¿Qué es una API de texto a voz para tours virtuales?

Por Equipo editorial VozInmobiliaria · Actualizado 2026-11-19

Esta página explica cómo una API de texto a voz automatiza la creación de audio para tours virtuales y vídeos promocionales. En lugar de contratar locutores para cada propiedad, las agencias inmobiliarias envían texto y reciben archivos de audio listos para usar, eliminando la logística de estudios y permitiendo una producción masiva y escalable.

Aquí encontrarás los detalles técnicos para integrar la narración en tus flujos de trabajo, desde los parámetros de la solicitud hasta las limitaciones actuales. Si buscas voces claras y consistentes para presentar propiedades sin depender de recursos humanos externos, esta es tu guía práctica para empezar a usar NexOraWeb.

¿Qué es una API de texto a voz para tours virtuales?

Preguntas frecuentes

¿Qué es una API?

Una API (Interfaz de Programación de Aplicaciones) es un servicio en la nube que permite enviar texto y recibir un archivo de audio. En nuestro caso, es un endpoint POST que procesa la solicitud y devuelve el audio generado, integrándose fácilmente en el flujo técnico de tu agencia.

¿Qué es un tour virtual inmobiliario?

Es una presentación interactiva de una propiedad que permite a los clientes recorrerla de forma remota. Para agencias, es crucial añadir narración profesional que explique las características de cada estancia, mejorando la experiencia del usuario sin necesidad de contratar locutores para cada video o recorrido.

¿Qué es el texto a voz (TTS)?

Es la tecnología que convierte texto escrito en audio audible. Nuestra API recibe texto (hasta 4096 caracteres) y genera un archivo de audio listo para usarse en tours virtuales, permitiendo escalar la producción de narraciones inmobiliarias de manera automatizada y consistente.

¿Qué es una voz sintética?

Es una voz generada por computadora basada en modelos de IA. Utilizamos ocho presets (como Aria o Felix) que suenan naturales y profesionales. Cada archivo generado lleva una marca de agua inaudible que identifica el contenido como síntesis artificial.

¿Qué es la síntesis neural?

Es el motor de IA que genera nuestras voces. Utiliza grabaciones licenciadas (LibriTTS-R) y de dominio público (LibriVox) para crear audio realista. Este motor procesa la solicitud en cola, generando audio a una velocidad aproximada de 25 caracteres por segundo en textos largos.

¿Qué es el formato MP3?

Es uno de los formatos de audio compatibles con nuestra API, junto con WAV, OPUS, FLAC y PCM. MP3 es ideal para tours virtuales web por su equilibrio entre calidad y tamaño de archivo, facilitando la carga rápida en plataformas de visualización.

¿Qué es un SDK?

Un Kit de Desarrollo de Software es una colección de herramientas para integrar una API. No ofrecemos un SDK propio, pero puedes usar los SDKs oficiales de OpenAI cambiando la base URL a https://api.sv366.info/v1, o usar HTTP directo.

¿Qué es un endpoint API?

Es la dirección URL específica donde se envía la solicitud. Para generar audio, debes realizar una petición POST a https://api.sv366.info/v1/audio/speech con el formato JSON que incluye el modelo, el texto, la voz y el formato deseado.

¿Qué es la cabecera Authorization?

Es el mecanismo de seguridad que autentica tus solicitudes. Debes incluir Authorization: Bearer tts-tu-clave en cada petición. Tu clave única se genera al registrarte y permite acceder a tu saldo y realizar la síntesis de texto a voz.

¿Qué es USDT TRC-20?

Es el único método de recarga disponible: USDT en la red TRON (TRC-20). El mínimo es $5 USD. El crédito se acredita automáticamente en minutos tras la transferencia, sin necesidad de facturas, suscripciones ni procesamiento bancario tradicional.

¿Qué es un carácter en computación?

Es cada símbolo que compone tu texto, incluyendo letras, números, espacios y puntuación. El precio es $0.01 por cada 1.000 caracteres. Los espacios cuentan como caracteres, por lo que debes considerar la longitud total del guion para calcular el costo.

