Integración de voces TTS en menús digitales

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

Descubre cómo elegir las voces de PlatoHabla para digitalizar menús y avisos de restaurantes. Esta guía explica el perfil de cada preset, desde narradoras cálidas hasta voces institucionales, y cómo alinearlas con el ambiente de tu local o el tipo de plato.

Ideal para desarrolladores indie que integran la API en sistemas de gestión gastronómica. Aprenderás a seleccionar el modelo correcto, optimizar costes y evitar limitaciones técnicas como la falta de SSML, asegurando una integración fluida para tu negocio.

Integración de voces TTS en menús digitales

Preguntas frecuentes

¿Cuál es la mejor voz para un menú?

No hay una voz única ideal. Para menús narrativos, usa aria o luna. Para avisos energéticos, elige felix o nova. La decisión depende de si buscas calidez o dinamismo al presentar tus platos.

¿Qué voz suena más natural en español?

Todas las voces pueden hablar español con naturalidad, ya que soportan 23 idiomas incluyendo el español. La voz aria (femenina) o milo (masculino) ofrecen tonos claros y conversacionales que suelen resonar bien en contextos gastronómicos, garantizando una pronunciación precisa sin necesidad de configuración extra.

¿Las voces varían en precio?

No. Todas las voces tienen el mismo costo independientemente de cuál elijas. El precio se fija en $10 por millón de caracteres para los modelos tts-1 y tts-1-hd. No hay tarifas adicionales por usar voces específicas como aria, nova o atlas en tus solicitudes.

¿Puedo mezclar voces en un solo audio?

No. Cada solicitud de la API genera un archivo de audio con una única voz especificada en el campo voice. Para mezclar voces, debes realizar múltiples solicitudes y unir los archivos de audio resultantes manualmente o mediante tu propio pipeline de procesamiento de audio.

¿Qué voz es mejor para avisos rápidos?

Para avisos rápidos, felix es una excelente opción por su tono enérgico y adecuado para promociones. También milo funciona bien por su cercanía conversacional. La velocidad de generación es rápida, aunque las frases cortas pueden tardar unos segundos en procesarse según la cola de solicitudes.

¿Son todas las voces en todos los idiomas?

Sí. Las ocho voces preestablecidas pueden hablar cualquiera de los 23 idiomas soportados, incluido el español. Si no especificas el idioma, el sistema lo adivina, pero para textos en español con script latino, se recomienda establecer explícitamente el campo language para garantizar la pronunciación correcta.

¿Cuál es la voz más clara para personas mayores?

Aria y luna son ideales por su claridad y tono narrativo suave. Aria ofrece una voz clara y directa, mientras que luna es suave y narrativa. Estas voces facilitan la comprensión de los nombres de los platos y las descripciones en menús digitales para todos los públicos.

¿Se pueden usar voces para publicidad?

Sí, las voces están basadas en grabaciones con licencia CC BY 4.0 (LibriTTS-R) y dominio público (LibriVox). Puedes usarlas para publicidad de restaurantes sin problemas de derechos de autor complejos. Solo recuerda que los archivos llevan una marca de agua invisible que indica que son síntesis.

¿Qué voz eligen los restaurantes de lujo?

No hay datos estadísticos sobre elecciones específicas de restaurantes de lujo. Sin embargo, atlas ofrece un tono neutral y periodístico, mientras que orion es profundo y documental. Estos tonos serios y neutros suelen adaptarse bien a entornos gastronómicos de alta gama que buscan elegancia y sobriedad en el audio.

¿Es mejor tts-1 o tts-1-hd para voces?

Ambos modelos usan el mismo motor y tienen el mismo precio. La única diferencia es la calidad de audio: tts-1-hd ofrece mayor fidelidad. Para menús y avisos, tts-1 es suficiente. tts-1-hd ofrece mayor fidelidad de audio.

¿Cómo elijo la voz en la API?

