Herramientas de diálogo
Genera voz con la herramienta generate_dialogue. Elige uno de cuatro proveedores con el parámetro provider:
- ElevenLabs v3 (
provider: "elevenlabs", opción por defecto): 26 voces con nombre humano, la prosodia más natural. Una voz por llamada. - Google Gemini 3.1 Flash TTS (
provider: "google"o"gemini"): 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. Una voz por llamada. - Gemini 3.8 Flash TTS (
provider: "gemini-3.8"): una conversación entre dos hablantes en una sola llamada, con un estilo de interpretación por línea y etiquetas entre corchetes angulares como<laugh>. 70 voces. - Seed 1.0 Audio (
provider: "seed"): audio generativo a partir de un prompt. En lugar de elegir una voz, describes en prosa las voces, los efectos de sonido y la música, y puedes clonar hasta 3 voces a partir de referencias de audio.
Las tarifas cambian según el proveedor y esta documentación no las fija: consúltalas en get_models (filtrar model_type: "speech") o llama a estimate antes de generar. ElevenLabs, Gemini 3.1 y Gemini 3.8 cobran por cada 1000 caracteres; Seed cobra por segundo de audio generado.
Para doblar un vídeo existente a otros idiomas, usa generate_dubbing más abajo.
#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
| ID de voz | Descripción | Vista previa |
|---|---|---|
| Rachel | Estadounidense, calmada y articulada | |
| Aria | Estadounidense, expresiva y ronca | |
| Domi | Joven estadounidense, fuerte y segura | |
| Sarah | Joven estadounidense, suave y cálida | |
| Jane | Australiana, madura y digna | |
| Juniper | Estadounidense, natural y articulada | |
| Arabella | Narradora británica misteriosa | |
| Hope | Estadounidense, brillante y optimista | |
| Blondie | Estadounidense, conversacional y casual | |
| Priyanka | India, sensual y reconfortante | |
| Alexandra | Joven estadounidense, conversacional | |
| Monika | India, voz profunda y natural |
#Voces masculinas
| ID de voz | Descripción | Vista previa |
|---|---|---|
| Drew | Narrador estadounidense equilibrado | |
| Clyde | Personaje veterano de guerra, voz áspera | |
| Paul | Reportero de campo con tono autoritario | |
| Dave | Joven británico, tono conversacional | |
| Roger | Estadounidense elegante, tono ejecutivo | |
| Fin | Personaje marinero con acento irlandés | |
| James | Narrador australiano calmado | |
| Bradford | Británico teatral y articulado | |
| Reginald | Personaje británico intenso y dramático | |
| Gaming | Personaje de videojuego, animado y enérgico | |
| Austin | Estadounidense rural, tono relajado | |
| Kuon | Voz de personaje alegre y constante | |
| Mark | Estadounidense, tono casual y relajado | |
| Grimblewood | Personaje de fantasía, voz grave y rasposa |
#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
| ID de voz | Carácter | Vista previa |
|---|---|---|
| Kore | Firme | |
| Zephyr | Brillante | |
| Leda | Juvenil | |
| Aoede | Desenvuelta | |
| Callirrhoe | Tranquila | |
| Autonoe | Brillante | |
| Despina | Suave | |
| Erinome | Clara | |
| Laomedeia | Optimista | |
| Achernar | Delicada | |
| Gacrux | Madura | |
| Pulcherrima | Directa | |
| Vindemiatrix | Amable | |
| Sulafat | Cálida |
#Voces masculinas
| ID de voz | Carácter | Vista previa |
|---|---|---|
| Puck | Optimista | |
| Charon | Informativo | |
| Fenrir | Excitable | |
| Orus | Firme | |
| Enceladus | Susurrante | |
| Iapetus | Claro | |
| Umbriel | Tranquilo | |
| Algenib | Grave | |
| Algieba | Suave | |
| Schedar | Uniforme | |
| Achird | Amigable | |
| Zubenelgenubi | Casual | |
| Sadachbia | Animado | |
| Sadaltager | Experto | |
| Alnilam | Firme | |
| Rasalgethi | Informativo |
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.
