Text to Speech OpenAI API: convierte texto en voz con IA
Text to Speech OpenAI API permite convertir texto escrito en audio hablado mediante modelos de generación de voz. Con GPT-4o Mini TTS puedes seleccionar voces, controlar el estilo de pronunciación, ajustar la velocidad, elegir distintos formatos de audio y transmitir el resultado mientras se genera.
¿Qué es Text to Speech OpenAI API?
Text to Speech OpenAI API es la capacidad de OpenAI para transformar texto en voz sintetizada. El endpoint de generación de voz recibe el texto, un modelo TTS y una voz, y devuelve un archivo de audio o un flujo de audio que una aplicación puede reproducir, almacenar o transmitir al usuario.
Qué permite hacer Text to Speech OpenAI API
La API permite construir experiencias de voz sin tener que grabar previamente cada mensaje.
Generar voz
Convertir cualquier texto compatible en audio hablado.
Elegir voces
Seleccionar diferentes voces según el tono de la aplicación.
Controlar estilo
Dar instrucciones sobre ritmo, tono, emoción o forma de hablar.
Ajustar velocidad
Generar audio más lento o más rápido según el caso.
Elegir formato
Crear MP3, WAV, Opus, AAC, FLAC o PCM.
Transmitir audio
Empezar a reproducir antes de terminar todo el archivo.
Cómo funciona Text to Speech en OpenAI API
El proceso consiste en enviar texto, configurar la voz y recibir audio.
Envías texto
Tu aplicación proporciona el contenido que debe pronunciarse.
El modelo genera voz
Seleccionas modelo, voz, estilo y formato.
Recibes audio
La aplicación reproduce, almacena o transmite el resultado.
GPT-4o Mini TTS
El modelo especializado actual de OpenAI para convertir texto en voz es GPT-4o Mini TTS.
Text-to-speech basado en GPT-4o Mini
gpt-4o-mini-tts
recibe texto
como entrada
y genera audio
como salida.
Está diseñado
específicamente
para producir
voz natural.
La ficha actual de GPT-4o Mini TTS publica un máximo de 2.000 tokens de entrada.
Endpoint de Text to Speech OpenAI API
La generación de voz dispone de un endpoint dedicado.
POST /v1/audio/speech
POST /v1/audio/speechEl endpoint devuelve el contenido del archivo de audio o un stream de eventos de audio, según la configuración.
Ejemplo de Text to Speech OpenAI API
Puedes generar un archivo MP3 directamente desde Python.
Convertir texto en voz
from pathlib import Path
from openai import OpenAI
client = OpenAI()
speech_file = Path("voz.mp3")
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Hola. Esta voz fue generada con OpenAI API."
) as response:
response.stream_to_file(speech_file)El SDK permite trabajar con la respuesta de forma streaming y escribirla directamente a un archivo.
Generar voz con cURL
El mismo endpoint puede utilizarse directamente mediante HTTP.
Crear un MP3
curl https://api.openai.com/v1/audio/speech \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-4o-mini-tts",
"voice": "coral",
"input": "Hola, este audio fue generado con OpenAI."
}' \
--output voz.mp3Cuánto texto puede enviarse a Audio Speech API
El endpoint
establece
un límite
específico
para el campo
input.
Máximo de 4.096 caracteres por solicitud
La referencia actual
de /audio/speech
establece
un máximo
de 4.096 caracteres
en el texto
enviado
al endpoint.
Para artículos, audiolibros o documentos extensos, conviene dividir el contenido en segmentos y generar varios fragmentos de audio.
Voces disponibles en Text to Speech OpenAI API
OpenAI ofrece
varias voces
integradas
que pueden seleccionarse
mediante el parámetro
voice.
| Voz | Identificador |
|---|---|
| Alloy | alloy |
| Ash | ash |
| Ballad | ballad |
| Coral | coral |
| Echo | echo |
| Fable | fable |
| Onyx | onyx |
| Nova | nova |
| Sage | sage |
| Shimmer | shimmer |
| Verse | verse |
| Marin | marin |
| Cedar | cedar |
La elección depende del idioma, contenido, marca y experiencia que quieras ofrecer.
Referenciar una voz mediante ID
La referencia del endpoint actual también contempla objetos de voz identificados mediante un ID.
Referencia conceptual
{
"voice": {
"id": "voice_1234"
}
}La disponibilidad de voces personalizadas o recursos de voz puede depender de las capacidades habilitadas para tu organización.
Controlar cómo habla GPT-4o Mini TTS
Una ventaja de GPT-4o Mini TTS es poder añadir instrucciones sobre la forma de hablar.