Envía el nombre de la voz (ej. aria, nova, milo) en el campo voice del cuerpo JSON de tu solicitud POST. Puedes ver la lista completa de voces disponibles mediante la GET /v1/voices. Asegúrate de incluir tu clave API en la cabecera Authorization.

¿Hay voces infantiles disponibles?

No. Solo hay ocho voces preestablecidas: aria, nova, luna, sage, felix, milo, atlas y orion. Ninguna está diseñada específicamente como voz infantil. Si necesitas un tono infantil, deberías probar las voces disponibles para ver si alguna se aproxima, pero no hay una opción dedicada exclusiva.

¿Puedo usar la voz de un actor famoso?

No. Las voces son preestablecidas y no ofrecen clonación personalizada ni imitación de celebridades. Cada archivo generado lleva una marca de agua que indica que es síntesis. No se ofrecen voces de terceros ni imitaciones de personas reales, manteniendo un uso claro de la tecnología TTS.

¿Las voces tienen acento regional?

Las voces son neutras y pueden hablar cualquier idioma soportado. No hay acentos regionales específicos (como mexicano o español de España) configurados por defecto. Si necesitas un acento específico, debes probar las voces disponibles, pero el sistema no garantiza variaciones dialectales automáticas más allá del idioma base.

Voces femeninas para menús

Ilustración de onda de sonido para: Voces femeninas para menús

Las voces femeninas de PlatoHabla ofrecen claridad y calidez ideales para menús digitales. Aria, Nova y Luna permiten adaptar el tono del establecimiento sin necesidad de personal de voz.

Estas voces utilizan tecnología TTS estándar. No requieren edición compleja ni conocimientos avanzados para su implementación en sistemas de gestión gastronómica.

Aria: Narradora clara y cálida

Aria destaca por su tono de narradora clara y cálida. Es ideal para describir platos con detalle, asegurando que la pronunciación sea precisa en menús digitales.

Su voz transmite confianza y profesionalismo, adecuada para restaurantes que buscan seriedad sin perder cercanía con el cliente.

  • Tono: Narradora clara y cálida
  • Ideal para: Descripciones detalladas de platos
  • Formato: tts-1 o tts-1-hd

Nova: Brillante y entusiasta

Nova aporta un brillo y entusiasmo naturales a los avisos. Su energía resalta los ingredientes frescos o las promociones del día.

Funciona bien en entornos dinámicos donde se quiere captar la atención rápidamente sin resultar invasiva.

  • Tono: Brillante y entusiasta
  • Ideal para: Promociones y platos destacados
  • Formato: tts-1 o tts-1-hd

Luna: Suave para historias

Luna ofrece un sonido suave, perfecto para contar la historia detrás de un plato o la tradición del local.

Suave y envolvente, facilita una experiencia auditiva relajada en menús digitales o avisos de espera.

  • Tono: Suave, storytelling
  • Ideal para: Historia del plato o local
  • Formato: tts-1 o tts-1-hd

Voces masculinas para avisos

Ilustración de onda de sonido para: Voces masculinas para avisos

Las voces masculinas de PlatoHabla ofrecen claridad y carácter para avisos en restaurantes y plataformas digitales. Cada tono cumple un propósito específico, desde promociones dinámicas hasta información institucional neutra.

Felix: Energético para promos

Felix destaca por su energía vibrante, ideal para anunciar platos del día o promociones limitadas. Su tono directo capta la atención del comensal sin resultar invasivo.

  • Voz masculina, estilo energético y promocional. Felix es una de las 8 voces preestablecidas.

Milo: Amigable y conversacional

Milo aporta una cercanía natural, perfecto para menús interactivos o avisos de cortesía. Su voz conversacional hace que la información fluya con suavidad, ideal para bar tranquilos.

  • Voz masculina, amigable y conversacional. Milo es una de las 8 voces preestablecidas.

Atlas: Neutral para noticias

Atlas es la opción estándar para lectura de alérgenos o cambios en el menú. Su neutralidad garantiza que la información técnica se entienda con total claridad y sin sesgo emocional.