<a id="gemini-3-8"></a>
#Gemini 3.8 Flash TTS
Pasa provider: "gemini-3.8". Es el proveedor indicado para una conversación entre dos voces, o para una sola voz cuya interpretación cambia de una línea a otra. La salida es un WAV (24 kHz mono).
- Simple:
text+voice(por defectoFola), constyle_promptcomo la interpretación de esa línea. - Diálogo:
speakerses una lista de 1 o 2 elementos,[{"voice": "Fola"}, {"voice": "Zephyr"}], numerados Speaker 1 y Speaker 2 por orden.dialogue_turnses el guion ordenado,[{"speaker": "Speaker 1", "text": "...", "style": "slow and dry"}, ...], con un máximo de 50 turnos. El hablante de cada turno debe estar declarado enspeakers. Si haydialogue_turns,textse ignora. stylepor turno (opcional): tono, emoción o ritmo descritos libremente, por ejemplo"tired night-shift radio host, slow and dry". Hasta 500 caracteres por turno y 2000 en total.filler_words: trueañade titubeos naturales como «eh» o «mmm». Solo funciona con dos hablantes.- Las etiquetas van entre corchetes angulares, dentro del texto del turno:
<laugh>,<sigh>,<whispers>,<short pause>,<long pause>,<gasp>,<chuckle>,<breath>,<cough>,<yawn>y el resto de las 40 etiquetas admitidas. Este modelo no interpreta las etiquetas entre[corchetes]. - Sin
language_code: el modelo deduce el idioma del texto. - Límite: hasta 5000 caracteres entre todos los turnos, etiquetas incluidas. Las voces o hablantes desconocidos se rechazan antes de cobrar.
- Facturación: por cada 1000 caracteres del texto de los turnos, etiquetas incluidas, con un mínimo de 1 crédito.
Voces (70), agrupadas por uso:
| Uso | Voces |
|---|---|
| Tutor | Bodi, Lumi, Sadaltager, Sola, Sulafat, Varo, Zephyr |
| Locución comercial | Koda, Kore, Nika, Tavi, Zeno |
| Formativo | Algenib, Despina, Erinome, Kira, Ludo, Mako, Rasalgethi, Rina |
| Podcast | Alnilam, Brio, Jori, Laomedeia, Rami, Veda |
| Narrador | Achird, Enzo, Riko, Sami, Zali, Zubenelgenubi |
| Asistente digital | Algieba, Aoede, Autonoe, Callirrhoe, Enceladus, Gero, Iapetus, Neno, Olin, Tari, Umbriel |
| Centro de llamadas | Achernar, Charon, Daro, Fola, Hali, Milo, Puck |
| Conserjería | Arlo, Cleo, Fenrir, Finn, Leda, Lora, Orus |
| Soporte técnico | Enya, Jett, Knox, Nyla, Sadachbia, Vindemiatrix |
| Profesional | Cruz, Elio, Gacrux, Pulcherrima, Schedar, Tova, Zuri |
Llama a get_limits_for_model('gemini-3-8-flash-tts') para la lista actual.
<a id="seed"></a>
#Seed 1.0 Audio
Pasa provider: "seed". Seed parte de un prompt: text es un «guion de director» libre que puede generar a la vez voces, efectos de sonido y música de fondo, no una voz fija que lee palabra por palabra. No hay parámetro voice, las etiquetas [...] no se usan y los parámetros de ajuste de ElevenLabs no se aplican. Describe cada voz (género, edad, acento, timbre, emoción) en la prosa. Carga el skill seed-audio-prompting antes de escribir el prompt; una frase escueta da un resultado escueto.
text(obligatorio): el prompt, hasta 2048 caracteres.- Referencias (opcional; imagen y audio no se pueden mezclar):
- una imagen, como
image_url(HTTPS) oimage_dataen base64, que orienta la voz y el ambiente; o - hasta 3 referencias de audio para clonar voces, como
audio_references: una lista en la que cada elemento es uno de{"audio_url": "..."},{"audio_data": "<base64>"}o{"speaker": "..."}, cada clip de 30 segundos como máximo. Marca cada voz clonada entext, por orden de subida, con<<TGT_SPK1>>,<<TGT_SPK2>>,<<TGT_SPK3>>(por ejemploMarcus (..., the actor is <<TGT_SPK1>>) says: "..."). También se aceptan@Voice1,@Audio1y@Speaker1, que se normalizan en el servidor.
