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 vozDescripciónVista previa
    RachelEstadounidense, calmada y articulada
    AriaEstadounidense, expresiva y ronca
    DomiJoven estadounidense, fuerte y segura
    SarahJoven estadounidense, suave y cálida
    JaneAustraliana, madura y digna
    JuniperEstadounidense, natural y articulada
    ArabellaNarradora británica misteriosa
    HopeEstadounidense, brillante y optimista
    BlondieEstadounidense, conversacional y casual
    PriyankaIndia, sensual y reconfortante
    AlexandraJoven estadounidense, conversacional
    MonikaIndia, voz profunda y natural

    #Voces masculinas

    ID de vozDescripciónVista previa
    DrewNarrador estadounidense equilibrado
    ClydePersonaje veterano de guerra, voz áspera
    PaulReportero de campo con tono autoritario
    DaveJoven británico, tono conversacional
    RogerEstadounidense elegante, tono ejecutivo
    FinPersonaje marinero con acento irlandés
    JamesNarrador australiano calmado
    BradfordBritánico teatral y articulado
    ReginaldPersonaje británico intenso y dramático
    GamingPersonaje de videojuego, animado y enérgico
    AustinEstadounidense rural, tono relajado
    KuonVoz de personaje alegre y constante
    MarkEstadounidense, tono casual y relajado
    GrimblewoodPersonaje 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 vozCarácterVista previa
    KoreFirme
    ZephyrBrillante
    LedaJuvenil
    AoedeDesenvuelta
    CallirrhoeTranquila
    AutonoeBrillante
    DespinaSuave
    ErinomeClara
    LaomedeiaOptimista
    AchernarDelicada
    GacruxMadura
    PulcherrimaDirecta
    VindemiatrixAmable
    SulafatCálida

    #Voces masculinas

    ID de vozCarácterVista previa
    PuckOptimista
    CharonInformativo
    FenrirExcitable
    OrusFirme
    EnceladusSusurrante
    IapetusClaro
    UmbrielTranquilo
    AlgenibGrave
    AlgiebaSuave
    SchedarUniforme
    AchirdAmigable
    ZubenelgenubiCasual
    SadachbiaAnimado
    SadaltagerExperto
    AlnilamFirme
    RasalgethiInformativo

    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 defecto Fola), con style_prompt como la interpretación de esa línea.
    • Diálogo: speakers es una lista de 1 o 2 elementos, [{"voice": "Fola"}, {"voice": "Zephyr"}], numerados Speaker 1 y Speaker 2 por orden. dialogue_turns es 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 en speakers. Si hay dialogue_turns, text se ignora.
    • style por 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: true añade 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:

    UsoVoces
    TutorBodi, Lumi, Sadaltager, Sola, Sulafat, Varo, Zephyr
    Locución comercialKoda, Kore, Nika, Tavi, Zeno
    FormativoAlgenib, Despina, Erinome, Kira, Ludo, Mako, Rasalgethi, Rina
    PodcastAlnilam, Brio, Jori, Laomedeia, Rami, Veda
    NarradorAchird, Enzo, Riko, Sami, Zali, Zubenelgenubi
    Asistente digitalAlgieba, Aoede, Autonoe, Callirrhoe, Enceladus, Gero, Iapetus, Neno, Olin, Tari, Umbriel
    Centro de llamadasAchernar, Charon, Daro, Fola, Hali, Milo, Puck
    ConserjeríaArlo, Cleo, Fenrir, Finn, Leda, Lora, Orus
    Soporte técnicoEnya, Jett, Knox, Nyla, Sadachbia, Vindemiatrix
    ProfesionalCruz, 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) o image_data en 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 en text, por orden de subida, con <<TGT_SPK1>>, <<TGT_SPK2>>, <<TGT_SPK3>> (por ejemplo Marcus (..., the actor is <<TGT_SPK1>>) says: "..."). También se aceptan @Voice1, @Audio1 y @Speaker1, que se normalizan en el servidor.
    • 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:

    ParámetroTipoObligatorioDescripción
    text (o prompt)stringSí (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.
    providerstringNoelevenlabs (por defecto), google (o gemini), gemini-3.8 o seed.
    voicestringNoID de voz para el proveedor elegido. Por defecto: Rachel (ElevenLabs) / Kore (Google) / Fola (Gemini 3.8). Seed no lo usa.
    speakersarrayNoSolo Gemini 3.8. 1 o 2 elementos {"voice": "..."}, numerados Speaker 1 y Speaker 2 por orden.
    dialogue_turnsarrayNoSolo Gemini 3.8. Elementos ordenados {"speaker", "text", "style"}, hasta 50.
    filler_wordsbooleanNoSolo Gemini 3.8. Añade titubeos naturales; solo con dos hablantes. Por defecto false.
    image_url / image_datastringNoSolo Seed. Una referencia de imagen (URL HTTPS o base64). No se combina con referencias de audio.
    audio_referencesarrayNoSolo Seed. Hasta 3 referencias para clonar voces.
    audio_configobjectNoSolo Seed. Formato de salida, frecuencia de muestreo, velocidad del habla, volumen y tono.
    style_promptstringNoGoogle 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_codestringNoElevenLabs: 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.
    stabilitynumberNoSolo ElevenLabs. 0..1, por defecto 0.5. Más alto = más estable, más bajo = más expresivo.
    similarity_boostnumberNoSolo ElevenLabs. 0..1, por defecto 0.75.
    stylenumberNoSolo ElevenLabs. 0..1, por defecto 0. Exageración del estilo.
    speednumberNoSolo ElevenLabs. 0.7..1.2, por defecto 1.0.
    previous_text / next_textstringNoSolo 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:

    ParámetroTipoObligatorioDescripción
    video_urlstringSíURL 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.
    languagesarraySíUno 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.
    modelstringNosonilo-dubbing (por defecto) o elevenlabs-dubbing. Las opciones de un motor se rechazan en el otro.
    duckingbooleanNoSolo Sonilo. Baja la música y los efectos del propio clip mientras habla la voz doblada. Gratis, por defecto false.
    source_languagestringNoSolo ElevenLabs. El idioma hablado en el clip, o auto (por defecto) para detectarlo.
    cloning_strengthintegerNoSolo 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_secondsnumberNoDuración 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_models o 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 para text + style_prompt combinados); Gemini 3.8 5000 caracteres entre todos los turnos, etiquetas incluidas; Seed 2048 caracteres de prompt.

    Consulta Limitaciones para más detalles.