  • Voz masculina, neutral y estilo noticioso. Atlas es una de las 8 voces preestablecidas.

Voz para documentales gastronómicos

Ilustración de onda de sonido para: Voz para documentales gastronómicos

Orion es la voz ideal para quienes buscan narrar la historia de un restaurante con un tono profundo y serio. Su registro grave aporta una autoridad natural, perfecta para documentales gastronómicos o presentaciones de platillos de alta gama que requieren seriedad y elegancia.

Orion: Profundo y serio

Esta voz masculina destaca por su claridad en registros bajos, evitando la monotonía que suelen tener otras voces graves. Es la opción preferida para narraciones que requieren respeto por el origen de los ingredientes o la técnica culinaria.

Uso en historias de marca

Utiliza Orion para explicar el proceso de elaboración de un plato en menús digitales. Su tono transmite confianza y tradición, elementos clave para conectar con comensales que valoran la autenticidad y el detalle en cada ingrediente.

Al no ofrecer control de emoción, la narrativa debe ser clara y directa. Deja que el contenido sea el protagonista, usando la voz como un soporte neutro pero imponente.

Tono institucional

El uso de Orion en avisos institucionales o historias de la marca refuerza la imagen profesional del establecimiento. Es ideal para espacios donde la experiencia se centra en la contemplación más que en la agilidad.

Recuerda que la velocidad de generación es aproximadamente en tiempo real, por lo que las historias largas se procesan de manera eficiente mediante la división automática de texto.

  • Voz basada en grabaciones licenciadas de dominio público.
  • Aporta seriedad sin necesidad de efectos adicionales.

Selección por tipo de plato

Ilustración de onda de sonido para: Selección por tipo de plato

Asignar la voz correcta al plato genera una experiencia auditiva coherente. Nova introduce los entrantes con energía clara, ideal para menús dinámicos. Aria aporta la claridad narrativa necesaria para descripciones complejas en platos principales, asegurando que cada ingrediente se entienda perfectamente.

Entrantes con Nova

Nova es brillante y entusiasta, perfecta para captar la atención inicial. Su tono ligero funciona bien para aperitivos y pequeñas porciones, manteniendo la atención del comensal sin resultar abrumador.

  • Ideal para descripciones breves de entrantes
  • Transmite frescura y ligereza
  • Alto engagement en menús digitales

Platos principales con Aria

Aria ofrece una narradora clara y cálida. Para platos principales con múltiples componentes, su claridad garantiza que los detalles del menú se escuchen con precisión, facilitando la decisión del cliente.

  • Clara para descripciones detalladas
  • Tono cálido y acogedor
  • Precisión en nombres de ingredientes

Postres con Luna

Luna es suave y narrativa, ideal para el cierre de la experiencia. Su tono relajado acompaña perfectamente los postres, invitando a una pausa tranquila sin prisa.

  • Suave y narrativa
  • Ideal para postres
  • Tono relajante

Selección por ambiente del local

Ilustración de onda de sonido para: Selección por ambiente del local

El ambiente acústico del local determina la voz ideal. Un restaurante fino requiere la neutralidad de Atlas para avisos claros. Una cafetería joven necesita la energía de Felix para promociones. Un bar tranquilo prefiere la cercanía de Milo.

Restaurante fino con Atlas

Atlas ofrece un tono neutral, ideal para notificar reservas o cambios de menú sin distraer. Su voz transmite autoridad clara en espacios donde el silencio es valorado.

  • Tono neutral y profesional
  • Ideal para avisos institucionales
  • No intrusivo para la experiencia gastronómica

Cafetería joven con Felix

Felix es energético y perfecto para promociones de hora feliz. Su entusiasmo natural resuena bien en entornos dinámicos y de alta rotación, atrayendo la atención sin sonar artificial.