- una imagen, como
audio_config(opcional):format(mp3,wav,ogg_opus,pcm),sample_rate,speech_rate(de -50 a 100),loudness_rate(de -50 a 100),pitch_rate(de -12 a 12).- Límites: cada referencia hasta 10 MB, como máximo 3 referencias de audio o 1 imagen, y el audio generado dura como mucho 120 segundos.
- Facturación: por segundo de audio generado (con tope de 120 segundos), mínimo 1 crédito.
Ejemplo (Seed, dos voces descritas en prosa):
{
"provider": "seed",
"text": "A quiet coffee shop at dawn, soft rain on the windows. A warm, low-voiced barista in her fifties says: \"First cup's on the house.\" A sleepy young man laughs and answers: \"You say that every morning.\""
}
#generate_dialogue
Genera un clip de voz.
Parámetros:
| Parámetro | Tipo | Obligatorio | Descripción |
|---|---|---|---|
text (o prompt) | string | Sí (salvo Gemini 3.8 con dialogue_turns) | ElevenLabs: de 5 a 5000 caracteres (tras eliminar las etiquetas [bracket]). Google: hasta 4000 bytes (UTF-8), etiquetas [tags] en línea conservadas. Gemini 3.8: hasta 5000 caracteres, etiquetas incluidas. Seed: el prompt, hasta 2048 caracteres. |
provider | string | No | elevenlabs (por defecto), google (o gemini), gemini-3.8 o seed. |
voice | string | No | ID de voz para el proveedor elegido. Por defecto: Rachel (ElevenLabs) / Kore (Google) / Fola (Gemini 3.8). Seed no lo usa. |
speakers | array | No | Solo Gemini 3.8. 1 o 2 elementos {"voice": "..."}, numerados Speaker 1 y Speaker 2 por orden. |
dialogue_turns | array | No | Solo Gemini 3.8. Elementos ordenados {"speaker", "text", "style"}, hasta 50. |
filler_words | boolean | No | Solo Gemini 3.8. Añade titubeos naturales; solo con dos hablantes. Por defecto false. |
image_url / image_data | string | No | Solo Seed. Una referencia de imagen (URL HTTPS o base64). No se combina con referencias de audio. |
audio_references | array | No | Solo Seed. Hasta 3 referencias para clonar voces. |
audio_config | object | No | Solo Seed. Formato de salida, frecuencia de muestreo, velocidad del habla, volumen y tono. |
style_prompt | string | No | Google y Gemini 3.8. Instrucción de entrega en lenguaje natural (tono, ritmo, acento, emoción, personaje). Google: hasta 4000 bytes; text + style_prompt deben ser ≤ 8000 bytes en total. Por defecto: Say the following. Gemini 3.8: la interpretación de una petición simple de una sola línea. |
language_code | string | No | ElevenLabs: código ISO (por defecto en; 29 aceptados). Google: código BCP-47 (por defecto en-US) o auto. Gemini 3.8 y Seed no lo usan. |
stability | number | No | Solo ElevenLabs. 0..1, por defecto 0.5. Más alto = más estable, más bajo = más expresivo. |
similarity_boost | number | No | Solo ElevenLabs. 0..1, por defecto 0.75. |
style | number | No | Solo ElevenLabs. 0..1, por defecto 0. Exageración del estilo. |
speed | number | No | Solo ElevenLabs. 0.7..1.2, por defecto 1.0. |
previous_text / next_text | string | No | Solo ElevenLabs. Contexto circundante para mantener la prosodia coherente entre fragmentos encadenados. |
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 (Gemini 3.8, dos hablantes):
{
"provider": "gemini-3.8",
"speakers": [{ "voice": "Fola" }, { "voice": "Zephyr" }],
"dialogue_turns": [
{ "speaker": "Speaker 1", "text": "¿Has oído eso? <short pause> Algo se ha movido.", "style": "nervous, whispering" },
{ "speaker": "Speaker 2", "text": "<laugh> Es el gato. Siempre es el gato.", "style": "amused, relaxed" }
],
"filler_words": true
}
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_status.
