¿Cómo convertir texto a audio para menús digitales?

Por equipo editorial RestoVoice · Actualizado 2026-11-19

Descubre cómo transformar tus menús digitales en audio claro y natural con RestoVoice. Esta guía explica el proceso técnico para generar archivos de voz a partir del texto de tus platos, ideal para startups de hostelería que buscan automatizar sus avisos sin complicaciones.

Aprenderás a integrar nuestra API en tus apps móviles o pantallas de comedor, gestionando múltiples idiomas y manteniendo un coste predecible por carácter. Desde la configuración inicial hasta la reproducción, cubrimos todos los pasos para que tu menú suene siempre fresco y profesional.

¿Cómo convertir texto a audio para menús digitales?

Preguntas frecuentes

¿Qué es la tecnología TTS?

TTS (Text-to-Speech) es una API en la nube que convierte texto en archivos de audio mediante una solicitud POST. Envías el texto y recibes un archivo de audio listo para reproducir en menús digitales o avisos.

¿Es legal usar voces sintéticas en menús?

Sí. Las voces están basadas en grabaciones licenciadas de LibriTTS-R (CC BY 4.0) y lecturas de dominio público de LibriVox. Cada archivo generado incluye una marca de agua inaudible que lo identifica como voz sintética, garantizando transparencia en su uso comercial.

¿Puedo usar la API en mi app móvil?

Sí, la API es compatible con cualquier entorno que pueda enviar solicitudes HTTP. No ofrecemos un SDK móvil oficial; puedes usar las SDKs de OpenAI o HTTP plano cambiando la URL base, lo que facilita la integración en aplicaciones nativas o híbridas.

¿Cuánto tarda en generarse un menú completo?

La generación es aproximadamente en tiempo real (25 caracteres por segundo). Para menús extensos, el texto se divide en partes de 4096 caracteres y se unen. Las solicitudes se procesan en cola, por lo que tiempos de espera son posibles bajo carga.

¿Qué formato de audio es mejor para web?

Puedes elegir entre mp3, wav, opus, flac o pcm según tus necesidades. Para web, mp3 u opus son ideales por su equilibrio entre calidad y tamaño. El formato se especifica en el campo response_format de tu solicitud a la API.

¿Puedo cambiar la velocidad de la voz?

Sí, el parámetro speed permite ajustar la velocidad entre 0.25 y 4.0. Esto es útil para adaptar la lectura de menús o avisos a diferentes contextos, desde una lectura pausada hasta una transmisión rápida de información.

¿Las voces suenan humanas?

Las 8 voces preset (como Aria, Nova o Felix) ofrecen un tono natural y claro, ideal para hostelería. Sin embargo, no son clones de personas reales ni tienen emociones personalizables. Cada audio generado lleva una marca de agua que indica que es síntesis.

¿Necesito un desarrollador para integrarlo?

La integración requiere enviar una solicitud JSON a la API. Aunque puedes usar ejemplos curl, una integración robusta en apps o sistemas de gestión suele requerir conocimientos de desarrollo para manejar la autenticación, los límites de caracteres y el manejo de errores.

¿Puedo usar la API para avisos en comedor?

Sí, es ideal para avisos automáticos. Puedes enviar texto como "La cocina está cerrada" y recibir audio instantáneo. Soporta 23 idiomas y permite ajustar la velocidad y el formato para asegurar claridad en entornos ruidosos o de gran afluencia.

¿Qué pasa si no hay internet?

La API es en la nube, por lo que necesitas conexión para generar audio. No hay almacenamiento local ni SDK offline. Si hay un error de red, la solicitud falla y no se cobra, pero deberás reintentar la generación cuando se restablezca la conectividad.

¿Las voces tienen acento regional?

Cada voz tiene un estilo definido (ej. Aria es narradora cálida), pero pueden hablar cualquier idioma de la lista si se especifica el parámetro language. No hay acentos regionales específicos; el idioma se detecta o se fuerza manualmente.

¿Puedo usar la misma clave en producción y pruebas?

Sí, tu cuenta tiene una única clave activa. Puedes usarla para pruebas y producción simultáneamente. Si emites una nueva clave, la anterior deja de funcionar inmediatamente, por lo que debes actualizar tus sistemas si decides rotarla por seguridad.