  • Voz enérgica y promo
  • Atractivo para público joven
  • Ideal para ofertas temporales

Bar tranquilo con Milo

Milo es amigable y conversacional, creando una atmósfera cercana. Es una buena opción para menús leídos en voz alta en bares relajados, donde la comodidad del cliente prima.

  • Tono conversacional y cálido
  • Ambiente relajado
  • Conexión natural con el cliente

Comparativa de características

Ilustración de onda de sonido para: Comparativa de características

La API ofrece un equilibrio técnico donde la claridad del habla prima sobre la expresividad subjetiva. Al no incluir etiquetas de emoción ni SSML, cada generación se mantiene consistente y predecible, ideal para la lectura rápida de nombres de platos o precios en pantallas de restaurante.

Claridad vs emoción

Las voces están diseñadas para la inteligibilidad, no para la dramatización. Esto evita malentendidos en la lectura de menús digitales donde la precisión es crítica. La ausencia de variaciones emocionales aleatorias garantiza que el cliente siempre escuche el texto con la misma articulación clara.

  • Sin etiquetas de emoción ni SSML
  • Articulación constante y predecible
  • Ideal para nombres de platos largos

Velocidad natural

La generación se aproxima a la velocidad del habla natural, procesando aproximadamente 25 caracteres por segundo en textos largos. Esto permite que los avisos de comandas o estados de pedido fluyan sin pausas antinaturales, manteniendo el ritmo operativo de la cocina sin retrasos perceptibles para el cliente.

  • Ritmo cercano al habla real
  • Procesamiento secuencial sin cortes abruptos
  • Configurable de 0.25 a 4.0x

Tono de autoridad

El tono institucional, como el de Atlas, aporta neutralidad y confianza a las noticias del día o avisos de cierre. Esta característica es vital para mantener la profesionalidad en la comunicación de precios o alérgenos, diferenciándose de estilos más informales o enfáticos.

  • Neutralidad en la entrega de información
  • Profesionalismo en avisos institucionales
  • Consistencia en la marca del restaurante

Idiomas y acentos

Ilustración de onda de sonido para: Idiomas y acentos

La API soporta 23 idiomas sin recargo adicional. Aunque una voz puede hablar cualquier idioma de la lista, la detección automática asume inglés para textos en latín si no se especifica lo contrario. Para evitar acentos no deseados en menús internacionales, es crucial definir el campo language en la solicitud.

La claridad del acento depende del modelo base de la voz y no de variaciones regionales predefinidas. Esto garantiza consistencia en la pronunciación, ideal para cadenas de restaurantes que necesitan un tono uniforme en sus avisos y menús digitales en múltiples ubicaciones.

Español neutro vs regional

El sistema no distingue entre acentos regionales específicos (como mexicano o argentino). Utiliza un español neutro consistente. Si envías texto en español con el parámetro language establecido, la síntesis mantendrá una pronunciación estándar y clara, evitando variaciones geográficas no controladas.

Esta uniformidad es ventajosa para la gestión de menús digitales, donde la comprensión inmediata es prioritaria sobre la personalización dialectal.

  • Un solo acento neutro por idioma
  • Parámetro language obligatorio para precisión
  • Ideal para comunicación masiva clara

Inglés americano vs británico

Las voces utilizan una pronunciación estándar que se alinea predominantemente con el inglés americano en términos de entonación y vocabulario. No existe una opción nativa dedicada al inglés británico, aunque la comprensión es universal para clientes internacionales.

Para menús en establecimientos turísticos, esta variante estándar suele ser suficiente y evita confusiones de pronunciación en nombres de platos.

  • Pronunciación estándar americana
  • Alta comprensión global
  • Sin variación británica dedicada

Francés y alemán

El soporte para francés y alemán es completo. Las voces aplican las reglas fonéticas correctas sin necesidad de ajustes manuales. Esto permite integrar avisos de alérgenos o descripciones de platos en estos idiomas con total naturalidad.

