¿Qué es una API de texto a voz y cómo funciona?

Por Equipo editorial de NarraFlow · Actualizado 2026-11-19

Esta página explica el funcionamiento técnico de NarraFlow, una API de texto a voz diseñada para desarrolladores indie en el sector fintech. Aprenderás cómo convertir texto plano en archivos de audio mediante endpoints HTTP estándar, ideal para notificaciones de saldos y verificación de identidad en aplicaciones bancarias.

Descubrirás la arquitectura de las solicitudes, la autenticación Bearer y los formatos de audio disponibles. El contenido está orientado a equipos de desarrollo que buscan integrar voz sintetizada predecible y escalable sin gestionar infraestructura propia, enfocándose en la eficiencia operativa y los costos por uso efectivo.

¿Qué es una API de texto a voz y cómo funciona?

Preguntas frecuentes

¿Qué es una API de texto a voz?

Es una interfaz de programación que permite enviar texto y recibir un archivo de audio generado por síntesis. NarraFlow ofrece una API RESTful que convierte texto plano en audio para notificaciones en aplicaciones fintech, utilizando un endpoint simple y predecible para la integración.

¿Cómo funciona la conversión de texto a audio?

Se envía texto al endpoint POST /v1/audio/speech con el modelo y voz deseados. El servidor procesa la solicitud y devuelve el archivo de audio en el formato especificado. Los textos largos se dividen en partes de 4096 caracteres y se unen manualmente por el cliente.

¿Qué es el formato JSON en la API?

Es el formato de estructura de datos utilizado en el cuerpo de la solicitud. Incluye campos como 'model', 'input', 'voice' y 'response_format'. Es el mismo formato que usa la API de OpenAI, facilitando la integración con SDKs existentes.

¿Qué significa base_url en la integración?

Es la dirección base de la API que se configura en los SDKs. Para usar NarraFlow, se cambia el 'base_url' a https://api.canadiandollarbingo.info/v1. Esto permite reutilizar la lógica de cliente de otros servicios compatibles con este formato.

¿Qué es una clave Bearer?

Es un token de autenticación que se envía en el encabezado Authorization. Se usa como 'Bearer tts-...' para validar las solicitudes. Cada cuenta tiene una clave activa que garantiza que el uso se registre correctamente para la facturación.

¿Qué es un endpoint REST?

Es una URL específica que expone una funcionalidad de la API. En NarraFlow, los endpoints principales son POST /v1/audio/speech para generar audio y GET /v1/voices para listar las voces disponibles. Son accesibles mediante solicitudes HTTP estándar.

¿Qué es el método POST en HTTP?

Es el método HTTP utilizado para enviar datos al servidor. Se usa en el endpoint de síntesis para transmitir el texto y los parámetros de configuración. El servidor procesa la solicitud y devuelve el archivo de audio generado como respuesta.

¿Qué es la latencia en una API?

Es el tiempo que tarda el servidor en procesar una solicitud y devolver el audio. NarraFlow procesa las solicitudes en cola, por lo que la latencia puede variar bajo carga. El tiempo típico es de unos segundos por frase corta.

¿Qué es el ancho de banda en audio?

Se refiere a la cantidad de datos transmitidos por segundo en el archivo de audio. Los formatos como MP3 y Opus comprimen los datos, reduciendo el ancho de banda necesario para descargar el archivo generado en la aplicación cliente.

¿Qué es la escalabilidad en la nube?

Es la capacidad del servicio para manejar un volumen variable de solicitudes sin intervención manual. Como servicio en la nube, NarraFlow gestiona la infraestructura para procesar las solicitudes de síntesis de texto a voz según la demanda.

¿Qué es un SDK de terceros?

Es una biblioteca de software proporcionada por otra empresa, como la de OpenAI. NarraFlow es compatible con los SDKs oficiales de OpenAI al ajustar la URL base, permitiendo a los desarrolladores usar herramientas conocidas para integrar la voz sintetizada.

¿Qué es el procesamiento en cola?

Es el método por el cual las solicitudes se procesan una tras otra. Si hay muchas solicitudes simultáneas, las posteriores pueden esperar en una cola. Esto garantiza la integridad del proceso pero puede aumentar el tiempo de respuesta bajo carga.