¿Qué es un preset de voz?

Son ocho configuraciones predefinidas de voz disponibles (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion). Cada una tiene un tono distinto (narrador, energético, documental) y puedes seleccionar la adecuada para el estilo de tu presentación inmobiliaria mediante el parámetro voice.

¿Qué es el streaming de audio?

Es la transmisión continua de audio mientras se genera. Nuestra API no ofrece streaming ni WebSockets; devuelve el archivo completo una vez finalizada la síntesis. Para textos largos, debes dividir el texto en partes de 4096 caracteres y unir los archivos.

¿Qué es SSML?

Es un lenguaje de marcado para controlar la síntesis (pausas, entonación). Nuestra API no soporta SSML ni diccionarios de pronunciación personalizados. Controlas la velocidad con el parámetro speed (0.25–4.0) y seleccionas la voz mediante el nombre del preset.

¿Qué es la clonación de voz?

Es la creación de una voz idéntica a una persona específica. No ofrecemos clonación de voz personalizada ni subida de muestras. Utilizamos ocho voces predefinidas basadas en grabaciones licenciadas, lo que garantiza consistencia y claridad sin costos adicionales de diseño.

¿Qué es una marca de agua auditiva?

Es un código inaudible incrustado en cada archivo de audio generado. Marca el contenido como síntesis artificial, identificando que fue creado por nuestra API. Es una característica técnica estándar para la detección de contenido generado por IA.

Definición de API de texto a voz

Ilustración de onda de sonido para: Definición de API de texto a voz

Una API de texto a voz es una interfaz programática que permite generar audio a partir de texto mediante código. En lugar de grabar manualmente cada guion, las agencias inmobiliarias envían el texto de sus tours virtuales a un endpoint y reciben un archivo de audio listo para usar. Este servicio automatiza la creación de narraciones, eliminando la necesidad de sincronizar voces humanas con cada nueva propiedad o actualización de lista.

Interfaz programática para síntesis

La integración se realiza mediante una solicitud HTTP POST al endpoint https://api.sv366.info/v1/audio/speech. Se envía un cuerpo JSON con los parámetros necesarios, como el modelo tts-1 o tts-1-hd, la voz elegida y el texto a convertir. La API devuelve el archivo de audio generado, compatible con reproductores web estándar.

  • Endpoint: POST https://api.sv366.info/v1/audio/speech
  • Formato de entrada: JSON
  • Compatibilidad con SDKs oficiales de OpenAI cambiando la base_url

Entrada texto, salida audio

El proceso es directo: se proporciona el texto descriptivo de la propiedad (hasta 4096 caracteres por solicitud) y se especifica la voz deseada entre las ocho disponibles (como sage para instrucciones o atlas para noticias). La API procesa la solicitud y devuelve el archivo de audio en el formato seleccionado, como MP3 o WAV, listo para incrustar en el tour virtual.

Automatización del proceso creativo

Al programar la generación de audio, las agencias pueden integrar la narración directamente en sus flujos de trabajo de gestión de propiedades. Cuando se añade una nueva casa o se actualiza una descripción, el sistema puede generar automáticamente la voz correspondiente sin intervención humana. Esto garantiza que cada tour tenga una narración clara y profesional, manteniendo la consistencia de la marca sin depender de la disponibilidad de locutores.

Aplicación en tours virtuales

Ilustración de onda de sonido para: Aplicación en tours virtuales

La API de texto a voz permite generar narraciones profesionales para recorridos virtuales sin necesidad de estudios de grabación ni locutores. Al enviar el guion mediante una solicitud HTTP, el sistema devuelve el audio listo para sincronizar con la vista 360.

Este enfoque automatiza la producción de contenido, asegurando que cada propiedad cuente con una voz clara y consistente, ideal para mantener la identidad de la marca en cada tour compartido con los clientes.

