Saltar al contenido

API de texto a voz multilingüe: 33 idiomas con un único endpoint REST (2026)

Audexum8 minBy Petar

Cómo usar una API multilingüe de texto a voz para generar audio en 32 idiomas con una sola llamada REST. Incluye localización de aplicaciones, flujos de contenido global, aprendizaje de idiomas y precios.

Crear un producto para una audiencia global significa generar audio en el idioma que hablan realmente tus usuarios. Una API TTS multilingüe te permite hacerlo con una sola integración, en lugar de depender de varios servicios específicos para cada idioma.

Esta guía explica cómo la API TTS de Audexum administra 32 idiomas, cómo cambia de uno a otro en el código y qué casos de uso se benefician más de la síntesis multilingüe.

Por qué es difícil lograr una TTS multilingüe adecuada

La mayoría de proveedores TTS admiten bien el inglés y tratan todos los demás idiomas como algo secundario. Problemas habituales:

  • Contaminación del acento: el modelo se entrenó en inglés y pronuncia mal los alfabetos no latinos
  • Idiomas ausentes: se anuncia compatibilidad en la página de inicio, pero solo unas pocas voces funcionan realmente
  • Sin cambio de idioma por solicitud: necesitas una clave API o un endpoint independiente para cada configuración regional
  • Carencias fonémicas: idiomas como el árabe, el japonés y el hindi requieren reglas específicas de conversión de grafemas a fonemas que los modelos baratos omiten

Una API multilingüe lista para producción necesita modelos nativos para cada idioma, no un único modelo con un selector de idioma.

El enfoque de Audexum

Audexum utiliza modelos de voz dedicados para cada idioma en lugar de un único modelo multilingüe. Esto significa que la pronunciación es precisa en alfabetos por caracteres (japonés, coreano, árabe) y en idiomas tonales, sin necesidad de que quien llama proporcione pistas fonémicas.

La API acepta un parámetro de idioma junto con voice_id. Si utilizas una voz entrenada para un idioma concreto, no necesitas definir de idioma por separado; se deduce. En casos concretos donde el texto mezcla alfabetos, indicar un código de idioma explícito garantiza una tokenización correcta.

Idiomas admitidos

Audexum admite 32 idiomas en 43 voces. Los 20 más utilizados:

LanguageBCP-47 CodeVoices AvailableScript
English (American)en-US6Latin
English (British)en-GB4Latin
Spanishes4Latin
Frenchfr3Latin
Germande3Latin
Italianit2Latin
Portuguesept2Latin
Arabicar2Arabic
Hindihi2Devanagari
Japaneseja3CJK
Koreanko2Hangul
Bulgarianbg2Cyrillic
Russianru2Cyrillic
Polishpl1Latin
Dutchnl1Latin
Turkishtr1Latin
Swedishsv1Latin
Romanianro1Latin
Vietnamesevi1Latin
Indonesianid1Latin

La lista completa de los 32 idiomas está disponible mediante el /api/v1/voices endpoint.

Ejemplos de código

Listar voces por idioma

python
import requests

API_KEY = "sk_live_abc123xyz"

voices = requests.get(
    "https://audexum.com/api/v1/voices",
    headers={"Authorization": f"Bearer {API_KEY}"},
).json()

# Group by language
by_language = {}
for v in voices:
    by_language.setdefault(v["language"], []).append(v["voice_id"])

for lang, ids in sorted(by_language.items()):
    print(f"{lang:10s}: {', '.join(ids)}")

Sintetizar en un idioma concreto

python
import requests

API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"

def synthesize(text: str, voice_id: str, output_file: str):
    response = requests.post(
        API_URL,
        headers={
            "Authorization": f"Bearer {API_KEY}",
            "Content-Type": "application/json",
        },
        json={"text": text, "voice_id": voice_id},
    )
    response.raise_for_status()
    with open(output_file, "wb") as f:
        f.write(response.content)

# Japanese
synthesize(
    text="こんにちは、Audexumへようこそ。",
    voice_id="ja_female_01",
    output_file="welcome_ja.wav",
)

# Arabic
synthesize(
    text="مرحبًا بك في Audexum.",
    voice_id="ar_female_01",
    output_file="welcome_ar.wav",
)

# German
synthesize(
    text="Willkommen bei Audexum.",
    voice_id="de_female_01",
    output_file="welcome_de.wav",
)

Pipeline de localización por lotes

Este patrón es útil cuando mantienes una tabla de cadenas y necesitas generar recursos de audio para cada configuración regional:

python
import requests
from pathlib import Path

API_KEY = "sk_live_abc123xyz"
API_URL = "https://audexum.com/api/v1/tts"