Definir el estilo de voz
{
"model": "gpt-4o-mini-tts",
"voice": "coral",
"input": "Bienvenido a nuestra plataforma.",
"instructions": "Habla con un tono cálido, profesional y tranquilo."
}Puedes experimentar con ritmo, energía, emoción, claridad o intención según el contexto.
GPT-4o Mini TTS vs TTS-1 y TTS-1-HD
El endpoint continúa admitiendo modelos TTS anteriores, pero no tienen las mismas capacidades.
| Modelo | Instructions | Orientación |
|---|---|---|
gpt-4o-mini-tts |
Sí | Generación moderna con control de estilo |
tts-1 |
No | Modelo TTS anterior |
tts-1-hd |
No | Modelo TTS anterior orientado a calidad |
GPT-4o Mini TTS ofrece mayor control sobre la forma de generar el audio.
Ajustar la velocidad del audio generado
El endpoint permite controlar directamente la velocidad de reproducción.
Valores entre 0.25 y 4.0
El parámetro
speed
acepta actualmente
valores entre
0.25 y 4.0.
El valor predeterminado
es 1.0.
{
"model": "gpt-4o-mini-tts",
"voice": "marin",
"input": "Este texto se reproducirá un poco más lento.",
"speed": 0.9
}Formatos de audio disponibles
El endpoint puede generar distintos formatos según las necesidades de almacenamiento y reproducción.
| Formato | Uso general |
|---|---|
mp3 |
Compatibilidad amplia y distribución web |
opus |
Streaming y comunicaciones |
aac |
Aplicaciones y dispositivos multimedia |
flac |
Audio comprimido sin pérdida |
wav |
Procesamiento y edición de audio |
pcm |
Audio sin contenedor para pipelines técnicos |
Elegir el formato de salida
Generar audio WAV
{
"model": "gpt-4o-mini-tts",
"voice": "cedar",
"input": "Genera esta frase en formato WAV.",
"response_format": "wav"
}Streaming de Text to Speech OpenAI API
Para aplicaciones interactivas, no siempre conviene esperar a que el archivo completo quede generado.
Audio o eventos SSE
La referencia actual
permite seleccionar
audio
o sse
como formato
de streaming
con modelos compatibles.
El formato
de streaming
sse
no está disponible
para estos
modelos anteriores.
Por qué transmitir el audio mientras se genera
En un asistente o lector, unos pocos segundos de espera pueden sentirse demasiado largos.
Esperas el archivo completo
El usuario comienza a escuchar solo después de finalizar toda la generación.
Reproducción progresiva
Puedes empezar a entregar audio mucho antes de terminar toda la respuesta.
Text to Speech OpenAI API vs Realtime API
Ambas tecnologías pueden producir voz, pero están diseñadas para arquitecturas diferentes.
| Aspecto | Text to Speech | Realtime API |
|---|---|---|
| Entrada principal | Texto | Texto y audio |
| Salida | Audio | Texto y audio |
| Sesión persistente | No necesaria | Sí |
| Conversación bidireccional | No es su objetivo | Sí |
| Uso típico | Narración y generación de voz | Agentes de voz interactivos |
Si ya tienes el texto y solo necesitas convertirlo en voz, TTS suele ser la arquitectura más sencilla.
Ver Realtime API →Text to Speech vs Speech to Text
| API | Entrada | Salida |
|---|---|---|
| Speech to Text | Audio | Texto |
| Text to Speech | Texto | Audio |
Generar voz en español y otros idiomas
El idioma puede venir directamente determinado por el texto que envías.
No necesitas traducir el texto primero
Si proporcionas contenido en español, el modelo puede generar voz pronunciando ese contenido en español.
Nombres propios, siglas, marcas y términos técnicos pueden requerir ajustes en el texto o instrucciones para conseguir el resultado esperado.
Cómo mejorar pronunciación y estilo
Utiliza puntuación clara.
Divide frases demasiado largas.
Escribe siglas de una forma que facilite su pronunciación.
Utiliza instrucciones de tono cuando corresponda.
Prueba distintas voces.
Text to Speech para accesibilidad
La generación de audio también puede utilizarse para ofrecer alternativas al contenido escrito.
Convertir contenido escrito en audio
Artículos, instrucciones, cursos o interfaces pueden disponer de una versión hablada.
Casos de uso de Text to Speech OpenAI API
Asistentes: leer respuestas generadas por IA.
Audiolibros: convertir capítulos en audio.
E-learning: narrar cursos y contenidos educativos.