Narración de recorridos 360

Integre audio generado automáticamente en sus tours virtuales para guiar al usuario por cada habitación. La API procesa textos de hasta 4096 caracteres, permitiendo narraciones fluidas que describen el recorrido sin interrupciones técnicas.

Los archivos de audio se generan en segundos, lo que facilita la actualización rápida de los tours cuando cambian las características de la propiedad o se agregan nuevos espacios al recorrido.

  • Sincronización directa con elementos visuales del tour
  • Generación instantánea de archivos de audio

Descripción de características

Utilice la API para describir detalles específicos de las propiedades, como acabados, iluminación o ubicación, manteniendo un tono profesional y claro. Esto mejora la experiencia del cliente sin requerir presencia humana constante.

Puede personalizar la voz (por ejemplo, 'atlas' para un tono neutral o 'sage' para instrucciones) y el idioma, asegurando que la descripción se adapte al público objetivo de cada mercado.

  • Descripciones detalladas y precisas
  • Personalización de tono y estilo vocal

Guía interactiva para clientes

Ofrezca a los clientes una guía auditiva que responda a sus dudas sobre la propiedad en tiempo real. La API permite generar respuestas personalizadas basadas en preguntas específicas o puntos de interés del recorrido.

Esta interactividad mejora el engagement del usuario, permitiendo que cada visita al tour sea una experiencia única y adaptada a las necesidades del cliente, sin necesidad de contratar soporte adicional.

Ventajas para agencias inmobiliarias

Ilustración de onda de sonido para: Ventajas para agencias inmobiliarias

La API permite generar narraciones para cientos de propiedades simultáneamente. Al enviar texto mediante la endpoint POST, se obtiene el audio sin esperar disponibilidad de locutores. Esto elimina los cuellos de botella logísticos y acelera la publicación de nuevos listados.

Producción masiva de vídeos

Puedes procesar descripciones largas dividiéndolas en fragmentos de hasta 4096 caracteres. La API une los archivos de audio resultantes manualmente (o mediante script), permitiendo crear tours completos en minutos con un coste fijo de $0.01 por cada 1.000 caracteres.

  • Sin necesidad de contratar talento externo por proyecto.
  • Generación inmediata tras recibir la respuesta binaria de audio.

Actualización rápida de textos

Si cambias los precios o las características de una propiedad, regenera la voz en segundos. No hace falta reprogramar sesiones de estudio ni editar archivos de audio grandes, manteniendo el contenido siempre actualizado.

Consistencia de marca

Selecciona entre ocho voces predefinidas como 'aria' o 'atlas' para todas tus propiedades. El tono permanece uniforme en todos los vídeos, reforzando la identidad profesional de la agencia sin depender de la variabilidad de diferentes locutores.

Diferencia con grabación humana

Ilustración de onda de sonido para: Diferencia con grabación humana

La API de texto a voz ofrece una alternativa eficiente a la grabación humana tradicional para agencias inmobiliarias, eliminando los costos fijos de producción por minuto de audio.

Menor coste por unidad

El precio es de $0.01 por cada 1 000 caracteres, lo que permite generar narraciones para tours virtuales a una fracción del costo de contratar locutores por hora. No hay cargos por tiempo de estudio ni mínimos de contratación.

Disponibilidad inmediata

Las voces se generan al instante tras enviar la solicitud. A diferencia de la programación de sesiones de grabación, puedes producir contenido nuevo cuando lo necesites, ideal para actualizar listados rápidamente.

Sin logística de estudio

No se requiere equipo de audio, micrófonos ni personal técnico. Todo el procesamiento ocurre en la nube mediante modelos de síntesis neural, entregando el archivo de audio listo para integrar en tu sitio web o redes sociales.

Tecnología subyacente

Ilustración de onda de sonido para: Tecnología subyacente

La API utiliza modelos de síntesis neural para convertir texto en audio natural. Estos modelos procesan la entrada y generan ondas sonoras que imitan patrones humanos, permitiendo una narración fluida y coherente para tours virtuales.