¿Cómo se manejan los errores de red?

Si la síntesis falla, no se cobra. Si hay un error de red, la solicitud no se completa y no hay cargo. Debes implementar lógica de reintento en tu aplicación para manejar las respuestas de error y reenviar la solicitud cuando sea posible.

¿Hay límite de uso diario?

El límite es de 60 solicitudes por minuto por clave (10 antes del primer recargo). No hay límite diario fijo, pero la velocidad de generación es aproximadamente en tiempo real. Bajo carga, las solicitudes pueden esperar en cola, afectando el tiempo total.

Automatización de menús en hostelería

Ilustración de onda de sonido para: Automatización de menús en hostelería

La automatización de menús digitales permite sustituir la lectura manual o archivos estáticos por audio generado al instante. Este enfoque es ideal para comedores y restaurantes que necesitan comunicar ofertas diarias o platos especiales sin intervención humana constante.

Texto a audio para platos del día

Envía el texto del menú del día al endpoint y recibe un archivo de audio listo para reproducir. El sistema gestiona la síntesis en segundos, permitiendo actualizar la oferta gastronómica al instante sin necesidad de grabaciones previas.

Actualización dinámica del menú

Al cambiar el texto, se genera un nuevo archivo de audio automáticamente. Esto elimina la necesidad de almacenar y gestionar múltiples archivos MP3 o WAV pregrabados, asegurando que lo que se reproduce coincida exactamente con la oferta actual.

Consistencia en la voz

Todas las grabaciones utilizan las mismas voces predefinidas, manteniendo una identidad sonora uniforme en todo el local. Ya sea para un aviso o una descripción de plato, la experiencia auditiva permanece coherente y profesional sin variaciones artificiales.

Integración técnica sencilla

Ilustración de onda de sonido para: Integración técnica sencilla

La integración se basa en un endpoint POST estándar que sigue la misma estructura que la API de OpenAI. Solo necesitas enviar una petición JSON con el texto del menú, el modelo de voz y el idioma deseado. Si ya usas SDKs de OpenAI, solo cambia la base_url a https://api.kb44.info/v1 y usa tu clave API.

Endpoint POST estándar

Envía tu texto al endpoint POST /v1/audio/speech. El cuerpo de la solicitud incluye el modelo (tts-1 o tts-1-hd), el texto de entrada (máximo 4096 caracteres), la voz elegida y el formato de respuesta. La autenticación se realiza con un token Bearer en la cabecera Authorization.

Respuesta en formato audio

La API devuelve directamente el archivo de audio binario en el cuerpo de la respuesta, listo para reproducirse o guardarse. No necesitas procesar JSON complejo; el resultado es un archivo de audio puro que puedes integrar en tu interfaz de usuario o enviar a los dispositivos de la cocina.

Compatible con apps móviles

Los formatos soportados como MP3, WAV, OPUS, FLAC y PCM son ampliamente compatibles con iOS y Android. Esto asegura que el audio generado para los menús digitales se reproduzca correctamente en cualquier tableta o dispositivo móvil utilizado en tu restaurante sin necesidad de codecs adicionales.

Voces adecuadas para restaurante

Ilustración de onda de sonido para: Voces adecuadas para restaurante

La elección de la voz correcta define la experiencia del cliente en tu establecimiento. No se trata solo de claridad, sino de transmitir la intención adecuada: desde la elegancia de un plato gourmet hasta la urgencia de una promoción relámpago.

Cada preset ha sido diseñado para un contexto específico de hostelería, asegurando que el audio suene natural y profesional sin requerir ajustes técnicos complejos.

Aria para narración elegante

Aria ofrece una voz femenina cálida y clara, ideal para narrar las características de platos de alta cocina o descripciones de menú detalladas. Su tono es perfecto para menús digitales en restaurantes con un ambiente más sofisticado.

Su claridad garantiza que cada ingrediente y preparación se entienda perfectamente, manteniendo una atmósfera acogedora.