#Escenas multivoz
Para una conversación entre dos hablantes, usa Gemini 3.8 (provider: "gemini-3.8") con speakers y dialogue_turns: todo el intercambio llega en un único archivo. Seed también puede poner voz a varios personajes en un mismo prompt. ElevenLabs y Gemini 3.1 son monovoz: 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_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").
<a id="generate_dubbing"></a>
#generate_dubbing
Traduce y vuelve a locutar la voz que ya está en un vídeo, y devuelve un MP4 doblado por idioma. Dos motores: sonilo-dubbing (por defecto) y elevenlabs-dubbing (ElevenLabs, más de 90 idiomas, rumano incluido, clonación de voz y una tarifa por segundo más baja). No crea música, efectos ni subtítulos, y no puede añadir voz a un clip sin sonido. Es el modelo más caro de la plataforma y las generaciones no se reembolsan, así que pide antes una cotización con estimate y la aprobación explícita del usuario.
Parámetros:
| Parámetro | Tipo | Obligatorio | Descripción |
|---|---|---|---|
video_url | string | Sí | URL HTTPS del clip, de hasta 300 segundos. Para un archivo local, llama a get_upload_url(model_id=<id del motor>), deja que el usuario lo suba y luego get_upload_session(token); subirlo así también mide la duración, lo que hace exacto el precio. |
languages | array | Sí | Uno o varios de en, zh_cn, ja, ko, pt, pt_br, es, es_419, de, fr, it, ru, th, ar, tr, vi, id. Sin valor por defecto. pt_br es portugués de Brasil y es_419 español latinoamericano; pt y es a secas son opciones aparte, no sinónimos. El rumano no está disponible en Sonilo. Para elevenlabs-dubbing: códigos BCP-47 como es, es-MX, pt-BR, fr-CA, ro, pl, hi, de 1 a 10 por ejecución; la lista completa está en get_models. Pregunta al usuario qué idiomas quiere, porque cada uno se cobra completo. |
model | string | No | sonilo-dubbing (por defecto) o elevenlabs-dubbing. Las opciones de un motor se rechazan en el otro. |
ducking | boolean | No | Solo Sonilo. Baja la música y los efectos del propio clip mientras habla la voz doblada. Gratis, por defecto false. |
source_language | string | No | Solo ElevenLabs. El idioma hablado en el clip, o auto (por defecto) para detectarlo. |
cloning_strength | integer | No | Solo ElevenLabs. De 0 a 10, por defecto 7: cuánto se parecen las voces dobladas a las originales. Un valor más bajo da una locución más natural en el idioma de destino. |
duration_seconds | number | No | Duración del clip, si no se conoce ya por una subida o por una generación propia. |
Facturación: segundos del clip multiplicados por el número de idiomas, a la tarifa por segundo del motor elegido. Sonilo aplica un mínimo de 10 segundos al total y no a cada idioma; ElevenLabs no tiene mínimo. Tres idiomas cuestan el triple que uno. Cotízalo con estimate(model=<id del motor>, reference_video_seconds=<segundos del clip>, variant_count=<número de idiomas>).
Respuesta: {generation_id, status: "pending", languages}. Consulta get_status hasta completed o failed: la consulta es también lo que cierra la ejecución, así que no la abandones a medias. El campo metadata.language de cada resultado indica su idioma.
#Créditos y límites
- Coste: consulta la tarifa vigente en
get_modelso llama a estimate; cada proveedor tiene la suya. ElevenLabs, Gemini 3.1 y Gemini 3.8 cobran por cada 1000 caracteres (redondeo: decimal ≤ 0.3 al suelo, > 0.3 al techo; en Gemini 3.8 las etiquetas cuentan como caracteres). Seed cobra por segundo de audio generado, con tope de 120 segundos. - Mínimo: 1 crédito para cualquier petición no vacía.
- Longitud mínima: 5 caracteres tras eliminar las etiquetas de audio.
- Longitud máxima: ElevenLabs 5000 caracteres; Google 4000 bytes para
text(y ≤ 8000 bytes paratext+style_promptcombinados); Gemini 3.8 5000 caracteres entre todos los turnos, etiquetas incluidas; Seed 2048 caracteres de prompt.
Consulta Limitaciones para más detalles.

