API de texto a voz para leer textos médicos y guías de pacientes

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

Esta página ofrece una revisión técnica de la API de texto a voz de GuiaSonoro, diseñada específicamente para equipos de producto en el sector salud que necesitan auditar o leer en voz alta guías de pacientes, manuales clínicos y documentación médica. Aquí encontrarás una comparativa directa con Google Text-to-Speech, analizando la precisión en la terminología clínica, el coste por carácter frente a las suscripciones tradicionales y la compatibilidad de formatos de audio para aplicaciones móviles.

Descubrirás cómo integrar narración automática en tus aplicaciones de salud sin depender de plataformas genéricas, con ejemplos concretos de uso en guías de alta y manuales de medicación. También explicamos la infraestructura técnica, incluyendo límites de velocidad, manejo de textos largos y la garantía de que tus datos no se utilizan para entrenamiento, asegurando un flujo de trabajo transparente y eficiente para tu equipo.

API de texto a voz para leer textos médicos y guías de pacientes

Preguntas frecuentes

¿Qué es una API de texto a voz para salud?

Es un servicio en la nube que convierte texto en archivos de audio mediante una llamada POST. Permite integrar narración automática en aplicaciones de salud para leer guías de pacientes o documentación clínica sin depender de plataformas genéricas, enviando texto y recibiendo el audio resultante.

¿Cómo se compara esta API con Google Text-to-Speech?

A diferencia de las soluciones genéricas, esta API está diseñada específicamente para integrar narración en aplicaciones de salud. Ofrece un endpoint compatible con el formato de OpenAI, permitiendo usar SDKs oficiales cambiando solo la URL base, lo que facilita la integración técnica para equipos de producto.

¿Qué voces están disponibles para textos médicos?

Hay 8 voces preestablecidas: Aria, Nova, Luna, Sage (femeninas) y Felix, Milo, Atlas, Orion (masculinas). Atlas ofrece un tono neutral ideal para noticias, mientras que Sage es calmada e instruccional. Todas las voces pueden leer cualquier texto médico independientemente de su idioma.

¿Cuántos idiomas soporta la API?

Soporta 23 idiomas, incluyendo inglés, español, alemán, francés, portugués, italiano, japonés, chino, coreano, árabe, hindi, ruso y turco. Si no se especifica el idioma, se infiere del script; para textos en latinos fuera del inglés, se recomienda establecer el campo language explícitamente.

¿Los textos leídos en voz alta se guardan para entrenamiento?

No. El texto de entrada se utiliza únicamente para producir el audio y no se usa para entrenamiento. El audio generado se devuelve en la respuesta y no se almacena. Solo se conservan los metadatos de la solicitud (tiempo, caracteres, estado) para facturación.

¿Cuál es el límite de caracteres por petición?

Cada solicitud puede contener hasta 4096 caracteres. Para textos más largos, se deben dividir en partes de este tamaño y unir los archivos de audio resultantes. Los espacios y la puntuación cuentan como caracteres dentro de este límite.

¿Se puede usar la API para guías de pacientes en formato audio?

Sí, es su caso de uso principal. Envía el texto de la guía médica mediante POST y recibe un archivo de audio. El formato es compatible con SDKs de OpenAI, facilitando la integración en aplicaciones móviles o web para pacientes.

¿Qué formato de audio se recomienda para apps móviles?

Puedes elegir entre mp3, wav, opus, flac o pcm. Para la mayoría de las aplicaciones móviles, mp3 u opus son ideales por su equilibrio entre calidad y tamaño de archivo. El formato se especifica en el campo response_format de la solicitud.

¿Cuánto cuesta la API por millón de caracteres?

El costo es de $10 por 1 millón de caracteres, equivalente a $0.01 por cada 1.000 caracteres. Los espacios y la puntuación se cuentan como caracteres. Las solicitudes fallidas son gratuitas y el cargo se devuelve íntegramente si la síntesis falla.

¿Hay límite de solicitudes por minuto?

Sí, el límite es de 60 solicitudes por minuto por clave. Antes del primer recargo, el límite es de 10 por minuto. Las solicitudes se procesan en cola, por lo que bajo carga puede haber esperas. La velocidad típica es aproximadamente en tiempo real.

¿Se puede personalizar el tono de las voces?

No. No se ofrecen etiquetas de emoción ni personalización del tono más allá de la selección de la voz preestablecida. Tampoco hay control de velocidad fino más allá del rango de 0.25 a 4.0. Las voces tienen un tono fijo definido por su preset.

¿Las voces son generadas por IA o grabaciones humanas?

