Preguntas frecuentes
¿Qué es una API de texto a voz?
Es un servicio en la nube que convierte texto en archivos de audio. Envías una solicitud POST con el texto y recibes el audio generado. Funciona mediante endpoints estándar, compatible con SDKs como el de OpenAI, permitiendo integrar narración automática en tus aplicaciones o flujos de trabajo educativos de manera programática.
¿Es una app móvil para leer textos en voz alta?
No. Es una API basada en la web, no una aplicación móvil ni una extensión de navegador. No incluye SDKs nativos para iOS o Android, ni plugins de WordPress ni extensiones de navegador. Para usarla, debes enviar solicitudes HTTP o usar SDKs compatibles con la API, integrándola tú mismo en tu plataforma.
¿Qué voces son mejores para cuentos infantiles?
Las voces como Luna (suave y narrativa) o Nova (brillante y alegre) son ideales para cuentos. Aria ofrece una narración clara y clara. Estas voces están diseñadas para sonar naturales y adecuadas para historias, permitiendo una narración consistente y atractiva para niños sin necesidad de diseño de voz personalizado.
¿Puedo usar la API para material educativo?
Sí. Es ideal para apoyar la lectoescritura y la accesibilidad en el aula. Puedes generar audio de textos educativos, cuentos o instrucciones. El texto se usa solo para producir el audio y no se entrena con él, garantizando que el contenido pedagógico se utilice exclusivamente para la síntesis de voz.
¿Cuántos idiomas soporta la API?
Soporta 23 idiomas, incluyendo español, inglés, francés, alemán, portugués, italiano, japonés, coreano, chino, árabe, ruso, hindi y turco, entre otros. Cualquier voz puede hablar cualquiera de estos idiomas. Si no especificas el idioma, se intenta adivinar por el guion, pero es recomendable definirlo explícitamente para textos en latín no ingleses.
¿El texto se usa para entrenar el modelo?
No. El texto de entrada se utiliza únicamente para producir el audio solicitado y no se emplea para entrenar el modelo de síntesis. Los archivos de audio generados se devuelven en la respuesta y no se almacenan. Solo se conservan metadatos de la solicitud (tiempo, caracteres, estado) para facturación.
¿Cuánto cuesta generar audio por minuto?
El precio es de $10 por 1 millón de caracteres, lo que equivale a $0.01 por cada 1.000 caracteres. La generación es aproximadamente en tiempo real (25 caracteres por segundo). Por tanto, un minuto de audio cuesta aproximadamente $0.15.
¿Hay límite de caracteres por solicitud?
Sí, el límite es de 4096 caracteres por solicitud. Para textos más largos, debes dividirlos en partes de este tamaño y unir los archivos de audio resultantes. Esto permite gestionar textos extensos como cuentos completos o lecciones educativas, asegurando que cada fragmento se procese correctamente dentro de los límites de la API.
¿Se puede controlar la velocidad de lectura?
Sí, puedes ajustar la velocidad entre 0.25 y 4.0 mediante el campo speed en la solicitud. Esto permite ralentizar la narración para fines educativos o acelerarla para resúmenes. La velocidad afecta la duración del audio generado, permitiendo adaptar la presentación del texto a las necesidades específicas de la audiencia.
¿Las voces suenan robóticas o naturales?
Las voces son naturales y basadas en grabaciones licenciadas de LibriTTS-R y LibriVox. Cada archivo generado lleva una marca de agua inaudible que indica que es voz sintética. No son imitaciones de celebridades, pero ofrecen una calidad de narración clara y consistente.
¿Es necesaria conexión a internet?
Sí, es un servicio en la nube. Las solicitudes se envían a https://api.carong.info/v1 y requieren conexión a internet para recibir el archivo de audio. No hay instalación local ni modo sin conexión. Los archivos se generan en nuestros servidores y se devuelven en la respuesta HTTP.
¿Puedo usar la API en proyectos escolares?
Sí, es adecuada para proyectos escolares y educativos. No hay planes mensuales ni costos fijos, solo pagas por uso. Puedes usar la prueba gratuita de $0.50 para comenzar. Es ideal para generar audio de cuentos o textos sin necesidad de infraestructura compleja, facilitando la accesibilidad en el aula.
¿Qué formatos de audio están disponibles?
Puedes solicitar audio en formatos mp3, wav, opus, flac o pcm. Estos formatos cubren necesidades de reproducción web, edición profesional o almacenamiento de alta fidelidad. Solo debes especificar el formato deseado en el campo response_format de tu solicitud JSON, y la API devolverá el archivo en ese formato específico.
