Glosario de IA · Voz
Text to speech
En una frase
Text to speech (TTS) es la tecnología que convierte un texto escrito en voz hablada. Es el componente, normalmente un modelo accesible por API, que pone voz a un agente telefónico, a un lector de pantalla o a un audio generado a partir de un texto.
También se llama: TTS · texto a voz · conversión de texto a voz · voz sintética
¿Qué es text to speech?
«Text to speech» quiere decir «de texto a voz», y se abrevia TTS. Es la boca de una máquina. Le das un texto y te devuelve un audio con una voz que lo lee. Las voces de hace unos años sonaban robóticas y planas. Las actuales, generadas con redes neuronales, tienen entonación, pausas y ritmo muy parecidos a los de una persona.
Llévalo a tu empresa
Un agente de voz que coge el teléfono
Desde 149 €/mes + IVA
Atiende llamadas 24/7, agenda citas y deja cada llamada apuntada en el CRM.
Ver el agente de vozDos términos vecinos:
- Text to speech: el componente o servicio concreto que convierte texto en audio.
- Síntesis de voz: la disciplina técnica que lo hace posible.
Y su contrario es el speech to text, que convierte voz en texto.
Relacionado con este término
UTIO Voice
- 500 minutos y un número incluidos
- Conversación natural en 26 idiomas
- Se presenta como asistente virtual
- Prueba de 14 días sin tarjeta
Desde 149 €/mes + IVA
Ver el agente de vozCómo funciona
- Normaliza el texto. Expande abreviaturas, números y fechas: «15 €» pasa a «quince euros».
- Decide la pronunciación y la prosodia. Qué sonidos tocan y con qué entonación: no se dice igual una pregunta que una afirmación.
- Genera el audio. Un modelo neuronal produce la onda de sonido con la voz elegida.
Lo que puedes ajustar habitualmente:
| Ajuste | Ejemplo |
|---|---|
| Voz | Masculina, femenina, más joven o más grave |
| Idioma y acento | Español de España, francés, inglés británico |
| Velocidad y pausas | Más despacio al dictar un teléfono |
| Pronunciación | Cómo leer una marca o una sigla |
En un voicebot el TTS trabaja en streaming: empieza a sonar con las primeras palabras de la respuesta, sin esperar a la frase completa. Es clave para reducir la latencia.
Ejemplo
Una empresa de autobuses interurbanos de Asturias tiene que avisar de cambios de horario por teléfono y por megafonía. Antes grababa cada aviso con una persona en estudio. Ahora redacta el aviso y un servicio de TTS genera el audio en minutos, con la misma voz siempre. Para que lea bien los nombres de las parroquias, el equipo añade unas reglas de pronunciación propias.
Text to speech en UTIO
El agente de voz de UTIO usa TTS para hablar en cada llamada: se presenta como asistente virtual y conversa en 26 idiomas. La voz va incluida en el minuto, junto con el modelo, la transcripción y la telefonía; la voz sintética la ponen proveedores de EE. UU. bajo garantías contractuales.
Si eres desarrollador, la API de IA de UTIO ofrece texto a voz: audio natural a partir de texto, en varios idiomas y voces, con la misma clave que la transcripción, el OCR o los embeddings.
Preguntas frecuentes
¿Qué diferencia hay entre text to speech y síntesis de voz?
La síntesis de voz es la disciplina: cómo se genera voz artificial. Text to speech es su aplicación más común, con el texto como entrada. Cuando contratas un servicio de «TTS», estás usando síntesis de voz empaquetada.
¿Se puede elegir la voz y el acento?
Sí. Los servicios de TTS ofrecen catálogos de voces por idioma y acento, y permiten ajustar la velocidad o las pausas. Algunos aceptan marcas en el texto, por ejemplo en SSML, para indicar cómo leer una fecha o una sigla.
¿Cómo lee el TTS números, siglas y direcciones?
Es donde más se equivoca. Antes de sintetizar, el texto se «normaliza»: «C/» pasa a «calle» o «3/10» a «tres de octubre». Conviene probar con tus propios datos y, si hace falta, escribir en el texto cómo debe sonar.
Términos relacionados
- Síntesis de voz
La síntesis de voz es la producción artificial de voz humana por ordenador. Es la disciplina que hay detrás del text to speech, de la clonación de voz y de los agentes que hablan, y hoy se basa sobre todo en redes neuronales entrenadas con grabaciones reales.
- Speech to text
Speech to text (STT) es la tecnología que convierte el audio hablado en texto escrito. Es la pieza de software, normalmente un modelo accesible por API, que «escucha» en un voicebot, un dictado o un sistema de transcripción, ya sea en tiempo real o sobre grabaciones.
- Voicebot
Un voicebot es un programa que conversa por voz: escucha lo que dice una persona, entiende qué quiere y le responde hablando. Puede funcionar en una llamada, una web, una app o un altavoz, y con IA generativa mantiene conversaciones abiertas, no solo menús.
- Latencia
La latencia es el tiempo que pasa entre que haces una petición y empiezas a recibir la respuesta. En un agente de voz es el silencio desde que el cliente deja de hablar hasta que oye la primera palabra del agente, y decide si la conversación suena natural.
Actualizado el