¿Qué es la autenticación OAuth?

Es un protocolo de autorización que permite a los usuarios compartir sus datos sin dar su contraseña. NarraFlow permite inicio de sesión con Google para la creación de cuentas, otorgando un crédito de prueba.

¿Qué es un archivo binario?

Es un archivo que contiene datos en formato de bits, no legible directamente como texto. Los archivos de audio generados (MP3, WAV, FLAC) son binarios. La API devuelve estos archivos directamente en la respuesta HTTP para su reproducción.

¿Qué es la compresión MP3?

Es un formato de audio con pérdida que reduce el tamaño del archivo. Es uno de los formatos soportados por la API, junto con WAV, OPUS, FLAC y PCM. MP3 es ideal para reducir el ancho de banda en transferencias.

¿Qué es la tasa de bits en audio?

Es la cantidad de bits procesados por segundo en un archivo de audio. Determina la calidad y el tamaño del archivo. Los formatos como MP3 y Opus permiten ajustar esta tasa para equilibrar la calidad sonora con el uso de datos.

¿Qué es un servidor on-premise?

Es un servidor físico ubicado en las instalaciones de una empresa, no en la nube. NarraFlow es un servicio en la nube, por lo que no ofrece instalación on-premise ni control directo sobre la infraestructura física donde se procesan los datos.

¿Qué es un webhook de notificación?

Es un mecanismo para que un servidor notifique a una aplicación cuando ocurre un evento.

¿Qué es el tiempo de actividad?

Es el porcentaje de tiempo que un servicio está operativo y accesible. NarraFlow no ofrece una garantía de tiempo de actividad (SLA) ni certificaciones específicas. El servicio está sujeto a la disponibilidad estándar de la infraestructura en la nube.

¿Qué es la integridad de datos?

Garantiza que los datos no se alteren durante la transmisión o el almacenamiento. NarraFlow utiliza HTTPS para la transmisión segura y devuelve archivos de audio completos. Los metadatos de la solicitud se conservan para la facturación precisa.

¿Qué es un protocolo de seguridad?

Es un conjunto de reglas para la transmisión segura de datos, como HTTPS. NarraFlow utiliza HTTPS para proteger la clave Bearer y los datos de la solicitud. La autenticación se basa en tokens Bearer enviados en los encabezados.

¿Qué es la latencia de red?

Es el retraso en la transmisión de datos a través de la red. Afecta el tiempo total de respuesta de la API. La latencia de red se suma al tiempo de procesamiento del servidor para determinar cuándo se recibe el audio.

¿Qué es el código de estado 200?

Es el código HTTP que indica que la solicitud se ha procesado correctamente. En NarraFlow, un 200 significa que el audio se ha generado y se devuelve en el cuerpo de la respuesta. El cliente puede proceder a guardar o reproducir el archivo.

¿Qué es el código de estado 429?

Indica que se ha excedido el límite de solicitudes (Too Many Requests). NarraFlow limita a 60 solicitudes por minuto por clave (10 antes del primer recargo). Si se supera este límite, se recibe este código y se debe esperar antes de realizar más solicitudes.

¿Qué es el código de estado 500?

Es un error interno del servidor que indica que algo salió mal durante el procesamiento. Si ocurre, la solicitud puede fallar. En caso de fallo de síntesis, la carga se devuelve completamente al usuario, sin costo.

Definición técnica del servicio

Ilustración de onda de sonido para: Definición técnica del servicio

NarraFlow es una API de síntesis de voz en la nube diseñada para la integración técnica directa en aplicaciones fintech. El servicio convierte texto plano en audio mediante un endpoint específico, eliminando la necesidad de gestionar infraestructura de procesamiento de voz.

Entrada de texto plano

El servicio acepta una cadena de caracteres como entrada principal, con un límite estricto de 4096 caracteres por solicitud. El texto se envía en formato JSON, permitiendo la especificación opcional del idioma ISO para garantizar la precisión en textos en latín que no sean inglés.

  • Límite de 4096 caracteres por petición
  • Entrada en formato JSON
  • Detección automática o especificación de idioma

Salida de archivo de audio

La respuesta consiste en un archivo de audio binario generado por el motor TTS. Este archivo puede descodificarse o reproducirse directamente en la aplicación cliente. No se almacena texto ni audio generado después de la entrega inmediata.