¿Hay garantía de disponibilidad del servicio?
No. No ofrecemos garantía de disponibilidad (SLA) ni garantía de tiempo de actividad. El servicio puede experimentar variaciones en la velocidad de generación bajo carga, ya que las solicitudes se procesan en cola. No hay contratos empresariales ni certificaciones de disponibilidad, pero el servicio es funcional y accesible mediante API.
Primera solicitud
curl
curl https://api.carong.info/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.mp3Cómo funciona la API para docentes
La API de Voces de Aula convierte texto en audio sintetizado mediante una única llamada POST. Envías el guion del cuento y recibes un archivo de audio listo para usar en el aula.
El modelo procesa textos de hasta 4096 caracteres por solicitud. Si el texto es más largo, debes dividirlo en partes; la API devuelve los fragmentos de audio que luego unes.
Envía texto y recibe audio
Envía el texto del cuento mediante una petición JSON a https://api.carong.info/v1/audio/speech. La API responde con el archivo de audio generado; la velocidad típica es de unos 25 caracteres por segundo.
El proceso es asíncrono: los textos largos se procesan en cola. La velocidad típica es de unos 25 caracteres por segundo, similar al tiempo real.
Voces optimizadas para educación
Selecciona entre voces diseñadas para claridad pedagógica. aria ofrece una narración clara y cálida, ideal para cuentos. luna es suave para historias, mientras que sage es calmada y perfecta para instrucciones.
- Voces basadas en grabaciones licenciadas (LibriTTS-R y LibriVox).
- Audio con marca de agua inaudible que lo identifica como sintético.
Integración sencilla con OpenAI SDK
La API sigue la misma estructura de solicitud que OpenAI. Puedes usar los SDKs oficiales de OpenAI cambiando solo la base_url a https://api.carong.info/v1.
Autenticación con una clave Bearer. La documentación en /docs/ incluye ejemplos listos para copiar y pegar.
Voces disponibles para narración
Para la narración de cuentos infantiles, la elección de la voz es determinante para mantener la atención y facilitar la comprensión. Nuestras voces están diseñadas para ofrecer claridad y consistencia, permitiendo a docentes y metodólogos generar audio de alta calidad sin necesidad de técnicas de grabación complejas.
Aria: narradora clara y cálida
Aria ofrece un tono cálido y claro, ideal para narrar historias con un ritmo natural que mantiene el interés de los estudiantes. Su voz es versátil y se adapta bien a textos educativos diversos.
- Tono cálido y claro
- Ideal para narración general
- Buena claridad fonética
Luna: suave para historias
Luna tiene una voz suave, perfecta para historias de fantasía o momentos de lectura tranquila. Su estilo narrativo ayuda a crear una atmósfera acogedora en el aula, facilitando la relajación y la concentración.
- Voz suave y envolvente
- Ideal para cuentos de fantasía
- Estilo narrativo tranquilo
Sage: instructiva y calmada
Sage combina una voz calmada con una dicción precisa, siendo excelente para textos instructivos o lecturas que requieren mayor atención al detalle. Su tono neutro pero amable asegura que el mensaje se transmita con claridad.
- Voz calmada y precisa
- Ideal para textos instructivos
- Tono neutro y claro
Idiomas soportados en el aula
La API admite 23 idiomas, permitiendo a docentes y metodólogos narrar cuentos infantiles y textos educativos en múltiples lenguas con claridad consistente. Cada voz puede hablar todos los idiomas disponibles sin necesidad de cambiar el modelo subyacente.
Español, inglés y francés
Estos tres idiomas son fundamentales para la mayoría de los currículos escolares. Si el texto está en latín y no se especifica el idioma, la API asume inglés por defecto; para otros textos en latín, es necesario establecer el parámetro language explícitamente para evitar errores de pronunciación.
Alemán, italiano y portugués
Ideal para clases bilingües o programas de inmersión lingüística. La síntesis mantiene la entonación natural y la claridad fonética necesaria para apoyar la lectoescritura en estas lenguas, garantizando que los estudiantes escuchen una pronunciación precisa y consistente.
Otros 17 idiomas disponibles
El catálogo completo incluye 20 idiomas adicionales: árabe, chino, danés, finés, griego, hebreo, hindi, japonés, coreano, malayo, noruego, polaco, ruso, suahili, sueco y turco. Esto permite crear recursos educativos inclusivos para aulas con diversidad lingüística sin necesidad de voces distintas para cada lengua.