Las voces están basadas en grabaciones con licencia de LibriTTS-R (CC BY 4.0) de lecturas de audiolibros de dominio público de LibriVox. Cada archivo generado lleva una marca de agua inaudible que lo identifica como habla sintética.

¿Cómo se paga con USDT en la red TRON?

Se realiza exclusivamente mediante USDT en la red TRON (TRC-20), con un mínimo de $5. El saldo se acredita automáticamente en minutos tras la transferencia. No hay suscripciones ni facturación con IVA. El saldo no caduca y no hay límite de gasto.

¿Qué ocurre si una solicitud falla?

Si la síntesis falla, la solicitud es gratuita y el cargo se devuelve en su totalidad. No se cobra por las peticiones que no generen audio correctamente. Esto asegura que solo se pague por la salida exitosa de audio.

Primera solicitud

curl

curl https://api.scorecrazy.info/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Comparativa con Google Text-to-Speech

Ilustración de onda de sonido para: Comparativa con Google Text-to-Speech

En entornos clínicos, la claridad de la pronunciación es prioritaria. A diferencia de lo que sugieren las comparaciones genéricas, nuestras voces no provienen de un modelo específico entrenado exclusivamente para términos médicos; la legibilidad depende directamente de la voz seleccionada y del idioma configurado. Esto garantiza una lectura precisa sin promesas de especialización oculta.

El coste es transparente y proporcional al uso real. Mientras muchas plataformas cobran suscripciones fijas por acceso básico, nuestra facturación se basa estrictamente en los caracteres generados, lo que resulta más eficiente para proyectos con volúmenes variables de documentación médica.

Precisión en terminología clínica

Precisión en terminología clínica

Las voces son claras y legibles. No hay un modelo específico entrenado exclusivamente para términos médicos; la claridad depende de la voz seleccionada y el idioma.

Coste por carácter vs. suscripción

Pagas solo por lo que generas. El precio es fijo por millón de caracteres, sin costes ocultos de suscripción ni límites de usuarios.

Si la síntesis falla, no se cobra. Esto elimina el riesgo en la integración de guías de pacientes extensas.

Formatos de audio para apps móviles

Ofrecemos formatos optimizados para diferentes contextos de despliegue: MP3 para compatibilidad universal, WAV para alta fidelidad en revisión clínica, y OPUS o FLAC para eficiencia de almacenamiento.

Estos formatos se entregan directamente tras la petición POST, facilitando su integración en aplicaciones de telemedicina sin procesamiento adicional.

Voces naturales para información médica

Ilustración de onda de sonido para: Voces naturales para información médica

La API ofrece ocho voces predefinidas basadas en grabaciones licenciadas de dominio público. Esta selección permite adaptar la voz a diferentes contextos clínicos sin necesidad de personalización ni clonación de voz, garantizando una lectura consistente y profesional.

Cada archivo generado incluye una marca de agua inaudible que identifica el audio como síntesis artificial. Las voces no imitan a personas reales ni celebridades, lo que asegura el cumplimiento normativo en la difusión de información médica.

Aria: narradora clara

Aria destaca por su claridad y calidez, ideal para la narración de historias clínicas o explicaciones detalladas de diagnósticos. Su tono natural facilita la comprensión de textos densos sin fatiga auditiva.

  • Estilo: narradora clara y cálida

Atlas: tono neutral

Atlas ofrece una voz neutra y profesional, adecuada para noticias de salud o actualizaciones institucionales. Su neutralidad permite que el contenido informativo sea el protagonista sin influencias vocales excesivas.

  • Estilo: neutral y profesional

Luna: suave

Luna aporta un tono suave y relajante, perfecto para guías de bienestar o lectura antes de dormir. Su carácter narrativo suave ayuda a reducir la ansiedad en pacientes que consultan documentación médica.

  • Estilo: suave y narrativo

Idiomas y accesibilidad

Ilustración de onda de sonido para: Idiomas y accesibilidad

La API soporta 23 idiomas, permitiendo localizar guías de pacientes y manuales clínicos sin depender de múltiples proveedores. Esta cobertura amplia asegura que la terminología médica se mantenga precisa en cada mercado objetivo.

La detección automática del idioma analiza la escritura para asignar la voz correcta, aunque se recomienda especificar el código ISO para textos en latín que no sean inglés. Esto evita errores de pronunciación en contextos clínicos específicos.

23 idiomas disponibles

El servicio incluye soporte nativo para idiomas como español, inglés, alemán, francés, japonés y árabe, entre otros. Cada voz puede pronunciar cualquiera de estos 23 idiomas con claridad, eliminando la necesidad de gestionar múltiples perfiles de audio para equipos de producto globales.

