Ir al contenido principal
Español— Elegir un idioma
Menú

Voces disponibles y personalización

Lección 11 de 18 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Voces disponibles y personalización
  2. Voces estándar
  3. Voces en la API en tiempo real
  4. Influencia en el estilo mediante texto
  5. Puntos clave

Actualización 2 de noviembre de 2026 — Modelos de audio. Varios modelos de este curso están obsoletos: tts-1, tts-1-hd y gpt-4o-mini-tts dejarán de funcionar el 6 de enero de 2027 (sustituto: gpt-realtime-2.1-mini, que la guía de TTS de OpenAI indica que no es compatible con /v1/audio/speech: la migración de TTS requiere la API en tiempo real); gpt-realtime, gpt-4o-realtime y los modelos de audio heredados el 20 de enero de 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe y /v1/audio/translations el 26 de febrero de 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Para la comunicación full-duplex por voz, GPT-Live 1 está disponible en la API desde el 10 de septiembre de 2026. Lección corregida el 3 de noviembre de 2026: las “seis voces principales” y sus personalidades ya no coincidían con la documentación, que enumera 13 voces para gpt-4o-mini-tts, 9 para tts-1 y tts-1-hd, y 10 para la API en tiempo real; gpt-4o-mini-tts acepta instrucciones de estilo (instructions); la voz en una sesión en tiempo real se fija hasta la primera respuesta de audio. Fuentes: Text to speech · Realtime conversations.

Voces disponibles y personalización

La elección de la voz es fundamental para la experiencia de usuario de tu agente de voz. Una voz que encaje con el contexto —profesional para atención al cliente, cálida para un asistente personal— transforma la percepción que los usuarios tienen del agente. La API de TTS ofrece varias voces distintas, cada una con su propio carácter y puntos fuertes.

Voces estándar

La documentación de OpenAI enumera 13 voces integradas, cuya disponibilidad varía según el modelo:

Vozgpt-4o-mini-ttstts-1, tts-1-hdAPI en tiempo real
alloy, ash, coral, echo, sage, shimmerSíSíSí
fable, nova, onyxSíSíNo
ballad, verseSíNoSí
marin, cedarSí, recomendadasNoSí, recomendadas

OpenAI recomienda marin o cedar para obtener la máxima calidad y señala que las voces están optimizadas para inglés. En lugar de confiar en descripciones, escúchalas en francés en OpenAI.fm, el sitio de demostración de OpenAI, usando tus propias frases: un timbre que suena genial en inglés puede decepcionar con el nombre de una calle o un número.

La selección de la voz puede ser dinámica en función del tipo de contenido. La siguiente tabla es un ejemplo para rellenar tras escucharlas, utilizando voces que tts-1 también acepta:

def select_voice(context: str, tone: str = "professional") -> str:
    """Selecciona la voz óptima según el contexto."""
    voice_map = {
        "customer_service": {
            "professional": "nova",
            "warm": "shimmer",
            "authoritative": "onyx"
        },
        "education": {
            "professional": "echo",
            "warm": "fable",
            "authoritative": "onyx"
        },
        "narration": {
            "professional": "onyx",
            "warm": "echo",
            "authoritative": "onyx"
        },
        "notification": {
            "professional": "alloy",
            "warm": "shimmer",
            "authoritative": "nova"
        }
    }

    return voice_map.get(context, {}).get(tone, "alloy")

# Ejemplos
voice = select_voice("customer_service", "warm")    # → shimmer
voice = select_voice("education", "professional")    # → echo
voice = select_voice("narration", "authoritative")   # → onyx

Voces en la API en tiempo real

TTS y la API en tiempo real comparten una familia de voces común, pero cada una tiene su propio conjunto: la API en tiempo real añade marin y cedar (las dos recomendadas) y no acepta ciertas voces de TTS como nova u onyx. Defines la voz en session.update:

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"voice": "marin"}}
    }
}))

Elige la voz al crear la sesión o en un response.create: una vez que el modelo produce audio, no puedes cambiarla para esa sesión. Para cambiar de voz, abre una nueva sesión.

Influencia en el estilo mediante texto

Con gpt-4o-mini-tts, controlas el estilo primero mediante instrucciones en lenguaje natural (instructions): acento, emoción, entonación, velocidad, tono, susurro (Lección 13). tts-1 y tts-1-hd no aceptan esto; te quedas con la puntuación y el formato del texto:

# Tono neutro
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Tono entusiasta (exclamaciones)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Tono calmado (frases largas, comas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Pausa explícita (raya de diálogo o puntos suspensivos)
text_dramatic = "The result is... extraordinary."

# Énfasis mediante capitalización parcial
text_emphasis = "This is EXACTLY what you need."

Uso de efectos similares a SSML mediante texto

La documentación no incluye SSML, pero puedes simular algunos efectos:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formatea el texto para optimizar la renderización de TTS."""
    # Añade pausas mediante puntos suspensivos
    if pauses:
        for marker, duration in pauses.items():
            dots = "..." if duration == "short" else "....."
            text = text.replace(marker, dots)

    return text

formatted = format_for_tts(
    "Final result: [pause] you passed the test.",
    pauses={"[pause]": "short"}
)
# → "Final result: ... you passed the test."

Puntos clave

  • 13 voces para gpt-4o-mini-tts, 9 para tts-1 y tts-1-hd, 10 para la API en tiempo real; marin y cedar están recomendadas
  • gpt-4o-mini-tts acepta instrucciones de estilo (instructions); los modelos antiguos solo responden a la puntuación
  • La elección de la voz depende del contexto: atención al cliente, educación, narración, notificaciones
  • No puedes cambiar la voz a mitad de sesión en la API en tiempo real
  • La puntuación afecta directamente a la prosodia: los signos de exclamación, los puntos suspensivos y las rayas crean efectos
  • Prueba siempre las voces con tu contenido real antes de tomar una decisión final