  • Voz femenina, cálida y clara
  • Ideal para descripciones de platos gourmet
  • Tono narrativo y acogedor

Felix para promociones

Felix es una voz masculina enérgica, diseñada para captar la atención rápidamente. Es la opción óptima para avisos de promociones del día, descuentos relámpago o platos especiales con tiempo limitado.

Su tono vibrante ayuda a destacar ofertas en comedores o menús digitales móviles, incentivando la venta adicional.

  • Voz masculina, enérgica y dinámica
  • Perfecta para promociones y descuentos
  • Ideal para avisos de tiempo limitado

Atlas para avisos neutros

Atlas proporciona una voz masculina neutral, similar a la de un locutor de noticias. Es excelente para avisos generales, instrucciones de servicio o información operativa que requiere neutralidad y profesionalismo.

Su tono claro y directo asegura que los mensajes importantes se transmitan sin distracciones emocionales, ideal para comedores institucionales o cadenas.

  • Voz masculina, neutral y clara
  • Avisos generales y operativos
  • Tono profesional y directo

Gestión de idiomas y dialectos

Ilustración de onda de sonido para: Gestión de idiomas y dialectos

RestoVoice soporta 23 idiomas, incluyendo español, inglés, francés, alemán, italiano, portugués, chino, japonés, árabe, ruso, hindi y turco, entre otros. Esto permite a tu restaurante atender a clientes internacionales o adaptar el contenido a equipos multilingües sin necesidad de contratar voces distintas para cada caso.

Soporte para 23 idiomas

El API incluye soporte completo para 23 idiomas distintos. Cualquier voz puede hablar cualquier idioma de la lista, lo que simplifica la gestión de menús bilingües o multilingües en comedores universitarios o cadenas de hostelería.

  • Español, inglés, francés, alemán, italiano, portugués
  • Chino, japonés, árabe, ruso, hindi, turco
  • Danés, finlandés, griego, hebreo, malayo
  • Noruego, polaco, sueco, swahili
  • No soporta vietnamita, tailandés, ucraniano ni checo

Detección automática

Si no especificas el idioma, el sistema lo infiere automáticamente según el guion del texto. El texto en latín se asume como inglés por defecto, lo que agiliza la generación para menús en inglés o español sin configuraciones extra.

Configuración manual

Puedes forzar un idioma específico añadiendo el parámetro language con su código ISO. Esto es útil cuando el texto contiene palabras ambiguas o cuando quieres garantizar una pronunciación concreta en textos bilingües mezclados.

Costes bajos para alto volumen

Ilustración de onda de sonido para: Costes bajos para alto volumen

La facturación se basa estrictamente en el uso real: $10 por cada millón de caracteres, lo que equivale a $0.01 por cada 1.000 caracteres. Los espacios y la puntuación cuentan como caracteres individuales, asegurando una transparencia total en cada solicitud.

Precio por carácter exacto

El coste es proporcional a la longitud del texto enviado. No se cobra por tiempo de CPU ni por latencia de red, solo por la cantidad de caracteres procesados, lo que hace predecible el gasto para menús extensos.

Sin costes fijos mensuales

No hay planes de suscripción ni cuotas base. Si no generas audio, no pagas. Las cuentas sin prueba gratuita empiezan sin crédito, pero puedes recargar cuando necesites capacidad adicional sin compromisos de permanencia.

Escalable según demanda

Ideal para restaurantes con picos de demanda en horarios de comida. Puedes pasar de 50.000 caracteres (prueba gratuita) a cualquier volumen sin cambiar de proveedor. El saldo no caduca y se recarga automáticamente con USDT (TRC-20).

  • Recarga mínima de $5
  • Crédito no expirante
  • Pago único por uso

Velocidad de generación

Ilustración de onda de sonido para: Velocidad de generación

La generación de audio suele tardar aproximadamente lo mismo que la duración del audio resultante, es decir, una relación cercana al tiempo real. Para textos largos, esto equivale a generar unos 25 caracteres por segundo de audio.

En frases cortas, el proceso puede tardar unos pocos segundos adicionales debido a la inicialización. No hay streaming ni entrega parcial; el archivo completo se entrega al finalizar.