  • Español, inglés, alemán, francés, italiano, portugués, japonés, chino, coreano, árabe, ruso, hindi, turco, polaco, sueco, noruego, danés, finlandés, griego, hebreo, swahili, neerlandés

Detección automática del idioma

Si no se especifica el campo language, el sistema infiere el idioma basándose en los caracteres del texto. Para textos en latín no ingleses, es crucial definir el idioma manualmente para garantizar la precisión de la pronunciación clínica.

Accesibilidad WCAG y audio

Los archivos de audio generados cumplen con los estándares de accesibilidad al proporcionar una alternativa auditiva a la lectura textual. Esto facilita el cumplimiento de directrices WCAG en aplicaciones de salud, permitiendo que usuarios con dificultades de lectura accedan a guías y manuales clínicos de forma eficiente.

Integración técnica para equipos de producto

Ilustración de onda de sonido para: Integración técnica para equipos de producto

La API sigue el formato de solicitud de OpenAI, lo que permite reutilizar los SDK oficiales simplemente modificando la URL base. Esto facilita la integración en aplicaciones de salud sin necesidad de aprender una sintaxis nueva o mantener una dependencia específica de un proveedor único.

SDK compatible con OpenAI

Utiliza los SDK de OpenAI cambiando el base_url a https://api.scorecrazy.info/v1. La estructura del cuerpo JSON es compatible, lo que simplifica el desarrollo para los equipos de producto que ya conocen esta herramienta.

Límites de velocidad y cola

El límite estándar es de 60 solicitudes por minuto por clave API (10 rpm antes del primer recargo). Las peticiones se procesan en secuencia, por lo que bajo carga alta pueden entrar en una cola de espera.

El texto se divide en fragmentos de hasta 4096 caracteres. Esta estrategia asegura que cada solicitud sea manejable y que la integración maneje correctamente la concatenación de los archivos de audio resultantes.

Código de ejemplo en cURL

Un ejemplo básico de integración se puede realizar directamente con cURL, enviando el texto y la voz deseada. La respuesta devuelve el archivo de audio directamente, listo para ser reproducido en la interfaz de la aplicación.

Este enfoque permite una integración rápida sin depender de librerías pesadas, ideal para prototipos o sistemas backend en entornos clínicos.

  • Endpoint: POST https://api.scorecrazy.info/v1/audio/speech
  • Modelos: tts-1 o tts-1-hd
  • Formatos soportados: mp3, wav, opus, flac, pcm

Casos de uso en salud

Ilustración de onda de sonido para: Casos de uso en salud

La API integra narración automática en flujos de atención, transformando documentos estáticos en audio accesible sin depender de plataformas genéricas.

Guías de alta hospitalaria

Convierte instrucciones complejas de alta en audio claro (hasta 4096 caracteres por petición), facilitando la comprensión de pacientes con baja alfabetización digital.

  • Audio para instrucciones de cuidados post-operatorios
  • Lectura de listas de medicamentos al alta
  • Formatos MP3 u OPUS para apps móviles ligeras

Manuales de medicación

Narra dosificaciones y contraindicaciones con voces neutrales como Atlas o Sage, garantizando precisión en la terminología clínica sin necesidad de SSML (aunque tampoco lo soportamos).

  • Lectura de prospectos en múltiples idiomas
  • Integración con sistemas de historia clínica electrónica
  • Costo fijo de $0.01 por mil caracteres

Audio para apps de telemedicina

Proporciona narración de consultas o recordatorios de citas directamente en la aplicación del paciente, mejorando la adherencia al tratamiento mediante audio on-demand.

  • Generación bajo demanda vía API REST
  • Compatible con SDKs de OpenAI cambiando base_url
  • Soporte para 23 idiomas con detección automática
Casos de uso en salud

Garantía de calidad de datos

Ilustración de onda de sonido para: Garantía de calidad de datos

La API de TTS de GuiaSonoro está diseñada para entornos clínicos donde la confidencialidad es crítica. Cada solicitud de texto se procesa de forma aislada para generar el archivo de audio, garantizando que el contenido de guías de pacientes o manuales no se utilice para entrenar modelos ni mejorar algoritmos de terceros.

No uso de datos para entrenamiento

El texto de entrada se emplea exclusivamente para producir el audio solicitado. Una vez entregado, no se almacena ni se utiliza para mejorar la base de datos de voces, preservando la privacidad de la información médica sensible.

Marcas de agua sintéticas

Cada archivo de audio generado incluye una marca de agua inaudible que identifica claramente el contenido como habla sintética. Esto facilita la trazabilidad en aplicaciones de telemedicina o apps móviles sin afectar la experiencia del paciente.

Retención mínima de metadatos

Conservamos únicamente los metadatos de la solicitud (hora, número de caracteres y estado) necesarios para la facturación precisa. No mantenemos copias del texto original ni del audio generado una vez completada la entrega.