Modelos de síntesis neural

Los algoritmos analizan la estructura del texto y predicen la prosodia adecuada. Esto asegura que la voz tenga una entonación lógica, adaptándose a la puntuación y al contexto de la descripción de la propiedad.

Voces basadas en grabaciones licenciadas

Las ocho voces disponibles provienen de grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Cada voz tiene un timbre único, como la claridad de Aria o la neutralidad de Atlas, sin imitar a celebridades.

  • Voces naturales derivadas de grabaciones licenciadas.
  • Sin imitación de voces de celebridades.
  • Agua marca inaudible en cada archivo generado.

Procesamiento en la nube

La síntesis ocurre en servidores remotos. Envías el texto y recibes el archivo de audio, sin necesidad de hardware potente en tu oficina. El procesamiento es asíncrono, lo que permite gestionar múltiples solicitudes sin bloquear tu sistema.

La infraestructura en la nube asegura que la calidad del audio sea constante, independientemente de la ubicación del usuario que genere el tour virtual.

Integración técnica básica

Ilustración de onda de sonido para: Integración técnica básica

La integración se basa en una solicitud POST a https://api.sv366.info/v1/audio/speech. El cuerpo contiene texto JSON con el campo input (máx. 4096 caracteres), model (tts-1 o tts-1-hd), voice (ej. aria, atlas) y response_format (mp3, wav, opus, flac, pcm).

Se usa autenticación con Bearer y se reciben los archivos de audio listos para reproducirse en tours virtuales o vídeos promocionales sin infraestructura adicional.

Solicitud HTTP POST

Envía una petición POST al endpoint /v1/audio/speech. Incluye tu clave API en el encabezado Authorization y los parámetros en formato JSON.

  • Endpoint: https://api.sv366.info/v1/audio/speech
  • Método: POST
  • Formato: JSON

Parámetros de voz y formato

Especifica el modelo (tts-1 o tts-1-hd), la voz (ej. sage para instrucciones, atlas para noticias) y el idioma ISO opcional. El texto de entrada no debe exceder 4096 caracteres.

Define el formato de salida (mp3, wav, opus, flac, pcm) y la velocidad (0.25–4.0). Si no se indica idioma, se detecta automáticamente.

Respuesta binaria de audio

La API devuelve el archivo de audio binario directamente en la respuesta. No se almacena en nuestros servidores; el archivo se recibe instantáneamente.

Si la síntesis falla, la carga se devuelve íntegramente. Si el texto es largo, debe dividirse en partes y unirse manualmente.

Integración técnica básica

Casos de uso en bienes raíces

Ilustración de onda de sonido para: Casos de uso en bienes raíces

La API de texto a voz permite generar narraciones profesionales para tours virtuales y presentaciones de propiedades sin contratar locutores.

Las agencias pueden automatizar la producción de audio para múltiples idiomas y dialectos, manteniendo la consistencia de marca en cada proyecto.

Vídeos promocionales en redes

Genera narraciones rápidas para anuncios de propiedades en plataformas sociales. Puedes actualizar los textos fácilmente y regenerar el audio en minutos.

Las voces claras y naturales captan la atención del público sin requerir estudios de grabación costosos.

  • Ideal para anuncios en Instagram, TikTok o Facebook.
  • Actualización inmediata de descripciones de propiedades.

Tours en sitios web

Integra narraciones en recorridos 360 grados para guiar a los visitantes virtuales. La API procesa textos cortos de forma eficiente, devolviendo archivos de audio listos para insertar.

Mantén la coherencia en la voz de tu marca a través de todas las propiedades listadas.

  • Compatible con los principales frameworks web.
  • Soporte para múltiples formatos de audio.

Presentaciones para inversores

Crea audios profesionales para presentaciones de alto valor. La calidad de las voces permite transmitir confianza y seriedad.

Genera contenido en varios idiomas para atraer inversores internacionales sin necesidad de múltiples locutores.