  • Formatos disponibles: MP3, WAV, OPUS, FLAC, PCM
  • Respuesta binaria directa
  • Sin almacenamiento posterior de audio

Protocolo HTTP estándar

La comunicación utiliza el método POST estándar sobre HTTPS. Esto permite la integración mediante cualquier cliente HTTP o SDK compatible, facilitando la conexión con sistemas bancarios existentes sin protocolos propietarios complejos.

  • Método POST
  • Cuerpo JSON
  • Autenticación Bearer Token

Arquitectura de la solicitud

Ilustración de onda de sonido para: Arquitectura de la solicitud

La integración se realiza mediante una solicitud POST al endpoint de la API, enviando el texto plano y los parámetros de configuración en formato JSON. Esta estructura estándar permite una compatibilidad inmediata con las librerías cliente de OpenAI, solo requiriendo ajustar la URL base.

La autenticación se gestiona mediante un token Bearer en el encabezado de la solicitud, garantizando que solo las claves válidas generadas para la cuenta puedan solicitar síntesis. Cada solicitud es independiente y atómica.

Método POST JSON

El cuerpo de la solicitud contiene el texto a sintetizar (input) y el modelo seleccionado (tts-1 o tts-1-hd). El límite estricto de 4096 caracteres por petición requiere dividir textos largos para mantener la predictibilidad del proceso en entornos fintech.

  • Envío de texto plano y configuración en formato JSON
  • Límite de 4096 caracteres por solicitud
  • Compatibilidad con la estructura de OpenAI

Autenticación Bearer

Se utiliza el encabezado Authorization: Bearer seguido de la clave única de la cuenta. Esta clave puede revocarse instantáneamente para emitir una nueva, asegurando el control de acceso sin necesidad de gestionar certificados complejos.

  • Clave única por cuenta
  • Revocación instantánea
  • Encabezado estándar HTTP

Respuesta binaria o base64

La API devuelve el archivo de audio generado directamente en el cuerpo de la respuesta HTTP. No se incluye metadatos adicionales en el stream, lo que facilita el almacenamiento directo o la reproducción inmediata en la aplicación cliente.

Diferencia con soluciones on-premise

Ilustración de onda de sonido para: Diferencia con soluciones on-premise

La API de NarraFlow elimina la necesidad de gestionar infraestructura local. No se requieren servidores propios para alojar los motores de síntesis de voz, lo que simplifica la arquitectura de las aplicaciones fintech.

El servicio gestiona la infraestructura, pero las solicitudes se procesan en cola secuencialmente. No hay necesidad de pre-provisioning de recursos ni gestión de capacidad para manejar picos de demanda en notificaciones de clientes.

Sin mantenimiento de infraestructura significa que no hay actualizaciones de sistemas operativos o parches de hardware que gestionar. La entrega de audio se maneja en la nube, permitiendo enfocarse en la lógica de negocio de la app.

Sin servidores propios

Al utilizar una API en la nube, NarraFlow elimina la necesidad de mantener servidores dedicados para la síntesis de voz. Esto reduce la complejidad operativa y los costos fijos asociados a la infraestructura física o virtual.

Los desarrolladores indie pueden integrar voz en sus aplicaciones sin la overhead de gestionar máquinas virtuales o contenedores para el motor de TTS.

  • Infraestructura gestionada por el proveedor
  • Sin costos fijos de servidores

Escalado automático

El servicio maneja la escalabilidad internamente. No es necesario pre-provisioning de recursos para anticipar picos de uso, como notificaciones masivas de saldos.

Las solicitudes se procesan en cola bajo demanda, garantizando que el sistema crezca según la necesidad real sin intervención manual del desarrollador.

  • Sin pre-provisioning
  • Manejo de carga bajo demanda

Sin mantenimiento de infraestructura

No hay necesidad de actualizar parches del sistema operativo, gestionar discos duros o mantener hardware de síntesis. El foco se mantiene en la lógica de negocio de la app fintech.

La infraestructura subyacente es responsabilidad de NarraFlow, liberando al equipo de desarrollo de tareas de DevOps relacionadas con el motor de voz.

