Crea una clave en tu cuenta, indica un modelo de voz, envía tu texto y recibe un archivo de audio. El catálogo tiene 24 modelos de texto a voz de varios proveedores, así que un narrador de app, un menú telefónico y un agente de voz pueden tener cada uno la voz que les va. Prueba cualquier guion hoy en el toolkit.
El texto a voz no tiene una única mejor voz. Un modelo lee un cuento para dormir con calidez, otro mantiene nítido un menú telefónico, otro está pensado para responder dentro de una conversación. Una API de texto a voz de Picasso IA los pone detrás de una sola clave: indicas un modelo, envías el texto y recibes un archivo de audio, sin abrir una cuenta con cada proveedor de voz.
Cada proveedor de voz tiene su propio registro, su propia facturación y su propia manera de describir una voz. Se soporta cuando necesitas un solo narrador. Cansa cuando tu app necesita un lector tranquilo para las lecciones, uno claro para los menús telefónicos y uno ágil para un agente de voz, porque cada elección supone otra cuenta, otra clave y otro conjunto de ajustes que aprender.
La API de Picasso IA toma el camino contrario. Creas una clave en tu cuenta, envías una petición que nombra un modelo y sus entradas, y el resultado vuelve como un archivo que puedes descargar. La categoría de texto a voz del catálogo reúne 24 modelos de propietarios como elevenlabs, google, inworld, xai y minimax, de un total de 502 modelos. El esquema de la petición no cambia: un modelo y sus entradas. Cambiar de voz pasa a ser cambiar el nombre del modelo, no una integración nueva.
El coste funciona como en el toolkit. Una generación gasta créditos, y cuántos depende del modelo y de los ajustes que elijas, así que la página de precios es donde leer sobre los planes. El toolkit ejecuta el mismo catálogo, lo que significa que puedes escuchar cada voz hoy, antes de construir nada a su alrededor.
Una petición tiene cuatro partes. La clave demuestra que la petición viene de tu cuenta. El nombre del modelo dice qué voz debe hablar. Las entradas llevan tu texto y los ajustes que ese modelo entiende. La respuesta es el audio generado, entregado como un archivo que descargas.
En las entradas es donde los modelos se diferencian, y eso es útil, no molesto. google/gemini-3.1-flash-tts ofrece 30 voces y admite una instrucción de estilo en lenguaje normal, como habla despacio y con seguridad, además de etiquetas como whispering o laughing dentro del texto. inworld/tts-1.5-max e inworld/realtime-tts-1.5-max leen etiquetas de emoción como happy o sad y aceptan una voz propia mediante su identificador. elevenlabs/v3 te deja ajustar la estabilidad, la velocidad y cuán teatral debe ser la entrega. xai/grok-text-to-speech tiene cinco voces y puede exportar formatos pensados para sistemas telefónicos.
No tienes que memorizar nada de esto. La página de cada modelo en la colección indica qué acepta, y el toolkit muestra esos mismos campos como un formulario, así que puedes aprender un modelo haciendo clic antes de escribir la petición.
Los cuatro usos que más se preguntan son la narración de apps, los menús telefónicos, los audiolibros y los agentes de voz. La tabla de abajo es un punto de partida sobre qué probar primero y qué escuchar. No es un ranking: pasa el mismo guion por dos modelos y confía en tus oídos antes que en esta página.
| Trabajo | Modelo para probar primero | Qué escuchar |
|---|---|---|
| Narración de app | elevenlabs/v3 | Una voz que se mantiene estable de la primera pantalla a la última |
| Menús telefónicos | xai/grok-text-to-speech | Números claros y un formato de archivo que tu sistema telefónico acepte |
| Audiolibros | elevenlabs/v3 | El mismo narrador y el mismo ritmo, capítulo tras capítulo |
| Agentes de voz | inworld/realtime-tts-1.5-max | Respuestas cortas que suenan habladas, no leídas |
| Varios idiomas | google/gemini-3.1-flash-tts | Acento y pronunciación en cada idioma que publiques |
| Una voz propia | inworld/tts-1.5-max | El mismo tono en todo lo que generes |
Un modelo que va bien para una lección puede sonar mal en un menú telefónico, y al revés es igual de común. Tener dos o tres candidatos para cada trabajo y elegir entre ellos por proyecto es justo lo que una sola clave entre proveedores abarata. Para la parte de producción de la narración, voz en off con IA para videos y narración de audiolibros profundizan en el ritmo y los capítulos.
Casi todo el audio decepcionante es un problema del guion, no del modelo. Las voces leen exactamente lo que les das, así que escribe para el oído. Las frases cortas respiran mejor que las largas. Escribe tal como quieres que suene todo lo que deba decirse de una forma concreta: el nombre de un producto con pronunciación rara, un número de teléfono agrupado como lo dice la gente, una sigla que quieres que se lea completa.
Envía un idioma por petición y haz coincidir el ajuste de idioma con el texto. Las frases con idiomas mezclados son donde las voces adivinan, y una adivinanza suena a error de acento. Usa solo las etiquetas que documenta el modelo elegido, porque una etiqueta que funciona en un modelo puede leerse en voz alta como una palabra en otro.
Lee tu guion en voz alta una vez antes de enviarlo. Donde tropieces tú, tropezará la voz, y corregir una frase no cuesta nada mientras que regenerar cuesta créditos.