- Árabe, chino, danés, finés, griego, hebreo
- Hindi, japonés, coreano, malayo, noruego, polaco
- Ruso, suahili, sueco, turco
Accesibilidad y aprendizaje
La API de Voces de Aula permite a los docentes generar audio de alta calidad para apoyar el desarrollo de la lectoescritura en el aula. Al convertir textos en archivos de audio, se facilita el acceso a materiales educativos para estudiantes que están iniciando su lectura.
Esta herramienta es especialmente útil para crear recursos auditivos consistentes, permitiendo que los niños practiquen la decodificación y la comprensión lectora sin la fatiga visual asociada a la lectura prolongada.
Apoyo a lectores emergentes
La capacidad de generar audio a partir de cualquier texto permite crear material adaptado al nivel de lectura de cada estudiante. Los alumnos pueden escuchar la pronunciación correcta mientras siguen el texto, reforzando la conexión entre lo escrito y lo sonoro.
Esto es ideal para sesiones de lectura compartida o para estudiantes que necesitan una guía auditiva para mejorar su fluencia.
- Generación de audio para textos de nivel adecuado
- Refuerzo de la decodificación palabra por palabra
- Apoyo para la comprensión lectora sin sobrecarga visual
Claridad en la pronunciación
Las voces disponibles, como Aria o Luna, ofrecen una dicción clara y consistente, lo que es fundamental para el aprendizaje de idiomas o para estudiantes con dificultades de lectura. La velocidad del audio se puede ajustar entre 0,25 y 4,0 para adaptarse a las necesidades del alumno.
Esto permite a los docentes controlar el ritmo de la narración, facilitando la imitación y la práctica de la articulación.
- Voces optimizadas para la claridad narrativa
- Control de velocidad para ajustarse al ritmo de aprendizaje
- Consistencia en la pronunciación de cada carácter
Marcas de agua inaudibles
Cada archivo de audio generado incluye una marca de agua inaudible que lo identifica como voz sintética. Esto permite a los educadores saber exactamente qué contenido ha sido generado por la API, manteniendo la transparencia en el uso de los materiales.
Esta característica es útil para gestionar los derechos de uso de los audios en el entorno educativo sin necesidad de marcas visibles que distraigan.
- Identificación automática de audio sintetizado
- Transparencia en el origen del contenido auditivo
- Sin marcas visibles que interrumpan la experiencia de escucha
Precios transparentes
La facturación se basa estrictamente en el uso real. Cada solicitud cuenta los caracteres, incluidos espacios y puntuación, para calcular el costo exacto sin sorpresas.
El sistema devuelve el saldo íntegro si la síntesis falla, garantizando que solo pagues por audio generado con éxito. No hay cargos por intentos vacíos.
$0,01 por 1000 caracteres
El precio es fijo y transparente: $0,01 por cada 1.000 caracteres procesados. Esto equivale a $10 por millón de caracteres, independiente del modelo tts-1 o tts-1-hd utilizado.
- Coste unitario claro y predecible para presupuestos escolares.
- Conteo exacto de caracteres, incluyendo espacios y signos.
Prueba gratuita de $0,50
Al registrarte con Google, recibes $0,50 de crédito válido durante 7 días. Esto permite generar aproximadamente 50.000 caracteres para probar la calidad de las voces en el aula.
Las cuentas creadas con email y contraseña no incluyen este crédito inicial, permitiendo evaluar la integración técnica antes de invertir.
Sin costes ocultos ni suscripciones
No existen planes mensuales ni cargos por mantenimiento. El saldo no caduca y puedes recargar solo cuando necesites más capacidad. El pago se realiza mediante USDT (TRC-20) con un mínimo de $5.
Los intentos fallidos no se facturan.
- Sin suscripciones obligatorias ni compromisos a largo plazo.
- Saldo persistente sin fecha de expiración.

Casos de uso educativo
La API permite generar narraciones de textos completos para apoyar la lectoescritura y el acceso a la información en el aula. Al dividir textos largos en partes de hasta 4096 caracteres, se obtiene audio continuo que mantiene la coherencia narrativa sin interrupciones abruptas.
Lectura de cuentos en clase
Los docentes pueden enviar cualquier cuento infantil al endpoint y recibir archivos de audio listos para reproducir durante la sesión. Esto asegura que todos los estudiantes escuchen la historia con la misma entonación y claridad, independientemente de la disponibilidad del docente en el momento de la lectura.
- Ideal para contar historias sin fatiga vocal
- Consistencia en la entonación de cada sesión
Material de apoyo para TDAH
La posibilidad de ajustar la velocidad entre 0,25 y 4,0 permite adaptar la presentación del contenido a las necesidades cognitivas de cada alumno. Un ritmo más lento facilita la comprensión secuencial, mientras que una velocidad moderada mantiene la atención en textos más extensos sin resultar monótono.