  • Actualizaciones automáticas
  • Enfoque en lógica de negocio

Uso en notificaciones fintech

Ilustración de onda de sonido para: Uso en notificaciones fintech

La API NarraFlow convierte alertas de saldo y recordatorios en audio sintetizado, eliminando la necesidad de grabaciones estáticas o servicios de telefonía IVR. Este enfoque permite notificaciones personalizadas y escalables directamente desde la aplicación fintech.

El proceso es directo: la app envía texto plano al endpoint, y recibe un archivo de audio listo para reproducirse, garantizando una integración técnica sencilla para desarrolladores indies.

Alertas de saldo en tiempo real

Las aplicaciones pueden enviar notificaciones de movimientos bancarios mediante audio sintetizado. Al enviar el texto de la transacción al endpoint, la API devuelve el archivo de audio en segundos, permitiendo una comunicación inmediata sin infraestructura de llamadas.

  • Generación de audio bajo demanda tras cada transacción
  • Compatibilidad con formatos MP3 y OPUS para móviles
  • Sin latencia de líneas telefónicas dedicadas

Verificación de identidad por voz

Se puede utilizar el audio generado para confirmar la identidad del usuario mediante prompts de voz dinámicos. A diferencia de los códigos estáticos, esto añade una capa de seguridad sin requerir reconocimiento de voz avanzado ni infraestructura adicional.

Recordatorios de pago

Los vencimientos de servicios o préstamos se pueden comunicar mediante archivos de audio personalizados. El sistema maneja el texto, genera el archivo y lo entrega a la app, asegurando que el usuario reciba la información de manera clara y audible.

  • Personalización del mensaje según el monto o fecha
  • Uso de voces preestablecidas para consistencia de marca

Comparación con telefonía IVR

Ilustración de onda de sonido para: Comparación con telefonía IVR

La API de texto a voz elimina la necesidad de infraestructura telefónica tradicional. A diferencia de los sistemas IVR que requieren líneas dedicadas y mantenimiento de hardware, esta solución opera sobre HTTP estándar, reduciendo la latencia de configuración.

La integración es directa con aplicaciones móviles y backend fintech. No se gestan llamadas entrantes ni salientes; el audio se genera bajo demanda y se reproduce dentro de la app, ofreciendo una experiencia de usuario más fluida y controlada por el desarrollador.

Menor latencia de configuración

La implementación requiere solo una clave API y la integración con el endpoint estándar. No hay que negociar contratos de telecomunicaciones ni esperar la activación de líneas físicas.

El tiempo de despliegue se reduce drásticamente. Los desarrolladores indie pueden añadir voz a sus notificaciones en horas, no en meses, al evitar la complejidad de la infraestructura de voz tradicional.

  • Configuración en minutos mediante HTTP.
  • Sin negociaciones con proveedores de telecomunicaciones.
  • Despliegue ágil para equipos pequeños.

Sin líneas telefónicas dedicadas

Al no depender de circuitos telefónicos, se eliminan los costos fijos de líneas dedicadas y la complejidad de la conmutación de voz.

El audio se genera digitalmente y se entrega como un archivo que la aplicación puede reproducir inmediatamente, sin intermediarios de red telefónica.

Esto simplifica la arquitectura de software, permitiendo que la notificación de voz sea parte del flujo de datos de la app, no de una llamada externa.

  • Sin costos de líneas fijas.
  • Infraestructura basada en software.
  • Reducción de complejidad de red.

Integración con apps móviles

El audio se integra directamente en la interfaz de la aplicación móvil o web. El usuario recibe una notificación de saldo o verificación de identidad sin salir de la app.

Esta integración permite un control total sobre el momento, la duración y el contexto de la reproducción de voz, mejorando la experiencia del usuario en entornos fintech.

A diferencia del IVR, que requiere que el usuario marque números o responda a menús de voz, la API entrega el contenido directamente donde el usuario ya está trabajando.

  • Reproducción nativa en la app.
  • Control total del flujo de usuario.
  • Notificaciones inmersivas sin llamadas.

Limitaciones de la tecnología

Ilustración de onda de sonido para: Limitaciones de la tecnología

La API genera audio basado en patrones estadísticos sin comprender el significado semántico del texto. No distingue entre ironía, sarcasmo o preguntas retóricas, lo que puede resultar en una entonación plana en contextos financieros complejos donde la precisión del tono es crítica para la claridad del mensaje.

