Herramientas de diálogo

Genera audio TTS de una sola voz en Replicate. La herramienta generate_dialogue acepta un texto y una voz por llamada (las escenas multivoz se producen encadenando varias llamadas) y admite dos proveedores:

• ElevenLabs v3 (provider: "elevenlabs", opción por defecto): 26 voces con nombre humano, la prosodia más natural.
• Google Gemini 3.1 Flash TTS (provider: "google"): 30 voces, más de 70 idiomas, un prompt de estilo en lenguaje natural y etiquetas expresivas en línea ([sigh], [laughing], [whispering], [shouting], [extremely fast], [like dracula]) que se interpretan realmente.

Ambos tienen la misma tarifa (26 créditos / 1000 caracteres). El catálogo completo también está disponible mediante get_models (filtrar model_type: "speech").

#ElevenLabs v3 (por defecto)

elevenlabs/v3 acepta estas 26 voces (sensibles a mayúsculas). Cualquier valor fuera de esta lista se rechaza con 400 Unsupported voice y no se cobra ningún crédito. Las etiquetas de audio como [laughs] se eliminan en el servidor antes de la síntesis (no se pronuncian).

#Voces femeninas

#Voces masculinas

#Google Gemini 3.1 Flash TTS

Pasa provider: "google". Gemini añade un prompt de estilo en lenguaje natural (define el tono, ritmo, acento, emoción o un personaje) e interpreta las [etiquetas] en línea en lugar de eliminarlas. Acepta 30 voces (sensibles a mayúsculas) y códigos de idioma BCP-47.

Las etiquetas en línea se interpretan, no se eliminan: [sigh], [laughing], [uhm], [whispering], [shouting], [sarcasm], [robotic], [extremely fast], [short pause] / [medium pause] / [long pause], y etiquetas descriptivas libres como [like dracula] o [excitedly].

#Voces femeninas

#Voces masculinas

Idiomas: Códigos BCP-47 (p. ej. en-US, en-GB, es-ES, es-MX, pt-BR, fr-FR, de-DE, it-IT, ja-JP, ko-KR, hi-IN, ar-001, ru-RU, ro-RO, tr-TR, vi-VN, th-TH y más de 70 adicionales), o auto para detectar automáticamente. Por defecto en-US. Llama a get_limits_for_model('text-to-dialogue-gemini') para la lista completa.

#generate_dialogue

Genera un clip TTS de una sola voz.

Parámetros:

ElevenLabs elimina [HEY] / [laughs] / [whispers] antes de la síntesis. Google interpreta las etiquetas en línea (ver la lista de etiquetas arriba).

Ejemplo (Google Gemini):

{
  "provider": "google",
  "text": "[whispering] I have a secret. [laughing] Just kidding!",
  "voice": "Callirrhoe",
  "style_prompt": "Speak playfully, like sharing a fun secret with a friend.",
  "language_code": "en-US"
}

Ejemplo (ElevenLabs):

{
  "text": "¡Bienvenido de nuevo! ¿Listo para generar?",
  "voice": "Rachel",
  "stability": 0.5,
  "language_code": "es"
}

Respuesta: Devuelve un generation_id. Consulta el progreso con get_generation_status.

#Escenas multivoz

generate_dialogue es monovoz. Para un diálogo entre dos hablantes, llama la herramienta una vez por línea (ElevenLabs: pasa previous_text / next_text para continuidad prosódica) y concatena después los archivos de audio resultantes.

#get_generation_status

Usa el generation_id devuelto por generate_dialogue para consultar el progreso. Cuando el estado sea completed, la URL del archivo de audio estará en el array outputs (media_type: "audio").

#Créditos y límites

• Coste: 26 créditos por cada 1000 caracteres, ambos proveedores (redondeo: decimal ≤ 0.3 al suelo, > 0.3 al techo).
• Mínimo: 1 crédito para cualquier texto no vacío.
• Longitud mínima: 5 caracteres tras eliminar las etiquetas de audio.
• Longitud máxima: ElevenLabs 5000 caracteres; Google 4000 bytes para text (y ≤ 8000 bytes para text + style_prompt combinados).

Consulta Limitaciones para más detalles.