Ir al contenido principal
Español— Elegir un idioma
Menú

Narración y producción de contenidos de audio

Lección 11 de 14 Actualizado el 3 de noviembre de 2026 Intermedio
En esta página
  1. Convierte texto en contenido de audio profesional
  2. Pódcasts y boletines de audio
  3. E-learning y formación
  4. Notificaciones y alertas de voz
  5. Audiolibros y narración de formato largo
  6. Puntos clave

Precios a 3 de noviembre de 2026, según la página de Precios de xAI: el servicio TTS cuesta 15 $ por millón de caracteres. Fuente: Precios.

Convierte texto en contenido de audio profesional

Hasta hace poco, producir audio a gran escala implicaba contar con un estudio: un locutor, una cabina, un ingeniero de sonido y un presupuesto que limitaba los contenidos con voz a tus piezas estrella. Grok TTS desplaza ese límite. Pódcasts automatizados, artículos leídos en voz alta, módulos de formación, notificaciones de voz: la relación calidad-precio hace viables proyectos que antes se descartaban nada más ver el presupuesto.

Pódcasts y boletines de audio

Un canal de producción de pódcasts automatizado se reduce a cuatro pasos:

  1. Guion: tu LLM (Grok u otro) escribe el guion del pódcast, incluyendo etiquetas expresivas.
  2. Producción: el sistema TTS genera el audio con la voz y los efectos que hayas elegido.
  3. Postproducción: añadir una sintonía de entrada y salida, normalizar el volumen.
  4. Publicación: subir el contenido a tu plataforma de distribución.

La calidad del resultado se decide casi enteramente en el paso 1. Un guion escrito como un artículo suena a alguien leyendo un artículo; un guion escrito para el oído, con respiraciones y cambios de ritmo, suena a un programa. Así es como se ve el inicio de un episodio anotado:

[breath] Hola a todos y bienvenidos a vuestro resumen tecnológico semanal. [pause]

Hoy tenemos tres temas en el orden del día. [long-pause]

<emphasis>Primero</emphasis>, la última actualización de la API de Grok. [pause]
<emphasis>Segundo</emphasis>, las nuevas funciones de TTS. [pause]
Y <emphasis>tercero</emphasis>, las lecciones aprendidas al ejecutar el Agente de Voz en producción. [long-pause]

<build-intensity>Vamos directamente al primer tema.</build-intensity>

Tu elección de la voz define entonces el registro del programa. Rex encaja en un pódcast tecnológico profesional, Eve en un formato dinámico y de alta energía, Ara en un tono íntimo y conversacional, y Leo en un programa educativo donde los oyentes esperan una autoridad serena. Entre las voces más recientes, xAI enumera orion y lux para narración y cosmo para pódcasts. Escucha a tres o cuatro candidatos leyendo el mismo párrafo de tu guion antes de decidir: con treinta segundos de texto real, la elección correcta suele ser obvia.

E-learning y formación

Cada lección de un curso puede contar con una versión en audio, de modo que los alumnos puedan seguirla «estilo pódcast» en su trayecto al trabajo o mientras pasean. La economía es convincente: un curso de 10.000 palabras, aproximadamente 60.000 caracteres, cuesta unos 0,90 $ en locución. A ese precio, la pregunta ya no es qué módulos merecen una versión en audio, sino si hay alguna razón para no locutarlos todos.

El siguiente paso es combinar los dos bloques de construcción. El TTS lee las instrucciones del ejercicio, el Agente de Voz escucha la respuesta del alumno, y el modelo la evalúa y ofrece retroalimentación hablada inmediata. Obtienes un compañero de práctica oral disponible las 24 horas, especialmente útil para idiomas, presentaciones de ventas o preparación de entrevistas.

Luego está la accesibilidad, que a menudo es un requisito legal y no un extra. El TTS hace que tus contenidos escritos sean utilizables por personas con baja visión o dislexia, y un botón de «Escuchar este artículo» en tus páginas genera el audio al vuelo, sin necesidad de producción ni almacenamiento previos.

Notificaciones y alertas de voz

Algunos mensajes deben llegar a personas que no están mirando una pantalla. Un servidor que se cae a las 3 de la mañana activa una alerta de voz en el teléfono del ingeniero de guardia; un asistente lee las citas del día; una llamada automatizada confirma un pedido repasando sus detalles.

Estos mensajes son breves, por lo que el modo HTTP es más que suficiente:

import requests

def generate_voice_alert(message, language="en"):
    response = requests.post(
        "https://api.x.ai/v1/tts",
        headers={"Authorization": f"Bearer {API_KEY}"},
        json={
            "text": message,
            "voice_id": "leo",
            "language": language,
            "output_format": {"codec": "wav", "sample_rate": 8000}
        }
    )
    return response.content  # bytes de audio en bruto

WAV a 8000 Hz no es una elección de calidad, sino de compatibilidad: es el formato que esperan los sistemas telefónicos, y entregarlo directamente evita un paso de transcodificación que degradaría la señal.

Audiolibros y narración de formato largo

Para un libro o un informe de decenas de páginas, cambia al modo WebSocket. El método: divide el texto en capítulos o secciones, envía cada sección con text.delta, recopila y concatena los fragmentos de audio que recibes y, finalmente, añade metadatos al archivo resultante, como marcadores de capítulo y un índice.

La coherencia de la voz se convierte entonces en una cuestión en sí misma, ya que los oyentes pasan horas con el narrador y notan la más mínima ruptura. Mantén exactamente la misma voz para el mismo narrador de principio a fin. Inserta [long-pause] entre capítulos para marcar las transiciones que el ojo solía captar gracias al maquetado. Y varía el ritmo donde el significado lo requiera: <slow> en un pasaje denso que necesita tiempo para calar, <fast> en una transición o una lista secundaria.

Puntos clave

  • El TTS hace posible la producción de audio a gran escala: pódcasts, e-learning, notificaciones, audiolibros.
  • Las etiquetas expresivas dan vida a la narración con pausas, cambios de ritmo y efectos vocales.
  • A 15 $ por millón de caracteres (precios de xAI a 3 de noviembre de 2026), el coste es modesto en comparación con la grabación en estudio.
  • Combina TTS (narración) y el Agente de Voz (interacción) para crear experiencias de aprendizaje completas.
  • Para textos largos, utiliza WebSocket y divide el texto en secciones.