Sin comprensión de contexto complejo

El motor no analiza la estructura narrativa ni el contexto previo de la conversación. Cada solicitud se procesa de forma aislada, por lo que no mantiene coherencia tonal entre múltiples notificaciones consecutivas sin lógica adicional en el lado del cliente.

Sin entonación emocional granular

Las ocho voces ofrecen perfiles predefinidos (como 'calm' o 'energetic'), pero no permiten ajustar matices emocionales específicos ni marcar énfasis en palabras clave. La entonación es uniforme dentro de cada preset, sin variación dinámica basada en la puntuación o el significado.

Sin reconocimiento de voz incluido

La solución es exclusivamente de texto a voz (TTS). No incluye capacidades de reconocimiento de voz (STT) ni comprensión de comandos naturales, por lo que requiere integraciones separadas si se necesita procesar respuestas auditivas de los usuarios finales.

Seguridad en la transmisión

Ilustración de onda de sonido para: Seguridad en la transmisión

La transmisión de datos entre tu aplicación y la API de NarraFlow ocurre exclusivamente mediante HTTPS, garantizando el cifrado de las credenciales y del texto en tránsito. Este protocolo estándar previene la interceptación de las claves Bearer y del contenido enviado durante la operación de conversión.

La seguridad se refuerza mediante la gestión de identidades y la política de retención de datos. Cada cuenta opera con una única clave activa que puede revocarse instantáneamente para emitir una nueva, eliminando el riesgo de uso prolongado de credenciales comprometidas. El texto enviado se utiliza únicamente para la síntesis y no se almacena para entrenamiento, asegurando que la información sensible del cliente no persista en nuestros servidores tras la generación del audio.

Uso de HTTPS obligatorio

Todos los endpoints, incluyendo la generación de audio y la gestión de cuentas, requieren conexión cifrada. Esto asegura que las peticiones JSON y las respuestas binarias viajen de forma protegida desde el servidor de tu app hasta la infraestructura de NarraFlow.

Claves API efímeras

Cada cuenta mantiene una sola clave activa. Si se detecta una posible vulnerabilidad, puedes emitir una nueva clave inmediatamente; la anterior deja de funcionar al instante. Esto minimiza la ventana de exposición sin necesidad de esperar a la expiración de tokens largos.

No almacenamiento de texto

El texto plano enviado para la síntesis no se retiene para fines de entrenamiento ni se almacena de forma permanente. Solo se conservan los metadatos de la petición (tiempo, caracteres y estado) estrictamente necesarios para la facturación y el control de límites.

Seguridad en la transmisión

Formatos de audio para apps

Ilustración de onda de sonido para: Formatos de audio para apps

La API de NarraFlow permite seleccionar entre MP3, WAV, OPUS o FLAC para adaptar la entrega de audio a las necesidades técnicas de tu aplicación fintech.

MP3 para compatibilidad universal

El formato MP3 es ideal para notificaciones móviles estándar, garantizando reproducción inmediata en la mayoría de los reproductores nativos de iOS y Android sin codec adicional.

  • Alta compatibilidad con clientes nativos
  • Tamaño de archivo moderado

WAV para procesamiento local

WAV ofrece audio sin pérdida para análisis de calidad o almacenamiento temporal en servidores backend que requieren precisión de bits exacta sin compresión.

  • Sin pérdida de calidad
  • Ideal para procesamiento posterior

OPUS para ahorro de ancho de banda

OPUS comprime eficientemente el audio, reduciendo el uso de datos móviles del usuario final mientras mantiene una inteligibilidad clara para alertas de saldo.

  • Máxima compresión
  • Eficiencia en redes móviles

Integración con SDK existentes

Ilustración de onda de sonido para: Integración con SDK existentes

La API NarraFlow mantiene una estructura de solicitud idéntica a la de OpenAI, lo que permite a los desarrolladores fintech reutilizar código existente sin reimplementar la lógica de comunicación. Solo es necesario ajustar la URL base a https://api.canadiandollarbingo.info/v1 y asignar la clave API correspondiente.