Esta retención mínima asegura que la información clínica no quede expuesta en servidores a largo plazo más allá de lo necesario para el cobro del servicio.

Rendimiento y latencia

Ilustración de onda de sonido para: Rendimiento y latencia

La API de TTS de GuiaSonoro procesa el texto a una velocidad aproximada de 25 caracteres por segundo de audio generado, lo que equivale a un tiempo de generación cercano al tiempo real para textos extensos. Para frases breves, el proceso puede tomar unos segundos adicionales.

Velocidad de generación en tiempo real

El procesamiento se realiza secuencialmente, por lo que, bajo carga alta, una petición puede esperar en una cola antes de comenzar la síntesis. Esta latencia es variable y depende del volumen de solicitudes simultáneas en el servidor.

Límites de caracteres por petición

Cada solicitud POST a /v1/audio/speech acepta un máximo de 4096 caracteres en el campo input. Este límite incluye espacios y puntuación. Si el texto médico o la guía del paciente excede este tamaño, la síntesis fallará si no se divide previamente.

  • Máximo 4096 caracteres por solicitud.
  • Los espacios y signos de puntuación cuentan como caracteres.
  • El límite es estricto por campo input.

Manejo de textos largos

Para documentos clínicos extensos, es necesario dividir el texto en partes de hasta 4096 caracteres. El equipo de producto debe implementar la lógica para concatenar los archivos de audio resultantes tras recibir cada respuesta exitosa.

Esta estrategia asegura que se respeten los límites técnicos sin perder la integridad de la narración médica, aunque introduce un paso adicional de integración en la aplicación.

Soporte y disponibilidad

Ilustración de onda de sonido para: Soporte y disponibilidad

El soporte técnico se gestiona exclusivamente por correo electrónico, sin números de teléfono ni chat en vivo. Esta vía permite registrar las incidencias técnicas con el detalle necesario para auditar el uso de la API.

No ofrecemos garantías de nivel de servicio (SLA) ni garantías de disponibilidad continua. El servicio funciona sin contratos empresariales ni cláusulas de penalización, lo que simplifica la integración pero requiere que los equipos de producto gestionen sus propias tolerancias a fallos.

Soporte por correo electrónico

Envía tus consultas a [email protected]. No hay chat en vivo ni línea telefónica disponible. Los tiempos de respuesta dependen de la carga de trabajo del equipo técnico.

  • Único canal de comunicación
  • Sin chat en vivo
  • Sin teléfono

Sin garantía SLA

No existe una garantía de disponibilidad contractual ni promesas de tiempo de actividad. El servicio puede experimentar interrupciones sin previo aviso. No hay contratos empresariales ni penalizaciones por tiempos de inactividad.

Actualizaciones del servicio

Las actualizaciones se implementan sin garantía de compatibilidad inmediata. Se notificarán los cambios importantes mediante los canales oficiales del sitio. La disponibilidad de las voces y formatos puede variar ligeramente entre versiones.

Primeros pasos con la API

Ilustración de onda de sonido para: Primeros pasos con la API

Accede a tu clave API en la página /get-api-key/ registrándote con Google o correo electrónico. La consola muestra tu clave activa, saldo y un ejemplo de cURL listo para usar.

Comienza con una prueba gratuita de 0,50 USD (aproximadamente 50.000 caracteres) válida por 7 días al iniciar sesión con Google. Los creados con email no incluyen este crédito.

Obtención de la clave API

Regístrate en /get-api-key/ usando Google o email. La página muestra tu clave Bearer, saldo y un ejemplo de cURL listo para copiar.

  • Una clave activa por cuenta
  • Reemisión instantánea de nueva clave

Prueba gratuita de 0,50 USD

Recibe 0,50 USD de crédito (aprox. 50.000 caracteres) al registrarte con Google, válido por 7 días. Las cuentas creadas con email no incluyen esta prueba.

Documentación rápida

Consulta la documentación completa en /docs/ para ver los parámetros de la API, los formatos de audio disponibles y los límites de caracteres por petición.

  • Endpoint POST /v1/audio/speech
  • Autenticación Bearer

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Es la opción preferida para narrativas lineales donde la precisión es prioritaria.

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. FFmpeg documentation
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. Node.js documentation
  5. LibriTTS-R corpus (OpenSLR 141)
  6. Creative Commons Attribution 4.0
  7. openai-node on GitHub
  8. LibriVox public-domain audiobooks
  9. ISO 639 language codes
  10. curl documentation
  11. W3C WAI: making audio and video accessible
  12. IETF RFC 7845: Ogg Opus

Más en este sitio