La misma regla de detección aplica: si no especificas language, el sistema podría interpretar texto en latín como inglés por defecto. Configúralo explícitamente para evitar errores.

  • Soporte nativo completo
  • Fonética precisa sin ajustes
  • Requiere parámetro language explícito
Idiomas y acentos

Coste por voz

Ilustración de onda de sonido para: Coste por voz

En PlatoHabla, el precio es uniforme sin importar la voz elegida. Cada solicitud de síntesis de texto a voz se cobra a $0.01 por cada 1.000 caracteres, independientemente de si usas a Aria, Felix o cualquier otra de las ocho voces disponibles. Esto simplifica la facturación para menús digitales y avisos de restaurantes.

Mismo precio todas

El costo por carácter es idéntico para todas las voces femeninas y masculinas. No hay tarifas adicionales por usar una voz específica como Luna para postres o Atlas para avisos de noticias.

  • Tarifa plana de $0.01 por 1.000 caracteres.
  • Aplicable a las 8 voces disponibles.

Sin recargo por HD

Tanto el modelo tts-1 como tts-1-hd tienen el mismo precio. Puedes elegir la versión HD para mayor calidad de audio sin pagar más por carácter en tus menús o avisos.

  • Modelos tts-1 y tts-1-hd al mismo precio.

Ahorro en volumen

Al no haber planes mensuales ni costos fijos, solo pagas por lo que generas. Ideal para restaurantes que necesitan audio ocasional o desarrolladores indie que integran TTS en sus apps sin gastos hormiga.

  • Sin planes de suscripción.
  • Créditos no expirados.

Formatos recomendados por uso

Ilustración de onda de sonido para: Formatos recomendados por uso

Seleccionar el formato de audio adecuado es clave para el rendimiento de tu aplicación. El MP3 es el estándar universal, ofreciendo un equilibrio ideal entre calidad y tamaño de archivo para la reproducción en dispositivos móviles y web.

El WAV conserva la calidad original sin compresión, ideal si planeas editar el audio posteriormente. Por otro lado, el FLAC proporciona compresión sin pérdida, perfecto para archivar menús históricos sin ocupar demasiado espacio.

MP3 para apps móviles

El formato MP3 es la opción más eficiente para la mayoría de las aplicaciones móviles. Su compresión reduce significativamente el tamaño del archivo, lo que permite una carga más rápida de los menús digitales sin sacrificar una claridad suficiente para la comprensión del texto hablado.

  • Tamaño de archivo reducido para carga rápida
  • Amplio soporte en todos los dispositivos móviles
  • Calidad suficiente para instrucciones de menú

WAV para edición

El formato WAV ofrece audio sin compresión, manteniendo la fidelidad original de la voz generada. Es la mejor opción si necesitas realizar ajustes posteriores en el audio, como mezclarlo con música de fondo o ajustar niveles de volumen en un estudio.

  • Sin pérdida de calidad
  • Ideal para post-producción y mezclas
  • Mayor tamaño de archivo

FLAC para archivado

El formato FLAC comprime el audio sin perder ninguna información, resultando en archivos más pequeños que WAV pero con la misma calidad perfecta. Es la solución óptima para almacenar un historial de menús o avisos institucionales que deben conservarse intactos a largo plazo.

  • Compresión sin pérdida
  • Menor tamaño que WAV
  • Conservación de calidad original

Integración técnica de voces

Ilustración de onda de sonido para: Integración técnica de voces

Para integrar las voces, se envía un POST a https://api.abaje.info/v1/audio/speech con el campo voice indicando el preset (por ejemplo, "aria" o "nova"). El modelo tts-1 o tts-1-hd genera el audio según los caracteres enviados, respetando el límite de 4096 caracteres por solicitud.

Puedes cambiar dinámicamente la voz en tiempo real consultando primero GET /v1/voices para listar los 8 presets disponibles. Esto permite adaptar el tono del menú o aviso al instante sin recargar la aplicación, usando siempre la misma clave API.

