API de texto a voz multilingüe: 33 idiomas con un único endpoint REST (2026)
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:
La lista completa de los 32 idiomas está disponible mediante el /api/v1/voices endpoint.
Ejemplos de código
Listar voces por idioma
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
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:
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.
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/voicespara obtener la lista actual de voces y elegir la que quierasvoice_idvalores - 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.
- Relacionado: Tutorial de API de síntesis de voz con Python
- Relacionado: API de síntesis de voz más barata en 2026
- Relacionado: API de TTS para bots de Discord
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?