Preguntas frecuentes
¿Cuál es la voz más usada?
No hay datos de uso por voz específica. Disponemos de 8 presets: Aria, Nova, Luna y Sage (femeninas); Felix, Milo, Atlas y Orion (masculinas). Cada una tiene un tono distinto, desde narrador cálido hasta documental profundo. Elige la que mejor se adapte a tu guion para TikTok o Reels.
¿Es mejor MP3 o WAV para TikTok?
Para TikTok, MP3 es suficiente y eficiente. Ofrecemos MP3, WAV, OPUS, FLAC y PCM. MP3 es ligero y compatible. WAV es sin pérdida pero más pesado. Elige MP3 para compatibilidad general o WAV si necesitas máxima calidad sin compresión.
¿Puedo mezclar voces en un video?
Sí, genera cada fragmento de texto con la voz deseada y une los archivos de audio en tu editor. La API devuelve un archivo por solicitud. Puedes combinar Aria, Felix o cualquier otra voz en tu proyecto de video para crear diálogos o cambiar el tono según la escena.
¿Cómo cambio la velocidad?
Usa el campo speed en la solicitud JSON. El rango aceptado es de 0.25 a 4.0. El valor predeterminado es 1.0. Aumenta la velocidad para videos dinámicos o redúcela para narraciones más calmadas. Ajusta este parámetro en cada solicitud POST /v1/audio/speech según necesites.
¿Son las voces realistas?
Son síntesis de voz natural generada por IA. Las voces están basadas en grabaciones con licencia de LibriTTS-R y Lecturas de dominio público de LibriVox. Cada archivo generado lleva una marca de agua inaudible que lo identifica como voz sintética. No imitan a personas reales ni celebridades.
¿Puedo usar la voz de un influencer?
No ofrecemos clonación de voz personalizada ni imitación de voces de influencers o políticos. Disponemos de 8 voces predefinidas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion). Si necesitas una voz específica, debes usar una de nuestras presets o grabarla tú mismo.
¿Qué idioma tiene mejor calidad?
La calidad es uniforme en los 23 idiomas soportados. Las voces pueden hablar cualquier idioma de la lista, desde Inglés hasta Swahili. Si no especificas el campo language, el sistema adivina el idioma, pero para texto en latín no inglés, recomendamos establecerlo manualmente para mayor precisión.
¿Necesito editar el audio después?
Depende de tu guion. La API genera audio completo por solicitud de hasta 4096 caracteres. Para textos largos, debes dividirlos y unir los archivos resultantes. Si necesitas ajustes de velocidad o corte, usa un editor de audio básico. La API entrega el archivo listo para descargar y editar.
¿Es gratis la prueba de voces?
Sí, al registrarte con Google recibes $0.50 de crédito válido por 7 días (aprox. 50,000 caracteres). Si usas email y contraseña, no hay crédito inicial. El costo es $10 por millón de caracteres. Las solicitudes fallidas no se cobran. No hay planes mensuales ni cargos ocultos.
¿Cuántos idiomas puedo usar?
Puedes usar 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. Cualquier voz puede hablar cualquiera de estos idiomas. No soportamos Vietnamieta, Indonesio, Tailandés, Ucraniano, Rumano, Checo ni Bengali.
Voces femeninas
Aria, Nova y Luna son voces femeninas diseñadas para contenido dinámico y narrativo. Cada una ofrece un tono distinto para adaptarse a tu guion sin necesidad de edición compleja.
Aria para narración clara
Aria tiene un tono cálido y claro, ideal para narraciones directas. Su voz transmite confianza sin distraer al oyente con modulaciones excesivas.
Nova para contenido energético
Nova es brillante y dinámica. Perfecta para reels cortos o anuncios que requieren un ritmo rápido para mantener la atención del usuario en TikTok.
Luna para historias suaves
Luna ofrece un sonido suave, adecuado para storytelling. Su ritmo pausado ayuda a crear atmósfera sin competir con la música de fondo.