  • Ideal para reuniones virtuales o grabaciones.
  • Soporte para textos técnicos y descriptivos.

Limitaciones actuales

Ilustración de onda de sonido para: Limitaciones actuales

La API ofrece ocho voces predefinidas con estilos claros, pero no permite ajustar la entonación palabra por palabra ni insertar pausas precisas mediante etiquetas. Si necesitas control fino sobre la prosodia, debes ajustar el texto o la velocidad general.

Las voces son fijas y no puedes subir tu propia grabación para clonar tu timbre. Se utilizan grabaciones licenciadas y cada archivo generado lleva una marca de agua inaudible que lo identifica como síntesis.

Sin SSML ni control fino de entonación

No se soporta el lenguaje de marcado SSML. No hay control sobre pausas, énfasis o velocidad por palabra. La velocidad se ajusta globalmente entre 0.25 y 4.0.

Sin clonación de voz personalizada

No ofrecemos clonación de voz ni diseño de voces. Solo hay ocho presets fijos basados en grabaciones licenciadas.

No puedes subir tu propia voz ni crear variaciones personalizadas para tu marca.

Sin streaming en tiempo real

La API devuelve el archivo de audio completo tras procesar la solicitud. No hay transmisión parcial ni WebSocket. Debes esperar a la generación completa para recibir el binario.

Esto implica que no hay audio en tiempo real, ideal para descargas y embebidos estándar.

Idiomas soportados

Ilustración de onda de sonido para: Idiomas soportados

La API soporta 23 idiomas, incluyendo español, inglés, alemán, francés, chino, japonés, árabe y ruso. Puedes generar narraciones para agencias inmobiliarias que operan en mercados multilingües o atraer a compradores internacionales sin contratar equipos de doblaje.

La detección automática del idioma se basa en la escritura del texto (por defecto inglés si es alfabeto latino), pero puedes forzar el idioma exacto usando el parámetro language con su código ISO para evitar errores en textos mixtos.

23 idiomas disponibles

El servicio incluye soporte completo para 23 idiomas clave para el sector inmobiliario global.

Idiomas no soportados incluyen vietnamita, tailandés, ucraniano, rumano, checo y bengalí.

  • Español, inglés, alemán, francés, portugués
  • Chino (simplificado), japonés, coreano, árabe, hindi
  • Italiano, ruso, turco, polaco, sueco, danés, noruego, finés, holandés, griego, hebreo, malayo, swahili

Detección automática o manual

Si no especificas language, el sistema adivina el idioma según el script (texto latino por defecto en inglés).

Para textos en español o portugués escritos con caracteres latinos, establece language manualmente para garantizar la pronunciación correcta.

Voces nativas en cada idioma

Las 8 voces preestablecidas (como Aria, Nova, Felix, Atlas) pueden hablar cualquiera de los 23 idiomas soportados.

No necesitas una voz diferente por idioma; una sola voz mantiene su timbre y calidad al cambiar de idioma.

Calidad de audio generada

Ilustración de onda de sonido para: Calidad de audio generada

La API de NexOraWeb genera audio con voces naturales y claras, ideales para la narración de tours virtuales inmobiliarios. El procesamiento en la nube asegura que el texto se convierta en audio de alta calidad sin depender de la conexión directa del usuario final.

Cada archivo de audio contiene una marca de agua inaudible que lo identifica como síntesis artificial, garantizando transparencia sin afectar la experiencia del oyente durante la presentación de propiedades.

Voces claras y entendibles

Las ocho voces preestablecidas están diseñadas para ofrecer claridad y profesionalismo. Desde la voz cálida de Aria hasta la neutral de Atlas, cada una está optimizada para que los detalles de las propiedades se escuchen con nitidez durante los recorridos.

La claridad es crucial para mantener la atención de los clientes mientras exploran espacios virtuales, asegurando que cada descripción sea fácil de seguir.

  • Voces basadas en grabaciones licenciadas de LibriTTS-R y LibriVox.
  • Entonación natural que facilita la comprensión de detalles técnicos.
  • Sin artefactos de audio comunes en síntesis de baja calidad.