- Control de velocidad fino para diferentes niveles de atención
- Audio claro que reduce la carga cognitiva
Recursos para dislexia
La claridad fonética de las voces seleccionadas (como Aria o Luna) acompaña el proceso de decodificación gráfica. Al escuchar la pronunciación correcta mientras se lee, se refuerza la conexión entre el texto escrito y el sonido, facilitando la adquisición de la lectoescritura en niños que presentan dificultades específicas.
- Pronunciación clara y consistente
- Apoyo multisensorial para la lectura
Tecnología y formato
La API acepta texto y devuelve archivos de audio listos para reproducirse en el aula o plataformas educativas, con una latencia que escala con la longitud del texto.
Formatos MP3, WAV, OPUS
Puedes elegir el formato que mejor se adapte a tu infraestructura. MP3 es eficiente para web, WAV ofrece máxima calidad sin pérdida para ediciones, y OPUS reduce el ancho de banda manteniendo la claridad.
Control de velocidad 0,25–4,0
Ajusta la velocidad de narración entre 0,25 y 4,0 para adaptarte a diferentes niveles de lectura. Esto permite que los alumnos con dificultades de procesamiento auditivo escuchen a mayor velocidad sin perder comprensión.
Audio sintetizado natural
El audio generado es claro y consistente, ideal para apoyar la lectoescritura. Cada archivo contiene una marca de agua inaudible que identifica el contenido como sintético.
Ventajas para metodólogos
La API permite automatizar la creación de recursos auditivos para metodologías de lectoescritura. Al enviar texto, se recibe un archivo de audio listo para usar en el aula, optimizando el tiempo de preparación de materiales didácticos.
Los docentes pueden generar grandes volúmenes de narraciones sin necesidad de equipos de grabación profesionales. Esto facilita la estandarización de la exposición lingüística en los centros educativos.
Generación masiva de audio
Con un límite de 4096 caracteres por solicitud y la capacidad de dividir textos largos, es posible crear bibliotecas extensas de cuentos o textos educativos de manera eficiente. El proceso es asíncrono y los archivos se entregan para su integración directa en plataformas de aprendizaje.
- Procesamiento secuencial que garantiza la integridad del audio generado
- Capacidad de unir archivos de audio para textos largos
- Generación: aprox. 25 caracteres por segundo en textos largos
Consistencia en las voces
Todas las voces están basadas en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y LibriVox, lo que asegura una calidad acústica uniforme y clara. Esto es crucial para mantener la atención de los estudiantes sin cambios abruptos en el timbre de voz entre diferentes materiales.
Uso educativo sin training
No es necesario realizar procesos de entrenamiento de modelos ni personalizar voces específicas. Los 8 presets están diseñados para claridad narrativa e instrucción, permitiendo a los metodólogos centrarse en el contenido pedagógico y no en la técnica de síntesis.
Comenzar hoy mismo
Accede a tu cuenta en carong.info mediante Google o correo electrónico para iniciar. El proceso es directo y no requiere configuración previa de infraestructura.
Una vez registrado, obtienes tu clave API de forma inmediata. Esta credencial te permite comenzar a enviar solicitudes de síntesis de voz al instante.
Registro con Google o email
Puedes crear tu cuenta en carong.info utilizando tu cuenta de Google o un correo electrónico y contraseña. Las cuentas son independientes por sitio web.
Obtención inmediata de API key
Tras el registro, recibirás una clave API única (formato tts-...) directamente en tu panel. Esta clave es la única activa por cuenta y puedes renovarla en cualquier momento si es necesario.
Primeras generaciones gratis
Al registrarte con Google, recibes $0,50 de crédito de prueba, equivalente a unos 50 000 caracteres. Este crédito es válido durante 7 días, permitiéndote probar la calidad de la narración sin coste inicial.
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. Esto asegura que la基底 acústica cumple con los estándares de calidad sin riesgos de derechos de autor sobre la grabación original.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
Fuentes y lecturas adicionales
- Wikipedia
- openai-python on GitHub
- OpenAI API reference: create speech
- curl documentation
- TRON developer hub: TRC-20
- Creative Commons Attribution 4.0
- W3C WAI: making audio and video accessible
- Python documentation
- LibriTTS-R paper (arXiv 2305.18802)
- LibriTTS-R corpus (OpenSLR 141)
- MDN: Web Speech API
- Node.js documentation