Voces masculinas
Las voces masculinas de ClipVoz están diseñadas para aportar energía y claridad a tus contenidos. Felix destaca por su tono enérgico, ideal para promociones y anuncios rápidos que requieren captar la atención de inmediato. Su estilo dinámico se integra perfectamente en videos de formato corto.
Milo ofrece un tono conversacional y cercano, perfecto para narrar historias o explicar conceptos de manera amigable. Atlas, por su parte, entrega una voz neutral y profesional, adecuada para noticias o informativos donde la objetividad y la claridad son prioritarias.
Felix para promociones
Felix es la elección óptima para contenido promocional. Su energía alta y ritmo ágil mantienen la atención del espectador durante los primeros segundos, cruciales para TikTok y Reels. Puedes ajustar su velocidad entre 0.25 y 4.0 para adaptarla al ritmo de tu edición.
- Tono enérgico y publicitario.
- Ideal para anuncios de productos o servicios.
- Compatible con formatos MP3, WAV, OPUS, FLAC y PCM.
Milo para tono conversacional
Milo ofrece un tono conversacional y cercano. Es excelente para tutoriales, vlogs o explicaciones donde buscas conectar emocionalmente con la audiencia. Su claridad facilita la comprensión de guiones largos, respetando el límite de 4096 caracteres por solicitud.
- Estilo cercano y amigable.
- Adecuado para narración de historias o vlogs.
- Soporta 23 idiomas, incluyendo español e inglés.
Atlas para noticias neutrales
Atlas proporciona una voz neutral, clara y libre de emociones marcadas. Es ideal para informativos, noticias rápidas o contenido educativo donde la precisión es más importante que la expresividad. Su sonido profesional garantiza que el mensaje sea el centro de atención.
- Voz neutral y profesional.
- Ideal para noticias y contenido informativo.
- Generación con velocidad aproximada al tiempo real (25 caracteres por segundo).
Voces profundas
Esta sección agrupa las voces con timbres graves o tonos instructivos, ideales para narraciones estructuradas y contenido educativo. Orion ofrece una voz profunda característica del género documental, mientras que Sage se especializa en guías claras y directas.
Orion para documentales
Orion destaca por su tono grave y serio, perfecto para narraciones que requieren autoridad y presencia. Es ideal para videos explicativos de fondo, documentales cortos o presentaciones corporativas donde se busca un sonido profesional y maduro.
Sage para instrucción
Sage combina calma y claridad, lo que la hace excelente para tutoriales y contenido instructivo. Su voz no distrae, facilitando que el usuario se centre en los pasos del tutorial o en la información técnica presentada.
Tono serio y formal
El uso de estas voces transmite seriedad inmediata. Son recomendadas para avisos legales, noticias neutrales o contenido donde la entonación emocional debe ser mínima para mantener la objetividad del mensaje entregado al espectador.
Idiomas disponibles
La API detecta automáticamente el idioma basado en el script, pero para textos en latinoso no inglés, es obligatorio especificar el campo language. Esto garantiza una pronunciación precisa y evita que el sistema asuma inglés por defecto.
El sistema soporta 23 idiomas con cualquier voz disponible, permitiendo mezclar registros sin limitaciones de región.
Español neutral
El español es soportado en todas las voces, desde el tono narrativo de Aria hasta el conversacional de Milo. No hay variaciones regionales específicas; el sistema utiliza un español neutro estándar, ideal para contenido global.
- Compatible con todas las 8 voces
- Sin acentos regionales marcados
- Detectado automáticamente o forzado con
language
Inglés americano
El inglés es el idioma por defecto si no se especifica otro y el texto está en latín. Todas las voces manejan el inglés americano con alta fidelidad, adecuado para tutorials y shorts rápidos.
- Idioma por defecto para script latino
- Alta claridad en voces como Nova
- Soporte completo en tts-1 y tts-1-hd
Otros 21 idiomas
Además del español e inglés, la API incluye árabe, chino, danés, finés, francés, alemán, griego, hebreo, hindi, italiano, japonés, coreano, malayo, noruego, polaco, portugués, ruso, sueco y turco. Cada voz puede pronunciar cualquiera de estos idiomas correctamente.