Marcas de agua inaudibles

Todos los archivos generados incluyen una marca de agua inaudible que marca el audio como síntesis artificial. Esta característica permite identificar el origen del contenido sin distraer al oyente.

La marca de agua es permanente y no requiere procesamiento adicional por parte del usuario para ser verificada si es necesario.

Formatos optimizados para web

El API soporta formatos como MP3, WAV, OPUS, FLAC y PCM, permitiendo elegir el balance óptimo entre calidad y tamaño de archivo. MP3 y OPUS son ideales para la carga rápida en sitios web de tours virtuales.

Los formatos optimizados garantizan una reproducción fluida sin interrupciones, incluso en conexiones móviles, mejorando la experiencia del usuario final.

  • MP3 y OPUS para equilibrio entre calidad y peso.
  • WAV y FLAC para máxima fidelidad si se requiere.
  • PCM para procesamiento directo.

Escalabilidad para agencias

Ilustración de onda de sonido para: Escalabilidad para agencias

La API permite generar audio de forma escalable para agencias con necesidades variables. No hay límites de usuarios ni suscripciones mensuales fijas, lo que facilita la adaptación a picos de demanda sin costos adicionales complejos.

El sistema procesa las peticiones en cola, garantizando que cada solicitud se complete aunque haya alta carga. Esto asegura que la producción de narraciones no se detenga, incluso durante lanzamientos masivos de propiedades.

Generación paralela de solicitudes

Aunque las peticiones se procesan una tras otra, el límite de 60 solicitudes por minuto permite generar múltiples clips simultáneamente mediante scripts externos. Esto acelera la producción de tours completos sin depender de un único hilo de ejecución.

Las agencias pueden distribuir la carga de trabajo entre varias claves o gestionar la cola automáticamente, manteniendo un flujo constante de audio para sus catálogos.

  • Límite de 60 req/min por clave
  • Procesamiento secuencial pero predecible
  • Sin límites de usuarios en la cuenta

Manejo de volúmenes variables

El sistema escala automáticamente según la demanda. No hay que contratar más licencias ni esperar aprobaciones para subir el volumen de generación.

Si la demanda aumenta, simplemente se envían más solicitudes. El costo es puramente por uso (caracteres), lo que elimina el riesgo de pagar por capacidad no utilizada.

  • Pago por caracteres utilizados
  • Sin mínimos de gasto
  • Crédito no expirado

Sin cuellos de botella humanos

No hay que coordinar agendas de locutores ni esperar a que estén disponibles en estudio. La generación es inmediata al enviar la solicitud.

Esto elimina la logística tradicional de producción de voz, permitiendo actualizaciones rápidas de textos o correcciones en tiempo real sin tiempos de espera adicionales.

La automatización completa permite integrar la generación de audio directamente en el flujo de trabajo de subida de propiedades, desde la descripción hasta el vídeo final.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. No se puede subir una grabación para clonar la voz de un agente o locutor específico.

Avatar de la voz aria
ariafemenino
Avatar de la voz nova
novafemenino
Avatar de la voz luna
lunafemenino
Avatar de la voz sage
sagefemenino
Avatar de la voz felix
felixmasculino
Avatar de la voz milo
milomasculino
Avatar de la voz atlas
atlasmasculino
Avatar de la voz orion
orionmasculino

23 idiomas

Cualquier voz puede hablar cualquiera de estos idiomas.

Fuentes y lecturas adicionales

  1. Wikipedia
  2. openai-python on GitHub
  3. Python documentation
  4. openai-node on GitHub
  5. W3C WAI: making audio and video accessible
  6. Node.js documentation
  7. IETF RFC 7845: Ogg Opus
  8. Tether (USDT)
  9. curl documentation
  10. TRON developer hub: TRC-20
  11. MDN: Web Speech API
  12. Creative Commons Attribution 4.0

Más en este sitio