STRINGS = {
    "en_us_female_01": "Your order has been confirmed.",
    "es_female_01":    "Tu pedido ha sido confirmado.",
    "fr_female_01":    "Votre commande a été confirmée.",
    "de_female_01":    "Ihre Bestellung wurde bestätigt.",
    "ja_female_01":    "ご注文が確定しました。",
    "ko_female_01":    "주문이 확정되었습니다.",
    "ar_female_01":    "تم تأكيد طلبك.",
    "hi_female_01":    "आपका ऑर्डर कन्फर्म हो गया है।",
}

output_dir = Path("audio_assets")
output_dir.mkdir(exist_ok=True)

for voice_id, text in STRINGS.items():
    lang_code = voice_id.split("_")[0]
    response = requests.post(
        API_URL,
        headers={"Authorization": f"Bearer {API_KEY}"},
        json={"text": text, "voice_id": voice_id},
    )
    if response.ok:
        out = output_dir / f"order_confirmed_{lang_code}.wav"
        out.write_bytes(response.content)
        print(f"Wrote {out}")
    else:
        print(f"Failed {voice_id}: {response.status_code}")

Ejecutarlo con 8 configuraciones regionales genera 8 archivos WAV en menos de 10 segundos y consume aproximadamente 400 caracteres de tu cuota.

Casos de uso

Localización de aplicaciones

Las aplicaciones móviles y web utilizan cada vez más la voz como capa de interfaz: narraciones de incorporación, mensajes de error leídos en voz alta y modo de accesibilidad. Generar el audio en el idioma del usuario durante la compilación, en lugar de en tiempo de ejecución, elimina la latencia y funciona sin conexión.

El patrón por lotes anterior encaja en este caso: mantienes un archivo de traducción, ejecutas el trabajo de síntesis como parte de tu pipeline de CI e incluyes los recursos de audio junto con el paquete de tu aplicación.

Pipelines de contenido global

Grabar podcasts, vídeos de YouTube y cursos de aprendizaje electrónico en varios idiomas es costoso. El audio generado con TTS para guiones traducidos reduce significativamente el coste de producción y mantiene una calidad aceptable para contenido que no sea de referencia.

Un flujo de trabajo habitual: traducir el guion con una API de traducción, sintetizarlo con Audexum y mezclarlo con la música original. El resultado es contenido publicable por una fracción del coste de grabación en estudio.

Aplicaciones para aprender idiomas

El aprendizaje de idiomas exige una pronunciación clara y precisa, exactamente lo que ofrece una TTS entrenada con hablantes nativos. Generar el audio bajo demanda, en lugar de pregrabar una lista fija de palabras, permite cubrir cualquier vocabulario y construcción sintáctica sin un estudio de grabación.

La precisión fonémica de Audexum para alfabetos no latinos (árabe, japonés, coreano y devanagari) la convierte en una opción viable para el audio de práctica de vocabulario, donde una pronunciación errónea perjudicaría activamente el aprendizaje.

Asistentes de voz y chatbots

Los bots que atienden a audiencias internacionales deben responder en el idioma del usuario. Detectar el idioma del usuario y seleccionar la voz correspondiente voice_id en cada solicitud solo requiere un parámetro adicional en la llamada TTS.

Precios

Los 32 idiomas están disponibles en todos los planes; no hay ningún recargo por idioma.

PlanCredits/moPriceEffective per 1M
Free2,000 + 250/day€0—
Pro1,200,000€29€24.17
Scale4,000,000€49€12.25
Business15,000,000€149€9.93
Credit packs250,000 to 3,500,000, never expirefrom €7€25.71 to €28

Como referencia, ElevenLabs cobra unos 165-200 $ por 1 M de caracteres en sus planes de lista y OpenAI TTS cobra 15 $/1 M. Los suscriptores de planes de Audexum obtienen tarifas efectivas de 9,93 €/1 M (Business) a 24,17 €/1 M (Pro), con una tarifa PAYG de lista de 28 €/1 M para compras puntuales. Y Audexum es el único proveedor con nivel gratuito continuo y créditos unificados de dictado.

El plan gratuito (2.000 créditos para empezar, sin necesidad de tarjeta) basta para probar la síntesis en todos los idiomas que necesites antes de contratar un plan de pago.

Primeros pasos

  • Regístrate en audexum.com/signup. No se necesita tarjeta de crédito para el plan gratuito
  • Copia tu sk_live_ clave desde el panel
  • Llama /api/v1/voices para obtener la lista actual de voces y elegir la que quieras voice_id valores
  • Introduce esos ID en el script por lotes anterior

La referencia completa de la API, incluida la sintaxis para sobrescribir fonemas en casos especiales, está en audexum.com/docs.


Por Petar, fundador de Audexum. Construyendo un TTS multilingüe que gestiona de verdad los alfabetos no latinos.

Got any questions left?

Compartir opinión

¿Te ha sido útil este artículo?

Siguiente artículoEl mejor plan gratuito de API de texto a voz de 2026: lo que obtienes realmente

Empieza gratis. Sin tarjeta.

2,000 créditos para empezar, 250 más cada día.