- 23 idiomas en total
- Cualquier voz habla cualquier idioma
- No soportado: vietnamita, tailandés, ucraniano, indonesio, rumano, checo, bengalí.
Formatos de audio
Elige el formato según tu flujo de edición. MP3 ofrece el equilibrio ideal entre calidad y tamaño de archivo para la mayoría de plataformas. WAV garantiza máxima fidelidad para proyectos que requieren procesamiento avanzado de audio.
FLAC proporciona compresión sin pérdida, manteniendo la calidad original del archivo de audio. Cada formato se selecciona para optimizar la compatibilidad con tu editor de video.
MP3: equilibrio calidad/tamaño
El formato MP3 es la opción más eficiente para la mayoría de los creadores. Proporciona una buena relación calidad-tamaño, lo que facilita la carga rápida en TikTok, Reels y Shorts sin sacrificar la claridad de la voz.
WAV: máxima calidad
WAV es el formato no comprimido estándar en la industria. Ideal si planeas aplicar efectos de audio adicionales o mezclas complejas en tu editor. Garantiza que no se pierda información de frecuencia durante la edición.
FLAC: pérdida cero
FLAC ofrece compresión sin pérdida, manteniendo la integridad completa del audio original. Es perfecto para archivar copias maestas de tus proyectos o para distribuciones de alta resolución donde el tamaño del archivo es secundario a la calidad.
Velocidad de voz
La velocidad de voz se ajusta con el parámetro speed (0.25–4.0). Este control permite modificar la duración del audio sin alterar la entonación de las voces preestablecidas.
Aceleración para intros
Usa velocidades superiores a 1.0 (hasta 4.0) para acortar introducciones o llamadas a la acción rápidas. Ideal para mantener la atención en los primeros segundos de un Short o Reel.
Velocidad normal para guiones
El valor predeterminado (1.0) ofrece un ritmo natural. Es la opción recomendada para narrar guiones largos o explicaciones técnicas donde la claridad del texto es prioritaria sobre la velocidad.
Desaceleración para énfasis
Reduce la velocidad (por debajo de 1.0, mínimo 0.25) para dar peso a palabras clave o datos importantes. Ayuda a que el mensaje clave sea más memorable sin sonar artificial.
Edición básica
La API entrega el archivo de audio completo, pero la edición básica es esencial para integrarlo en tus videos de TikTok, Reels o Shorts. No necesitas herramientas complejas; solo necesitas ajustar el audio generado para que encaje perfectamente en tu narrativa visual.
Estos tres pasos te permiten refinar el resultado sin perder calidad ni tiempo. El objetivo es que la voz suene natural y profesional, lista para ser combinada con otros elementos multimedia.
Corte de audio
Recorta los silencios al inicio y al final del archivo generado para eliminar pausas innecesarias. Esto asegura que el clip comience con energía inmediata, ideal para retener la atención en los primeros segundos.
- Elimina silencios de inicio (headroom)
- Recorta finales para un cierre limpio
Mezcla con música
Añade música de fondo a un nivel bajo para no competir con la voz. Usa pistas instrumentales que no tengan melodías vocales para mantener el foco en el texto sintetizado.
- Volumen de música: -20dB a -15dB
- Evita melodías con letra
Normalización de volumen
Aplica normalización para que el audio tenga un volumen constante y evite picos o zonas silenciosas. Esto garantiza una experiencia de escucha uniforme en cualquier dispositivo.
- Objetivo: -16 LUFS para web
- Suaviza transiciones bruscas

Optimización para TikTok
Para maximizar el impacto en TikTok, mantén tus audios entre 15 y 30 segundos. Esta duración se alinea con el formato de contenido viral y permite una retención óptima sin saturar al espectador.
La claridad de la voz es crítica; usa Aria para narración directa o Felix para promociones enérgicas. Evita la monotonía variando ligeramente la velocidad o el tono según el contexto del guion.