Empieza con un párrafo, no con el capítulo entero. Cada generación gasta créditos, así que una prueba corta te dice si la voz, el idioma y las etiquetas son correctos antes de comprometer un guion largo. Además, los modelos limitan cuánto texto acepta cada ejecución, y el límite cambia según el modelo, así que el material largo se divide por secciones o capítulos y se une después.
Este es el camino de la nada a un archivo en tus manos. Antes del primer paso, prueba un párrafo de tu guion real en el toolkit: usa los mismos modelos, así que la voz que elijas ahí es la voz que usarán tus peticiones.
Si un paso no se comporta como describe esta página, soporte responde las preguntas al respecto.
Esto es la descripción de una clave, una petición y un archivo. No promete nada más, y hay cinco sitios donde quien construye debería ir más despacio:
Los menús telefónicos y los agentes de voz merecen una última advertencia. Una voz sintética que lee un menú está bien; una voz sintética que gestiona dinero, salud o decisiones legales necesita un proceso humano alrededor y tu propia revisión de cada guion que pueda decir.
Una API de texto a voz permite que un programa convierta texto escrito en audio hablado sin que nadie lo grabe. Con Picasso IA creas una clave en tu cuenta, envías una petición que nombra un modelo de voz y sus entradas, y el resultado vuelve como un archivo de audio que puedes descargar. Lo distintivo de esta es el abanico: los modelos de voz del catálogo están detrás de la misma clave, así que eliges la voz por trabajo y no por cuenta.
La categoría de texto a voz del catálogo reúne 24 modelos, entre ellos elevenlabs/v3, google/gemini-3.1-flash-tts, inworld/tts-1.5-max, inworld/realtime-tts-1.5-max y xai/grok-text-to-speech. No necesitas una cuenta aparte con cada propietario: la misma clave y los mismos créditos los cubren. El catálogo completo lista todos los modelos, y la página de cada uno muestra las voces y ajustes que acepta.
Trátala como una contraseña. Identifica tu cuenta y gasta tus créditos, así que cualquiera que la tenga puede generar audio a tu costa. Manténla fuera de repositorios públicos, de código de front-end que los visitantes puedan inspeccionar, de capturas de pantalla y de chats compartidos. Si sospechas que se ha filtrado, elimínala de tu cuenta, crea una nueva y actualiza el lugar donde tu app la guarda.
Cuesta créditos, y la cantidad depende del modelo y de los ajustes que elijas, igual que en el toolkit. Esta página no cita cifras porque cualquier número quedaría desfasado; la página de precios es donde viven los planes, y las cuentas nuevas reciben créditos gratis. Un buen hábito es probar primero con un párrafo corto, para conocer el coste de una voz antes de enviar un guion entero.
Puedes generar los audios de uno. xai/grok-text-to-speech lista formatos hechos para telefonía junto a los habituales, y un menú telefónico son sobre todo frases cortas y claras, que sientan bien a las voces sintéticas. Lo que subas a tu sistema telefónico y los formatos de audio que acepte dependen de ese sistema, así que consulta sus requisitos vigentes. Mira también saludos telefónicos con IA para la parte de redacción.
La mitad del audio, sí. inworld/realtime-tts-1.5-max es el modelo del catálogo descrito para uso conversacional, y lee respuestas cortas con etiquetas de emoción. Pero una petición sigue tardando en renderizarse y gastando créditos, y esta página no promete nada sobre la velocidad, así que prueba tu propio flujo en el toolkit antes de diseñar una experiencia que dependa de audio instantáneo.
Divídelos. Cada modelo acepta una cantidad limitada de texto por ejecución, y el límite cambia de un modelo a otro, así que un capítulo pasa como varias secciones. Usa el mismo modelo, la misma voz y los mismos ajustes en cada sección para que el narrador no cambie a medias, y une después los archivos en tu editor de audio. elevenlabs/v3 tiene ajustes de estabilidad que ayudan a mantener una voz coherente en un proyecto largo.
Depende del modelo. google/gemini-3.1-flash-tts lista más de 70 códigos de idioma, xai/grok-text-to-speech cubre unos veinte y los modelos de inworld cubren 15. Elige el modelo cuya lista incluya el tuyo, ajusta el idioma para que coincida con tu texto y escucha el acento y la pronunciación antes de publicar. Una voz excelente en un idioma puede ser apenas aceptable en otro.
Solo una voz propia o la de un personaje ficticio. Algunos modelos aceptan una voz personalizada mediante su identificador, útil para mantener coherente tu propia voz de marca. Nunca uses la voz de una persona real identificable sin su permiso, y no hagas audio que pueda pasar por alguien que no lo dijo. Para la parte del consentimiento en la clonación, lee clonación de voz con IA.
Sí, y es el mejor primer paso. El toolkit ejecuta el mismo catálogo: elige un modelo de voz, pega un párrafo de tu guion real, genera y compara. Hazlo con dos o tres modelos y sabrás qué voz nombrar en tu primera petición. La comparación con ElevenLabs es una lectura útil si un proveedor concreto es tu punto de partida.
Antes de conectar nada, escucha las voces tú mismo: abre el toolkit, pega un párrafo de tu guion real y compara dos modelos. Las preguntas sobre la API van a soporte.
Elige tu idioma
