Texto a voz con SSML

Lee las palabras habladas del marcado y las sintetiza en audio con voz natural, así que un flujo con SSML ya montado puede apuntar aquí sin quitar antes las etiquetas para dejar texto plano. Conviene ser claro con el límite desde el principio: este motor pronuncia las palabras, no los controles acústicos finos que el SSML puede describir.

Qué es SSML y por qué existe

Speech Synthesis Markup Language es un estándar del W3C creado para que quien escribe describa cómo debe decir algo el motor de voz, no solo qué decir: dónde pausar, qué sílaba acentuar, cómo pronunciar una sigla, si una cadena de dígitos es una fecha, un teléfono o una cantidad simple. Ha sido durante años la convención de la industria para controlar el habla sintetizada, precisamente porque el texto plano es genuinamente ambiguo: «2/3» puede ser una fecha, una fracción o un marcador, y solo el marcado lo resuelve en abstracto. Ese es el formato que este endpoint acepta en la entrada; qué hace con cada etiqueta se describe con claridad en la sección siguiente.

Cómo funcionan la solicitud y la respuesta

Envíe texto marcado con SSML (o texto plano) en el cuerpo de la solicitud. El servicio extrae las palabras habladas del marcado y las sintetiza; las etiquetas se reducen a su texto antes de sintetizar. La tarea se encola de forma asíncrona y devuelve un task_id de inmediato; el audio se entrega después por webhook firmado o por un enlace firmado válido por 24 horas. Como lo que se sintetiza son las palabras, enviar SSML y enviar el texto plano equivalente produce la misma narración natural: el marcado se acepta por compatibilidad, no porque cada etiqueta cambie el sonido.

Qué representa este motor y qué no

Este es el límite honesto, dicho para que nada en esta página lo prometa de más. El motor de voz actual lee el contenido de texto y produce un habla natural y bien acompasada. No aplica de forma acústica los controles finos del SSML: el énfasis, la pronunciación fonética, la prosodia y las duraciones exactas de pausa se aceptan en la entrada y luego se retiran, no se representan. Así, una etiqueta de pausa de dos segundos no detiene la locución dos segundos, y una etiqueta de énfasis no acentúa esa palabra más de lo que el modelo haría por su cuenta. Si su uso depende de que esos controles se representen con precisión, esa capacidad todavía no está disponible en este motor: este endpoint existe para que un flujo con SSML produzca audio hoy sin una rama aparte de texto plano.

Cómo encaja en contenido automatizado

El SSML no es más que texto estructurado, así que es fácil generarlo de forma programática: un flujo de contenido puede envolver números en etiquetas, insertar pausas entre secciones o marcar un nombre con una pista fonética, sin intervención humana. El valor de este endpoint para ese público es que acepta tal cual el SSML que ya emiten: no tienen que construir y mantener una segunda vía de código que reduzca su marcado a texto plano antes de enviarlo. El precio refleja la naturaleza ligera y acotada de la tarea: una base pequeña por solicitud más una tarifa por cada 1000 caracteres del texto enviado, y las tareas fallidas nunca se cobran tras los reintentos automáticos.

Acceso y manejo de resultados

Este endpoint requiere saldo prepago, igual que todos los demás de la API; una solicitud sin saldo devuelve HTTP 402 en vez de un resultado parcial o degradado. El texto enviado y el audio generado se eliminan al finalizar el período de retención y nunca se usan para entrenar modelos; la entrega es estrictamente por su webhook o por un enlace firmado temporal, y nada se conserva más allá de esa ventana.