En línea10 modelos

API de texto a voz — Generación de voz natural con IA

La API de texto a voz de Muapi convierte texto escrito en audio natural y realista mediante una única integración REST. Elige entre MiniMax, Google Gemini, ElevenLabs (incluida la API Eleven v4) y Fish Audio (la API Fish Audio S2.1 Pro) para narraciones con una sola voz o diálogos con varios interlocutores.Usa generación con calidad de estudio o ultrarrápida, con controles de voz, emoción, ritmo, estabilidad y similitud. El mismo flujo asíncrono de envío y consulta funciona con todos los modelos, con precios desde $0.015 por cada 1,000 caracteres.

Obtener una clave de API de texto a voz Probar MiniMax Speech HD Probar Gemini Flash TTS Text-to-Speech API examples and comparison on GitHub

Texto a voz ya está disponible en Muapi

Elige un modelo de una sola voz o de varios interlocutores, envía tu guion y consulta el ID de solicitud recibido para obtener un archivo de audio descargable.

MiniMax Speech

Narración con una sola voz y opciones de calidad de estudio y turbo2 modelos

TTSEn línea

MiniMax

MiniMax Speech 2.6 HD

Voz con calidad de estudio, pronunciación clara, ritmo fluido y emoción realista para audiolibros, podcasts y narraciones.

Text → audio

$0.13/1,000 chars

Probar modelo

TTSEn línea

MiniMax

MiniMax Speech 2.6 Turbo

Voz rápida y ligera con calidad natural y velocidad, volumen, tono y emoción ajustables para generar audio en poco tiempo.

Text → audioRápido

$0.07/1,000 chars

Probar modelo

Gemini TTS

Diálogos expresivos con varios interlocutores y controles de voz y tono4 modelos

TTSEn línea

Google Gemini

Gemini 3.1 Flash TTS

Voz rentable con varios interlocutores, voces diferenciadas, acentos, estilos emocionales y etiquetas de tono integradas como [whispers].

Dialogue → audioRápido

$0.035/1,000 chars

Probar modelo

TTSEn línea

Google Gemini

Gemini 2.5 Pro TTS

Voz premium con varios interlocutores para audiolibros, diálogos cinematográficos y narraciones largas con una interpretación de alta fidelidad.

Dialogue → audio

$0.035/1,000 chars

Probar modelo

TTSnew

Google Gemini

Dialogue → audioRápido

$0.015/1,000 chars

Probar modelo

TTSnew

Google Gemini

Dialogue → audioRápido

$0.01/1,000 chars

Probar modelo

ElevenLabs

Voz expresiva con Eleven v4, voz rápida con una sola voz y diálogos multilingües3 modelos

TTSEn línea

ElevenLabs

ElevenLabs TTS Turbo 2.5

Voz rápida con una sola voz y estabilidad, similitud y velocidad del habla ajustables para locuciones, IVR y narraciones de alto volumen.

Text → audioRápido

$0.05/1,000 chars

Probar modelo

TTSEn línea

ElevenLabs

Texto a diálogo V3 de ElevenLabs

Diálogos multilingües con varios interlocutores a partir de un guion estructurado, con IDs de voz por interlocutor y turnos de conversación realistas.

Dialogue → audio

$0.10/1,000 chars

Probar modelo

TTSnew

ElevenLabs

Eleven v4

Texto a voz expresivo de Eleven v4 de ElevenLabs para narraciones con una sola voz: hasta 2,000 caracteres por solicitud a $0.08/1,000 caracteres, con entrega en MP3.

Text → audio

$0.08/1,000 chars

Probar modelo

Fish Audio S2.1 Pro

Narraciones largas de hasta 10,000 caracteres por solicitud1 modelos

TTSnew

Fish Audio

Fish Audio S2.1 Pro

Texto a voz para contenido largo: hasta 10,000 caracteres por solicitud, con un costo de $15 por 1M bytes UTF-8 (aproximadamente $0.015/1,000 caracteres en inglés), con entrega en MP3.

Text → audio

$15/1M UTF-8 bytes

Probar modelo

¿Qué es una API de texto a voz?

Una API de texto a voz (TTS) convierte texto escrito en audio hablado mediante una sola solicitud HTTP. Envía un guion, elige una voz y un estilo de interpretación, y recibe un archivo de audio descargable sin tener que crear un flujo de ingeniería de audio.

Muapi ofrece endpoints TTS disponibles mediante el mismo patrón REST unificado: una clave de API, un flujo de solicitud y consulta, y facturación de pago por uso. Elige narración con una sola voz para locuciones e IVR (incluidas las API Eleven v4 y Fish Audio S2.1 Pro), o diálogos con varios interlocutores para personajes, podcasts y audiolibros.

Funciones de texto a voz

Diálogo con varios interlocutores

Gemini TTS y ElevenLabs Text to Dialogue V3 asignan voces, acentos y estilos de interpretación distintos a cada turno de una conversación guionizada.