Duración ideal de clips
El formato nativo de TikTok favorece clips cortos. Genera texto en fragmentos de hasta 4096 caracteres para mantener la coherencia y evitar tiempos de espera excesivos en la generación.
- Mantener audios entre 15 y 30 segundos
- Usar fragmentos de texto de máximo 4096 caracteres
- Priorizar el inicio inmediato del audio
Engagement por voz
Utiliza voces como Nova o Luna para crear conexión emocional rápida. La claridad en la dicción asegura que el mensaje se entienda incluso con volumen bajo o en entornos ruidosos.
- Usar Nova para contenido dinámico
- Priorizar la claridad sobre el efecto
- Evitar fondos musicales que tapen la voz
Uso de tendencias
Sincroniza el audio generado con los cortes visuales de las tendencias actuales. La API permite generar múltiples versiones rápidas para probar qué tono resuena mejor con tu audiencia específica.
- Ajustar velocidad a la tendencia del momento
- Probar variaciones de voz rápidamente
- Sincronizar cortes de video con el audio
Optimización para Reels
La API de ClipVoz genera archivos de audio listos para editoras no-code, eliminando la necesidad de sincronización manual compleja. Al usar formatos como MP3 o WAV, obtienes un archivo de un solo bloque que se arrastra directamente a la línea de tiempo de tu proyecto vertical.
Esta simplicidad permite enfocarse en la estructura del guion en lugar de en la técnica de edición. La integración vía HTTP o el SDK de OpenAI permite obtener el archivo de audio, aunque la generación puede tardar unos segundos.
Formato vertical
El audio generado se adapta nativamente al formato 9:16. No hay necesidad de recortar o ajustar la relación de aspecto del sonido, ya que el archivo final es un archivo de audio estándar compatible con cualquier editor de Reels.
- Archivo único sin cortes automáticos
- Compatible con editores nativos de Instagram
- Sin necesidad de recorte de audio
Sincronización visual
Con una velocidad de generación de aproximadamente 25 caracteres por segundo, puedes calcular la duración exacta de tu clip antes de crearlo. Esto permite alinear los cortes de video con las pausas naturales de la voz sin herramientas de sincronización avanzada.
- Cálculo preciso de duración
- Alineación simple con cortes de video
- Generación predecible por longitud de texto
Algoritmo de audio
El audio sintetizado incluye una marca de agua inaudible que identifica el contenido como generado por IA, pero no interfiere con la percepción del oyente. La claridad del audio y la ausencia de ruido de fondo ayudan a mantener la atención del usuario en el mensaje principal.
- Marca de agua inaudible
- Sin ruido de fondo
- Claridad vocal optimizada para móviles
Optimización para Shorts
En Shorts, los primeros 3 segundos determinan si el usuario permanece. Utiliza voces con alta energía como Felix o Nova para captar la atención inmediatamente, evitando introducciones lentas que aumentan la tasa de abandono.
La retención se mantiene mediante cortes dinámicos y transiciones rápidas entre escenas, sincronizados con el ritmo de la voz generada. Un audio claro y directo evita que la audiencia se distraiga durante el breve periodo de visualización.
Retención de audiencia
Mantén el texto conciso, aprovechando que la API procesa caracteres rápidamente. Un guión bien estructurado minimiza el tiempo de espera entre la generación y la edición final, permitiendo iteraciones rápidas para optimizar el flujo narrativo.
- Mantén el guión bajo a 4096 caracteres por solicitud para evitar divisiones innecesarias.
- Usa velocidades de 1.2x a 1.5x para compactar la información sin perder claridad.
- Elimina pausas largas que no aporten valor narrativo al formato vertical.
Ganchos de audio
El gancho debe ser visual y auditivo desde el segundo uno. Emplea voces como Aria para narración directa o Milos para un tono conversacional que genere cercanía inmediata con el espectador.
La claridad del idioma es crucial; si el texto no está en español, establece el parámetro language explícitamente para evitar que la IA adivine incorrectamente, lo que podría romper la inmersión inicial.
- Inicia con una afirmación contundente o una pregunta directa.