Aproximadamente tiempo real

La velocidad típica es de unos 25 caracteres de texto por segundo de audio generado. Esto significa que un menú de 500 caracteres tardará aproximadamente 20 segundos en completarse.

Para frases muy breves, como un aviso de 'plato del día', la generación puede tomar unos segundos adicionales debido a la sobrecarga inicial de la API.

Límites de tasa por minuto

Cada clave API permite realizar 60 solicitudes por minuto una vez que la cuenta está activa. Antes de la primera recarga, el límite es de 10 solicitudes por minuto.

Si excedes este límite, las solicitudes adicionales se rechazarán hasta que transcurra el minuto siguiente.

Cola de procesamiento

Las solicitudes se procesan en orden secuencial. Si recibes muchas solicitudes simultáneas, algunas podrían esperar en una cola antes de ser sintetizadas.

Esto puede aumentar ligeramente el tiempo de respuesta total durante picos de tráfico, pero no afecta al costo ni a la calidad del audio.

Velocidad de generación

Formatos para dispositivos

Ilustración de onda de sonido para: Formatos para dispositivos

El formato de audio debe adaptarse al dispositivo final para equilibrar calidad y rendimiento. La API ofrece opciones específicas para cada escenario de reproducción.

MP3 para web y móvil

El formato MP3 es ideal para menús digitales en navegadores y aplicaciones móviles gracias a su amplia compatibilidad. Ofrece un buen equilibrio entre tamaño de archivo y calidad de audio, permitiendo una carga rápida en cualquier dispositivo.

  • Compatible con todos los navegadores modernos
  • Tamaño de archivo optimizado
  • Ideal para reproducción en web

WAV para alta calidad

El formato WAV proporciona audio sin pérdida, manteniendo la fidelidad original de la voz. Es la mejor opción para sistemas de sonido en comedores o dispositivos que requieren la máxima claridad sin compresión.

  • Audio sin pérdida de calidad
  • Mayor tamaño de archivo
  • Ideal para sistemas de audio fijos

Opus para eficiencia

El formato Opus ofrece una compresión eficiente, reduciendo significativamente el tamaño del archivo sin sacrificar una calidad perceptible. Es perfecto para reducir el consumo de datos en conexiones móviles o para almacenar grandes volúmenes de menús.

  • Alta compresión
  • Reducción de consumo de datos
  • Calidad preservada

Mantenimiento del contenido

Ilustración de onda de sonido para: Mantenimiento del contenido

Cuando cambias la descripción de un plato o el precio, la nueva versión está disponible inmediatamente sin necesidad de regenerar o subir archivos de audio manualmente. El sistema procesa el texto al instante y devuelve el audio listo para reproducirse.

Actualización instantánea

Los menús digitales se actualizan al instante. Si un ingrediente está agotado o un plato especial cambia, la modificación se refleja en el audio generado en segundos.

Sin archivos estáticos

No necesitas gestionar una biblioteca de archivos MP3 o WAV pregenerados. Cada solicitud genera el audio sobre la marcha, evitando la acumulación de datos obsoletos en tus servidores o aplicaciones.

Texto siempre actual

La fuente de verdad es siempre el texto que envías a la API. Esto garantiza que la voz que escuchan los clientes refleja exactamente el estado actual de tu carta, sin desfases ni errores de versión.

Privacidad y licencia

Ilustración de onda de sonido para: Privacidad y licencia

La privacidad es sencilla: tu texto se procesa para crear el audio y no se guarda para entrenamiento. Solo conservamos metadatos de facturación. El audio generado se devuelve al instante y no se almacena en nuestros servidores.

Las voces provienen de grabaciones con licencia clara (LibriTTS-R CC BY 4.0 y audiolibros de dominio público). No imitamos a celebridades ni usamos voces personalizadas sin consentimiento.

Texto no almacenado

El texto que envías solo se usa para la síntesis inmediata. No entra en nuestros modelos de entrenamiento.

Conservamos solo la metadata de la solicitud (tiempo, caracteres, estado) para fines de facturación y auditoría.

Voces con licencia clara

Nuestras voces están basadas en grabaciones licenciadas bajo CC BY 4.0 y material de dominio público de LibriVox.

Esto garantiza un origen claro y legal para cada voz sin complicaciones de derechos de autor complejos.