Esta compatibilidad garantiza que las librerías oficiales de OpenAI funcionen de manera inmediata con los modelos tts-1 y tts-1-hd, facilitando la integración en aplicaciones móviles y sistemas de notificaciones sin dependencia de SDK propietarios o configuraciones complejas.

Compatible con librerías OpenAI

Al conservar la forma de solicitud JSON y la estructura de respuesta, las bibliotecas SDK oficiales de OpenAI pueden dirigirse directamente a nuestra infraestructura. Esto reduce el tiempo de desarrollo al eliminar la necesidad de crear clientes personalizados desde cero para la síntesis de voz.

Los desarrolladores solo requieren modificar el base_url y utilizar la clave API única de NarraFlow. Esta similitud asegura una integración rápida en entornos de producción para notificaciones de saldo o alertas de seguridad.

  • Compatible con librerías OpenAI
  • Configuración mediante cambio de base_url
  • Uso de modelos tts-1 y tts-1-hd

Uso de clientes HTTP estándar

Para proyectos que no utilizan librerías de OpenAI, la API responde a solicitudes HTTP POST estándar con cuerpo JSON. Esto permite su uso desde cualquier lenguaje de programación con capacidades de red básicas, sin necesidad de dependencias específicas o versiones de SDK fijas.

El formato de respuesta es directamente accesible como archivo binario o cadena base64, facilitando su reproducción inmediata en aplicaciones móviles o servidores de aplicaciones fintech sin pasos de decodificación adicionales.

  • Solicitudes HTTP POST con JSON
  • Respuesta binaria o base64
  • Sin dependencias de librerías externas

Manejo de errores estandarizado

Las respuestas de error siguen códigos HTTP estándar (como 4xx o 5xx) indicando el estado de la síntesis. Si la generación falla, la carga se devuelve íntegramente, asegurando que no se facture caracteres no entregados.

Este enfoque predecible permite a los desarrolladores implementar lógica de reintento o manejo de excepciones dentro de sus flujos de notificación sin necesidad de interpretar formatos de error propietarios o personalizados.

  • Códigos HTTP estándar
  • Reembolso automático en fallos
  • Lógica de reintento predecible

Escalabilidad para picos de demanda

Ilustración de onda de sonido para: Escalabilidad para picos de demanda

La API gestiona la carga mediante procesamiento en cola, procesando las solicitudes de manera secuencial. Esto garantiza que cada petición se complete sin perder datos, aunque bajo alta demanda el tiempo de respuesta pueda variar ligeramente.

Cada clave API está limitada a 60 solicitudes por minuto, lo que proporciona un límite predecible para la escalabilidad sin necesidad de ajustes complejos en la infraestructura.

Procesamiento en cola

Las peticiones se ejecutan una tras otra. En periodos de alta actividad, las solicitudes esperan en una cola hasta que el motor esté disponible, manteniendo la integridad de la generación de audio.

Límites por clave API

El límite de 60 solicitudes por minuto por clave evita picos abruptos que puedan saturar el servicio. Este control permite a los desarrolladores indie gestionar el tráfico de notificaciones fintech de forma estable.

  • Límite base: 10 solicitudes/minuto hasta primer recargo.
  • Límite estándar: 60 solicitudes/minuto por clave activa.

Sin necesidad de pre-provisioning

No es necesario reservar servidores o capacidad fija antes de un lanzamiento. La infraestructura cloud gestiona la demanda, pero las solicitudes se procesan en cola.

Ciclo de vida de una solicitud

Ilustración de onda de sonido para: Ciclo de vida de una solicitud

El ciclo comienza con la app móvil del banco enviando un objeto JSON al endpoint POST https://api.canadiandollarbingo.info/v1/audio/speech. La carga incluye el texto plano de la alerta (máximo 4096 caracteres), el modelo tts-1 o tts-1-hd, la voz seleccionada y el formato de audio requerido.

Tras la autenticación con la clave Bearer, el servicio valida los límites de tasa (60 solicitudes/minuto) y encola la solicitud si hay alta demanda. El motor de síntesis procesa el texto en orden secuencial, generando el archivo de audio sin almacenar el contenido original.