Emoción y tono integrados

Los modelos Gemini admiten etiquetas integradas como [whispers], [shouting] y [determination] para controlar la expresividad dentro de una línea.

Opciones de calidad de estudio y turbo

Usa MiniMax Speech 2.6 HD o Gemini 2.5 Pro TTS para obtener fidelidad, o sus alternativas más rápidas cuando priman la latencia y el costo.

Parámetros de voz ajustables

Ajusta la velocidad, el volumen, el tono, la emoción, la estabilidad, la similitud y otros controles específicos de cada modelo.

Voces personalizadas y clonadas

Los endpoints de ElevenLabs aceptan un ID de voz personalizado. Primero crea una voz reutilizable con un flujo compatible de clonación de voz.

Cuatro proveedores, una API

Los modelos de MiniMax, Google Gemini, ElevenLabs y Fish Audio comparten la autenticación de Muapi, las tareas asíncronas, la consulta de resultados y la facturación.

Usos de texto a voz

Narración y locuciones

Crea capítulos de audiolibros, narraciones de video, anuncios, videos explicativos y clips para redes sociales a partir de guiones.

Personajes y podcasts

Genera conversaciones entre varios presentadores y diálogos de personajes con voces diferenciadas y dirección emocional.

IVR y audio para aplicaciones

Genera mensajes telefónicos, notificaciones, audio de accesibilidad y otros contenidos hablados dinámicos a gran escala.

Localización

Usa diálogos multilingües y controles de idioma para contenidos globales y materiales educativos.

Comparativa de modelos de texto a voz, incluidas las API Eleven v4 y Fish Audio S2.1 Pro

Modelo	Proveedor	Precio	Ideal para
MiniMax Speech 2.6 HD	MiniMax	$0.13/1,000 characters	Narración con una sola voz y calidad de estudio
MiniMax Speech 2.6 Turbo	MiniMax	$0.07/1,000 characters	Generación rápida con una sola voz
ElevenLabs TTS Turbo 2.5	ElevenLabs	$0.05/1,000 characters	Narración e IVR de alto volumen
Gemini 3.1 Flash TTS	Google	$0.035/1,000 characters	Diálogo rápido con varios interlocutores
Gemini 2.5 Pro TTS	Google	$0.035/1,000 characters	Diálogo con varios interlocutores y calidad de estudio
Texto a diálogo V3 de ElevenLabs	ElevenLabs	$0.10/1,000 characters	Conversaciones multilingües con varios interlocutores
Eleven v4	ElevenLabs	$0.08/1,000 characters	Narración expresiva con una sola voz, hasta 2,000 caracteres por solicitud
Fish Audio S2.1 Pro	Fish Audio	$15/1M UTF-8 bytes (~$0.015/1,000 English characters)	Narración larga, hasta 10,000 caracteres por solicitud

Fish Audio S2.1 Pro se factura por byte UTF-8: el texto en inglés ocupa aproximadamente un byte por carácter, mientras que los sistemas de escritura no latinos usan de tres a cuatro bytes por carácter.

Ejemplos de API de texto a voz

Envía texto sin formato o un diálogo estructurado con tu clave de API de Muapi, guarda el ID de solicitud y consulta el endpoint estándar de resultados de predicción para obtener la URL del audio.

Generar voz con un solo interlocutor

curl -X POST https://api.muapi.ai/api/v1/minimax-speech-2.6-hd \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to Muapi. Your workspace is ready.","voice_id":"Friendly_Person","speed":1,"emotion":"happy","format":"mp3"}'

# Response: {"request_id":"REQUEST_ID"}

Usa un endpoint de MiniMax o ElevenLabs para una sola voz, con prompt, voz y parámetros opcionales de interpretación.

Generar diálogo con Gemini

curl -X POST https://api.muapi.ai/api/v1/gemini-3-1-flash-tts \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"speakers":[{"speaker_id":"Speaker 1","voice_name":"Kore","accent":"Neutral","style":"Empathetic","pace":"Natural"},{"speaker_id":"Speaker 2","voice_name":"Puck","accent":"British (RP)","style":"Deadpan","pace":"Natural"}],"dialogue_turns":[{"speaker_id":"Speaker 1","text":"[warmly] Welcome to the show."},{"speaker_id":"Speaker 2","text":"[whispers] Let us begin."}]}'

Define los interlocutores y los turnos de diálogo en orden; cada turno hace referencia a la configuración de voz que debe usar.

Generar voz con la API Eleven v4

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-v4 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the future of voice. This is Eleven v4, speaking with natural rhythm and emotion.","voice_id":"voice_daniel"}'

# Response: {"request_id":"REQUEST_ID"}

Envía hasta 2,000 caracteres en prompt y elige voice_daniel o voice_liam; Eleven v4 cuesta $0.08 por cada 1,000 caracteres.