Marca de agua invisible

Cada archivo de audio generado lleva una marca de agua inaudible que lo identifica como voz sintética.

Esto permite verificar el origen del audio sin afectar la calidad de la reproducción en tu menú digital.

Ejemplo de flujo de trabajo

Ilustración de onda de sonido para: Ejemplo de flujo de trabajo

Integra RestoVoice en tu flujo de trabajo actual en tres pasos simples. Comienza obteniendo tu clave API desde /get-api-key/, luego envía el texto del menú mediante un endpoint estándar y, finalmente, reproduce el audio generado en tus dispositivos.

Este proceso elimina la necesidad de grabaciones estáticas o estudios de voz. Solo necesitas conectar tu backend con la API y dejar que la generación automática maneje la producción de audio.

Obtén la clave API

Regístrate en /get-api-key/ con tu cuenta de Google o correo electrónico. La plataforma te asignará inmediatamente una clave de inicio de sesión única (formato tts-...) que actúa como tu credencial de autenticación.

Copia esta clave y úsala en el encabezado Authorization: Bearer de tus solicitudes. Recuerda que solo tienes una clave activa por cuenta; si la revocas, la anterior deja de funcionar al instante.

  • Regístrate con Google o email en /get-api-key/
  • Copia la clave API generada automáticamente
  • Usa el encabezado Authorization: Bearer en tus peticiones

Envía el texto del menú

Utiliza el endpoint POST https://api.kb44.info/v1/audio/speech con un cuerpo JSON. Incluye el texto del plato (máximo 4096 caracteres), el modelo (tts-1 o tts-1-hd), la voz elegida y el formato deseado.

Si el texto supera los 4096 caracteres, divídelo en partes y une los archivos de audio resultantes. Asegúrate de especificar el idioma si no es inglés, para evitar errores de detección automática.

  • Endpoint: POST /v1/audio/speech
  • Cuerpo JSON con input, voice, model y response_format
  • Límite: 4096 caracteres por solicitud

Reproduce el audio generado

La API devuelve el archivo de audio directamente en la respuesta. Guárdalo o repórtalo inmediatamente en tu aplicación móvil o pantalla de menú digital.

El audio generado lleva una marca de agua inaudible que identifica su origen sintético. Puedes elegir formatos como MP3 para web, WAV para alta calidad o OPUS para eficiencia.

  • Recibe el archivo audio en la respuesta HTTP
  • Reproduce en apps móviles o pantallas digitales
  • Formatos disponibles: MP3, WAV, OPUS, FLAC, PCM

Soporte técnico disponible

Ilustración de onda de sonido para: Soporte técnico disponible

Accede a la documentación completa en /docs/ para entender cómo estructurar tus solicitudes y configurar los parámetros básicos de voz y formato.

Utiliza los ejemplos de cURL listos para copiar y probar directamente desde tu terminal, verificando que la integración funcione antes de desplegar en producción.

Guía de inicio rápido

Navega hasta /docs/ para ver la referencia completa del endpoint POST y los parámetros necesarios como model, voice e input.

  • Referencia técnica detallada de la API.
  • Explicación de parámetros de voz y formato.

Ejemplos de cURL

Encuentra comandos listos para usar en la sección de documentación que simulan una solicitud real, facilitando la prueba de conectividad con tu clave API.

  • Comandos listos para copiar.
  • Simulación de solicitud real.

Soporte por email

Si tienes dudas específicas sobre tu integración, envíanos un correo. No ofrecemos chat en vivo ni número de teléfono, pero respondemos a las incidencias técnicas por escrito.

  • Atención por escrito.
  • Sin chat en vivo ni teléfono.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase.

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. TRON developer hub: TRC-20
  3. ISO 639 language codes
  4. curl documentation
  5. LibriTTS-R paper (arXiv 2305.18802)
  6. OpenAI API reference: create speech
  7. Python documentation
  8. W3C WAI: making audio and video accessible
  9. MDN: Web Speech API
  10. Creative Commons Attribution 4.0
  11. LibriVox public-domain audiobooks
  12. LibriTTS-R corpus (OpenSLR 141)

Más en este sitio