Envío del texto JSON

La aplicación cliente construye el cuerpo de la solicitud HTTP con los parámetros definidos. Se especifica el texto a sintetizar, el identificador de la voz (por ejemplo, milo para un tono conversacional) y el formato de salida deseado. Si el texto excede 4096 caracteres, el cliente debe dividir la lógica de negocio antes de enviar la petición.

Procesamiento por el motor

El servidor verifica la autenticación y verifica que la cuenta tenga saldo o crédito de prueba válido. La solicitud entra en una cola de procesamiento secuencial; bajo carga, puede haber espera. El motor genera el audio utilizando la voz especificada, aplicando la velocidad configurada entre 0.25 y 4.0.

  • Verificación de autenticación Bearer
  • Validación de límites de tasa (60 req/min)
  • Generación secuencial en cola

Entrega del archivo de audio

El servicio devuelve el archivo de audio binario en el cuerpo de la respuesta HTTP. Si la síntesis falla, se devuelve un código de error sin cargo. El archivo generado se entrega directamente para su reproducción inmediata o almacenamiento temporal, sin retención posterior del texto original.

Costos operativos vs desarrollo

Ilustración de onda de sonido para: Costos operativos vs desarrollo

La integración de NarraFlow elimina la necesidad de mantener servidores de síntesis, reduciendo costos fijos de infraestructura. Los desarrolladores indie evitan gastos de mantenimiento y escalado automático, concentrando recursos en la lógica de negocio core de la aplicación fintech.

Reducción de costos de infraestructura

Al operar en la nube, no se requieren servidores propios ni gestión de carga. Esto elimina los costos ocultos de mantenimiento de infraestructura, permitiendo que el equipo técnico se enfoque en la aplicación en lugar de en el servidor de voz.

Enfoque en lógica de negocio

La API simplifica la integración, permitiendo que los desarrolladores prioricen la lógica de notificaciones y verificación de identidad. La complejidad técnica del motor de TTS queda abstraída, acelerando el tiempo de comercialización de las alertas fintech.

Pago solo por uso efectivo

El modelo de precios es de $0.01 por cada 1 000 caracteres procesados. No hay planes mensuales ni costos fijos; los pedidos fallidos son gratuitos. Esta estructura optimiza el flujo de caja para startups que buscan predecibilidad operativa.

  • Costo variable basado en caracteres procesados.
  • Sin planes mensuales ni mínimos de gasto.

Ejemplo de flujo de datos

Ilustración de onda de sonido para: Ejemplo de flujo de datos

El flujo comienza cuando la aplicación móvil detecta una transacción relevante y genera un mensaje de texto breve, como "Su saldo ha sido actualizado". Este texto se pasa al servicio de backend para su síntesis.

El backend autentica la solicitud con la clave Bearer y envía el texto al endpoint POST https://api.canadiandollarbingo.info/v1/audio/speech. El motor procesa la solicitud y devuelve el archivo de audio sintetizado listo para la reproducción inmediata.

App solicita alerta de saldo

La aplicación cliente identifica el evento financiero y construye el mensaje de texto plano. Este texto, limitado a 4096 caracteres, se prepara para ser enviado al backend mediante una llamada interna segura.

Backend envía texto a la API

El servidor recibe el texto y construye el cuerpo JSON con el modelo tts-1, la voz elegida y el formato deseado. La solicitud se envía a https://api.canadiandollarbingo.info/v1/audio/speech con la cabecera Authorization: Bearer <key>.

  • Método: POST
  • Cuerpo: JSON con input, voice, model
  • Autenticación: Header Bearer

API devuelve audio para reproducir

La API procesa la solicitud y devuelve el archivo de audio binario (MP3, WAV, etc.). El backend recibe este flujo y lo retransmite directamente al cliente móvil para su reproducción sin almacenamiento persistente del audio generado.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Verifique el saldo y el consumo en la página de su cuenta para evitar sorpresas.

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 API reference: create speech
  3. FFmpeg documentation
  4. Creative Commons Attribution 4.0
  5. W3C WAI: making audio and video accessible
  6. LibriVox public-domain audiobooks
  7. IETF RFC 7845: Ogg Opus
  8. curl documentation
  9. openai-python on GitHub
  10. openai-node on GitHub
  11. TRON developer hub: TRC-20
  12. ISO 639 language codes

Más en este sitio