Generar voz larga con la API Fish Audio S2.1 Pro

curl -X POST https://api.muapi.ai/api/v1/fish-s2-1-pro \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt":"Welcome to the show. Today we look at how voice models have changed the way we tell stories.","voice_id":"voice_fish_narrator"}'

# Response: {"request_id":"REQUEST_ID"}

Envía hasta 10,000 caracteres en prompt con voice_fish_narrator; se factura a $15 por 1M bytes UTF-8.

Generar diálogo con ElevenLabs

curl -X POST https://api.muapi.ai/api/v1/elevenlabs-text-to-dialogue-v3 \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"dialogue":[{"text":"Welcome to the show.","voice_id":"ZQe5CZNOzWyzPSCn5a3c"},{"text":"Let us begin.","voice_id":"EXAVITQu4vr4xnSDxMaL"}],"language_code":"en","stability":0.5}'

Envía un array de diálogo estructurado con un ID de voz por turno para obtener resultados multilingües con varios interlocutores.

Consultar el resultado de audio

curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \
  -H "x-api-key: YOUR_API_KEY"

# Read the generated audio URL after status becomes completed.

Consulta hasta que el estado sea completed y luego obtén la URL de audio descargable de la respuesta.

Preguntas frecuentes sobre la API de texto a voz

¿Qué es la API de texto a voz?

La API TTS de Muapi convierte texto escrito en audio natural mediante endpoints de MiniMax, Google Gemini, ElevenLabs y Fish Audio para narraciones con una sola voz y diálogos con varios interlocutores.

¿Qué modelo debería usar para diálogos con varios interlocutores?

Usa Gemini 3.1 Flash TTS o Gemini 2.5 Pro TTS para perfiles de interlocutor y etiquetas de tono integradas, o ElevenLabs Text to Dialogue V3 para conversaciones multilingües estructuradas con IDs de voz por interlocutor.

¿Cuánto cuesta el texto a voz?

Los precios empiezan en $0.015 por cada 1,000 caracteres en inglés con Fish Audio S2.1 Pro (facturado a $15 por 1M bytes UTF-8), $0.035 por cada 1,000 caracteres con Gemini 3.1 Flash y 2.5 Pro TTS, $0.05 con ElevenLabs TTS Turbo 2.5, $0.08 con Eleven v4, $0.10 con ElevenLabs Dialogue V3, $0.07 con MiniMax Turbo y $0.13 con MiniMax HD. Gemini 3.8 Flash y Flash Lite cuestan $0.015 y $0.01 por cada 1,000 caracteres.

¿Cómo uso la API Eleven v4 y cuál es su límite de longitud?

Llama al endpoint elevenlabs-v4 con prompt (hasta 2,000 caracteres) y un voice_id de voice_daniel o voice_liam; luego consulta el ID de solicitud para obtener un MP3. Eleven v4 cuesta $0.08 por cada 1,000 caracteres.

¿Qué es la API Fish Audio S2.1 Pro?

La API Fish Audio S2.1 Pro (fish-s2-1-pro) es un endpoint de texto a voz para contenido largo que acepta hasta 10,000 caracteres por solicitud con voice_fish_narrator y devuelve un MP3. Se factura a $15 por 1M bytes UTF-8, aproximadamente $0.015 por cada 1,000 caracteres en inglés.

¿Puedo usar una voz personalizada o clonada?

Sí. Los endpoints de ElevenLabs aceptan un ID de voz personalizado de ElevenLabs, y MiniMax admite IDs de voz entrenados cuando el esquema del modelo seleccionado lo permite.

¿Qué formato de audio se devuelve?

Cada modelo devuelve la URL de un archivo de audio descargable desde el endpoint estándar de resultados de predicción, listo para insertar, descargar o enviar a un flujo de video o sincronización labial.

¿Cómo accedo a los modelos de la API de texto a voz?

Crea una clave de API de Muapi, llama al endpoint que corresponda a tu guion y consulta el ID de solicitud recibido. No se requiere lista de espera para los modelos disponibles.

API Eleven v4 y endpoints de ElevenLabs →Compara Eleven v4, TTS Turbo 2.5 y Text to Dialogue V3.API Fish Audio S2.1 Pro →Narración larga de hasta 10,000 caracteres por solicitud, facturada por byte UTF-8.Explora la línea Gemini TTS →Compara los cuatro niveles de Gemini TTS: 3.8 Flash, 3.8 Flash Lite, 3.1 Flash y 2.5 Pro.Explora la clonación de voz →Crea una voz reutilizable para flujos de voz compatibles.Explora Suno Music →Genera, remezcla y amplía canciones cuando necesites música en lugar de voz.Explora los modelos de audio →Compara endpoints de voz, música, efectos de sonido y conversión de video a audio.Explora los modelos de sincronización labial →Combina voz generada con un video de una persona para crear un avatar parlante.

¿Listo para generar voz natural?

Usa una sola clave de API de Muapi para narraciones, diálogos de personajes, IVR, podcasts y audio multilingüe.

Obtener una clave de API Probar texto a voz