Códigos de voz en API

Cada voz tiene un código específico enviado en el campo voice del JSON. Puedes combinar cualquier voz con el formato de respuesta deseado, como mp3 o wav, ajustando la velocidad entre 0.25 y 4.0 según la necesidad del menú digital.

  • Usa voice: "nova" para menús vibrantes
  • Configura speed para ajustar la lectura

Cambio dinámico en tiempo real

El endpoint GET /v1/voices devuelve la lista de voces, idiomas y formatos soportados. Esto facilita la selección automática del preset adecuado según el plato o el tipo de aviso, sin necesidad de hardcodear valores.

Cache de voces

Aunque la API genera audio al vuelo, puedes cachear los archivos generados si el texto del menú no cambia frecuentemente. Esto reduce llamadas a la API y acelera la carga en dispositivos de los clientes.

Ejemplos de texto por voz

Ilustración de onda de sonido para: Ejemplos de texto por voz

La API de PlatoHabla permite generar audio específico para cada contexto de tu menú digital. Al enviar texto mediante la endpoint POST, obtienes archivos de audio listos para integrarse en tu sistema de gestión gastronómica.

Texto para Aria

Aria es ideal para descripciones detalladas de platos. Su tono claro y cálido transmite confianza y calidad en cada ingrediente mencionado.

  • input: "Nuestros entrantes de temporada incluyen una ensalada fresca con aceite de oliva virgen extra."
  • response_format: mp3
  • voice: aria

Texto para Felix

Felix aporta energía para avisos rápidos o promociones. Su voz enérgica capta la atención del cliente al instante.

  • input: "¡Oferta especial! Hoy tenemos 2x1 en cervezas artesanas hasta las 21:00."
  • response_format: mp3
  • voice: felix

Texto para Orion

Orion se utiliza para historias de marca o presentaciones institucionales. Su voz profunda y documentalista da seriedad al contenido.

  • input: "Nuestra filosofía se basa en productos locales y respeto por el medio ambiente."
  • response_format: mp3
  • voice: orion

Limitaciones a considerar

Ilustración de onda de sonido para: Limitaciones a considerar

Aunque la API es robusta, es importante conocer sus límites técnicos antes de integrarla en tu flujo de trabajo. Estas restricciones afectan directamente cómo debes estructurar tus textos y gestionar las expectativas de tus usuarios finales.

Sin SSML para énfasis

No utilizamos etiquetas SSML para marcar pausas, énfasis o cambios de tono dentro de una misma solicitud. Esto significa que no puedes controlar manualmente la entonación de palabras clave específicas.

  • El sistema infiere la entonación automáticamente basándose en la puntuación y el contexto.
  • No hay soporte para etiquetas <break> o <emphasis>.

Sin control de emoción

Cada voz tiene un tono predefinido (por ejemplo, Aria es clara y cálida, Felix es enérgico). No puedes solicitar que una misma voz suene "alegre" o "triste" mediante parámetros adicionales. La emoción es inherente al preset seleccionado.

Sin clonación personalizada

Actualmente no ofrecemos la capacidad de clonar tu propia voz ni la de otros. Solo puedes elegir entre las 8 voces preestablecidas que hemos seleccionado de grabaciones con licencia. No hay opción para subir muestras de audio para entrenar un modelo personalizado.

Escucha las 8 voces

Cada muestra a continuación fue generada por esta API a partir de la misma frase. Su tono relajado acompaña perfectamente los postres, invitando a una pausa tranquila sin prisa.

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. LibriVox public-domain audiobooks
  3. curl documentation
  4. LibriTTS-R corpus (OpenSLR 141)
  5. W3C WAI: making audio and video accessible
  6. IETF RFC 7845: Ogg Opus
  7. Tether (USDT)
  8. Python documentation
  9. Creative Commons Attribution 4.0
  10. MDN: Web Speech API
  11. ISO 639 language codes
  12. openai-python on GitHub

Más en este sitio