Noticias: generar versiones habladas de artículos.
Accesibilidad: ofrecer audio como alternativa al texto.
Aplicaciones: generar mensajes dinámicos de voz.
Generar mensajes de voz dinámicos
TTS resulta especialmente útil cuando el texto cambia constantemente y no puede grabarse previamente.
Mensaje personalizado
texto = f"""
Hola {nombre}.
Tu pedido número {pedido}
estará disponible mañana
a las {hora}.
"""El contenido puede construirse dinámicamente desde una base de datos y enviarse al endpoint TTS.
Precio de GPT-4o Mini TTS
GPT-4o Mini TTS diferencia tokens de texto de entrada y tokens de audio generado.
| Tipo | Precio actual |
|---|---|
| Texto de entrada | US$0,60 / 1M tokens |
| Audio de salida | US$12,00 / 1M audio tokens |
Utiliza estos valores como referencia y revisa siempre la ficha oficial antes de calcular costos de producción.
No expongas tu API key para generar audio
Las aplicaciones web deben mantener sus credenciales privadas en el servidor.
Genera o retransmite el audio desde tu servidor
El frontend puede enviar el texto a tu backend. Tu servidor llama a OpenAI y devuelve el audio al usuario.
Informa cuando una voz es generada por IA
En experiencias orientadas a usuarios, la transparencia sobre el origen sintético del audio es una buena práctica importante.
No presentes una voz sintética como una grabación humana real
Si una aplicación reproduce contenido generado mediante IA, informa al usuario de forma clara cuando el contexto pueda producir confusión.
Cuándo conviene usar Text to Speech OpenAI API
Ya tienes el texto
Solo necesitas transformarlo en voz.
Audio dinámico
El contenido cambia para cada usuario o situación.
Narración automática
Necesitas convertir artículos, cursos o mensajes en audio.
Cuándo necesitas otra API de audio
Quieres reconocer voz
Utiliza Speech to Text para convertir audio en texto.
Quieres conversación de voz
Realtime API está orientada a sesiones bidireccionales de baja latencia.
Necesitas audio input y output
Un modelo multimodal de audio puede encajar mejor que un endpoint TTS puro.
Rate limits de GPT-4o Mini TTS
Los límites dependen del usage tier de la organización.
| Tier | RPM | TPM |
|---|---|---|
| Tier 1 | 500 | 50.000 |
| Tier 2 | 2.000 | 150.000 |
| Tier 3 | 5.000 | 600.000 |
| Tier 4 | 10.000 | 2.000.000 |
| Tier 5 | 10.000 | 8.000.000 |
La ficha de GPT-4o Mini TTS indica actualmente que el nivel Free no tiene acceso al modelo.
Documentación oficial de Text to Speech OpenAI API
Modelos, voces, formatos y precios pueden evolucionar, por lo que conviene revisar la referencia antes de producción.
GPT-4o Mini TTS
Consulta capacidades, precios, snapshots y rate limits.
Ver modelo oficial →Create Speech
Consulta voices, instructions, speed, formatos y streaming.
Ver referencia →Guías relacionadas con Text to Speech OpenAI API
Continúa explorando voz, audio, Realtime y OpenAI API.
FAQ sobre Text to Speech OpenAI API
Respuestas sobre GPT-4o Mini TTS, voces, velocidad, formatos, streaming y precios.
Text to Speech OpenAI API permite convertir texto escrito en audio hablado mediante modelos de generación de voz.
GPT-4o Mini TTS es el modelo especializado actual para generar voz natural desde texto.
La generación
de voz utiliza
POST /v1/audio/speech.
Entre las voces integradas actuales están alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin y cedar.
Sí.
GPT-4o Mini TTS
admite
instructions
para controlar
características
del estilo
de generación.
Sí.
El parámetro
speed
acepta actualmente
valores entre
0.25 y 4.0.
Actualmente admite MP3, Opus, AAC, FLAC, WAV y PCM.
Sí. El endpoint puede devolver audio en streaming, y modelos compatibles admiten formatos de stream audio o SSE.
La referencia actual del endpoint establece un máximo de 4.096 caracteres para el campo input.
No. Text to Speech convierte texto en audio, mientras Realtime API está diseñada para conversaciones bidireccionales de baja latencia con texto, audio y herramientas.
Continúa con GPT-4o Mini TTS
Ya sabes cómo funciona Text to Speech en OpenAI API. Ahora podemos profundizar en el modelo GPT-4o Mini TTS: capacidades, voces, instrucciones, precios, snapshots y rate limits.
Ver GPT-4o Mini TTS →