- Evita música de fondo que compita con la voz en los primeros segundos.
- Usa el formato mp3 para asegurar una carga rápida en la plataforma.
Calidad de sonido
La calidad técnica afecta la percepción de profesionalismo. Usa el modelo tts-1-hd para una calidad de audio superior.
El formato WAV o FLAC permite una edición posterior sin pérdida de calidad.
- Normaliza el volumen en tu editor de video para consistencia.
- Prueba la salida en dispositivos móviles antes de publicar.
Errores comunes
Evita errores técnicos que degraden la calidad del audio generado por la API. La precisión en la entrada de texto es clave para un resultado profesional sin edición costosa.
Estos tres fallos son los más frecuentes al convertir guiones largos a voz sintética. Corregirlos mejora la retención en TikTok, Reels y Shorts.
Pronunciación de números
La API interpreta dígitos según el idioma detectado. En español, "100" se lee como "cien", no como letra por letra.
Para fechas o códigos, usa el formato escrito completo (ej: "veinticuatro de octubre") para evitar lecturas literales incorrectas.
- Usa palabras completas en lugar de dígitos aislados.
- Define el campo
languageexplícitamente para evitar ambigüedades.
Pausas artificiales
Las comas y puntos generan pausas naturales, pero no controlan el ritmo fino. El texto debe estructurarse con puntuación correcta.
Evita añadir múltiples puntos suspensivos o signos de exclamación excesivos, ya que pueden crear silencios no deseados en la síntesis.
- Puntuación estándar: comas para breves, puntos para pausas largas.
- No uses emojis ni caracteres especiales como marcadores de tiempo.
Monotonía
Las voces son consistentes pero pueden sonar planas si el texto es muy largo sin variación de estructura.
Alterna entre frases cortas y largas. Usa la voz nova o felix para mayor energía en intros y aria o sage para narración clara.
- Varía la longitud de las oraciones.
- Prueba diferentes voces para encontrar el tono adecuado.
Herramientas complementarias
La API de ClipVoz genera el audio, pero la edición visual y la sincronización dependen de herramientas externas. Para creadores de TikTok, Reels y Shorts, el flujo de trabajo es directo: descargas el archivo de audio generado y lo importas a tu editor de video preferido.
Editores de video básicos
Utiliza aplicaciones móviles o software de escritorio para combinar el audio con tus clips visuales. La simplicidad es clave: importa el audio generado, ajusta la duración y añade transiciones simples. No necesitas herramientas avanzadas si tu contenido es directo.
- Importación directa de archivos MP3 o WAV generados.
- Sincronización manual o automática con clips de video.
- Capas de audio independientes para mezclar con música de fondo.
Generación de subtítulos
La mayoría de los editores modernos incluyen generadores de subtítulos automáticos basados en la pista de audio. Puedes usar estas herramientas para añadir texto sincronizado, mejorando la accesibilidad y la retención en plataformas como TikTok y Shorts.
- Subtítulos automáticos generados desde la pista de voz sintética.
- Edición manual de tiempos de aparición para precisión.
- Exportación de archivos SRT o subtítulos incrustados.
Exportación final
Una vez editado, exporta el video en el formato vertical estándar (9:16) para cada plataforma. Asegúrate de que el audio tenga un volumen normalizado para evitar distorsiones en la reproducción automática. El resultado es un archivo listo para subir directamente.
- Exportación en formato MP4 H.264 o HEVC.
- Resolución vertical 1080x1920 o superior.
- Verificación final de sincronización audio-video antes de publicar.
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. Utiliza aplicaciones móviles o software de escritorio para combinar el audio con tus clips visuales.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
Fuentes y lecturas adicionales
- Wikipedia
- Creative Commons Attribution 4.0
- LibriTTS-R corpus (OpenSLR 141)
- Tether (USDT)
- OpenAI API reference: create speech
- W3C WAI: making audio and video accessible
- Node.js documentation
- ISO 639 language codes
- openai-node on GitHub
- FFmpeg documentation
- openai-python on GitHub
- LibriVox public-domain audiobooks
