caracteres por request.
- Procesamiento secuencial de fragmentos.
Unión de archivos de audio
Los archivos generados se concatenan manualmente o mediante lógica del cliente. El cliente recibe un único archivo de audio coherente, listo para reproducirse en el flujo de la llamada sin intervención manual.
Transición sin cortes
La unión de fragmentos puede presentar pausas breves entre las partes. No hay pausas artificiales visibles entre las partes, garantizando una experiencia natural para el usuario final del IVR.
Casos de uso en centros de contacto
La API permite generar audio bajo demanda, eliminando la necesidad de grabar manualmente cada mensaje de estado. Los equipos de producto pueden actualizar las notificaciones en tiempo real sin reprocesos de producción ni tiempos de espera.
Esta flexibilidad es clave para centros de contacto que manejan volúles variables, asegurando que la información entregada al usuario sea siempre precisa y actualizada sin depender de archivos estáticos pregrabados.
Notificaciones de estado
Permite informar cambios en el estado del servicio o pedidos mediante audio generado al instante. El texto se envía al endpoint y se recibe el archivo listo para reproducirse, garantizando que la información sea siempre la más reciente.
- Actualización inmediata sin reprocesamiento
- Sin archivos estáticos pregrabados
Saludos personalizados
Genera saludos con el nombre del cliente o datos específicos de la interacción. Al integrar la API en el flujo de llamada, cada contacto puede recibir una bienvenida única sin necesidad de grabaciones manuales por cada variación posible.
- Datos dinámicos en tiempo real
- Sin limitaciones de grabaciones
Alertas de cola
Notifica posiciones en cola o tiempos de espera estimados con voz natural. Las alertas se generan bajo demanda, permitiendo ajustes rápidos en los mensajes según la carga del centro de contacto sin intervención técnica.
- Mensajes dinámicos de espera
- Ajuste rápido de mensajes
Monitoreo y facturación
La facturación se basa estrictamente en el conteo de caracteres del texto de entrada, incluyendo espacios y puntuación. El costo es de 0,01 USD por cada 1.000 caracteres, con una tarifa base de 10 USD por millón de caracteres. Cada solicitud cuenta como una unidad de consumo independiente.
Conteo de caracteres
El sistema cuenta cada carácter enviado en el campo input, desde el primer carácter hasta el último. Los espacios, signos de puntuación y caracteres especiales se incluyen en el total. Esto garantiza que el costo refleje con precisión la longitud real del texto procesado.
- Cada carácter cuenta, incluyendo espacios y puntuación.
- Tarifa fija: $0.01 por 1.000 caracteres.
Registro de solicitudes
Se conserva un registro de metadatos de cada solicitud para fines de facturación, incluyendo la hora, el número de caracteres y el estado. Estos datos permiten auditar el consumo exacto sin almacenar el audio generado ni el texto original.
Costos por interacción
El costo por interacción en un IVR varía según la longitud del mensaje. Las llamadas cortas de confirmación tienen un costo marginal, mientras que las notificaciones detalladas incrementan el consumo proporcionalmente. Las solicitudes fallidas no generan cargo.
- Las solicitudes fallidas son gratuitas.
- Costo proporcional a la longitud del texto.
Ejemplo de integración técnica
La integración comienza con una solicitud POST al endpoint de síntesis. Se envía el texto, el modelo y la voz deseada en formato JSON, autenticando con la clave API.
El sistema procesa la solicitud y devuelve el archivo de audio generado. Este archivo se reproduce inmediatamente en la línea telefónica para el usuario final.
Código de llamada API
Envía una solicitud POST a https://api.playyk1.com/v1/audio/speech con el texto en el campo input y la voz seleccionada. Incluye tu clave en el encabezado Authorization: Bearer tts-....
El cuerpo JSON debe especificar el modelo tts-1 o tts-1-hd. La API valida la longitud del texto (máximo 4096 caracteres) antes de procesar.
- Endpoint: POST https://api.playyk1.com/v1/audio/speech
- Formato: JSON con campo
input(texto) - Autenticación:
Authorization: Bearer <tu-clave> - Modelos:
tts-1otts-1-hd
Manejo de respuesta
La API devuelve el archivo de audio directamente en la respuesta HTTP. Si la síntesis falla, se devuelve un código de error y no se cobra.
Si la respuesta es exitosa, el cuerpo contiene los datos binarios del audio en el formato solicitado (mp3, wav, opus, flac o pcm).
Verifica el código de estado 200 para confirmar que el audio está listo para la reproducción inmediata en el flujo de llamada.
Reproducción en cliente
Transmite el audio recibido a la línea telefónica del usuario. Asegúrate de que el formato de audio sea compatible con tu PBX o gateway VoIP.
Para textos largos, divide el texto en fragmentos de 4096 caracteres y une los archivos de audio resultantes para una reproducción continua sin cortes.
La latencia típica es de aproximadamente 25 caracteres por segundo, lo que permite una interacción natural en tiempo real.
- Formatos compatibles: mp3, wav, opus, flac, pcm
- Límite de texto: 4096 caracteres por solicitud
- Unión de archivos para textos largos
Ventajas sobre grabaciones estáticas
Las grabaciones estáticas requieren grabar cada variación posible de un mensaje, lo que resulta inviable para centros de contacto con miles de combinaciones. La API de VozCentral elimina esta limitación al generar el audio en tiempo real, permitiendo cambios inmediatos en el texto sin volver a un estudio de grabación.
Esta flexibilidad operativa reduce significativamente los costos de producción de contenido. No se pagan sesiones de estudio ni licencias por cada variante de mensaje, sino solo por los caracteres generados según la tarifa real de uso.
Actualización instantánea de textos
Puedes modificar el mensaje de un cliente o la alerta de sistema en segundos. El cambio se refleja al instante en las llamadas entrantes sin necesidad de descargar y actualizar archivos de audio en el servidor PBX.
- Cambio de estado en tiempo real
- Sin reinicios de sistema
Personalización dinámica
Inserta variables como el nombre del cliente o el número de ticket directamente en la solicitud POST. La API sintetiza la frase completa con la voz seleccionada, manteniendo la coherencia tonal sin importar la longitud del texto insertado.
- Nombre del cliente
- Número de referencia
- Estado de la orden
Reducción de costos de producción
Al eliminar la necesidad de grabar cientos de mensajes estáticos, reduces drásticamente los costos de producción de contenido. Solo pagas por los caracteres generados, sin costos fijos por grabaciones.
- Sin costos fijos de grabación
- Pago por uso
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.
