TTS

Documentation Index

Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt

Use this file to discover all available pages before exploring further.

​

Introducción

• Narración de artículos de blog escritos
• Generación de audio de voz en múltiples idiomas
• Provisión de flujos de audio en tiempo real

​

Modelos disponibles

​

Modelos de OpenAI

• gpt-4o-audio-preview — El modelo más reciente de generación de audio de OpenAI, compatible con la generación de audio conversacional
• gpt-4o-mini-tts — El modelo preferido para aplicaciones inteligentes en tiempo real; admite control avanzado de voz y permite controlar diversas características vocales mediante prompts:
  1. Acento
  2. Rango emocional
  3. Entonación
  4. Imitaciones/estilo
  5. Velocidad del habla
  6. Tono
  7. Susurro
• tts-1-hd — Modelo TTS de generación anterior con calidad de audio de alta definición
• tts-1 — Modelo TTS estándar que equilibra calidad y velocidad

​

Modelos de Gemini

• gemini-2.5-flash-preview-tts — Modelo TTS rápido de Gemini, compatible con generación de audio de un solo locutor o múltiples locutores
• gemini-2.5-pro-preview-tts — Modelo TTS profesional de Gemini, compatible con generación de audio de un solo locutor o múltiples locutores

1. Para el tiempo de respuesta más rápido, se recomienda usar wav o pcm como formato de respuesta
2. Para audio de alta calidad, usa tts-1-hd
3. Para mayor velocidad de generación, usa tts-1
4. Para aplicaciones inteligentes de voz, se recomienda gpt-4o-mini-tts
5. Para escenarios que requieran diálogos de múltiples locutores, se recomiendan los modelos TTS de Gemini

​

Endpoint de la API

​

URL de la solicitud

POST https://aihubmix.com/v1/audio/speech

​

Cabeceras de la solicitud

Authorization: Bearer $AIHUBMIX_API_KEY
Content-Type: application/json

​

Parámetros de la solicitud

​

Parámetros estándar de TTS

​

Parámetros para gpt-4o-audio-preview

​

Lista de voces

​

Voces de OpenAI

• alloy - Neutra, equilibrada
• ash - Clara, profesional
• ballad - Cálida, narrativa
• coral - Amistosa, cercana
• echo - Clara, brillante
• fable - Expresiva, dramática
• onyx - Profunda, autoritaria
• nova - Animada, enérgica
• sage - Madura, instruida
• shimmer - Suave, relajante
• verse - Clara, versátil
• marin - Natural, amistosa
• cedar - Estable, fiable

​

Voces de Gemini

​

Mapeo de voces

​

Ejemplos de uso

​

Modelo TTS estándar (OpenAI)

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "The quick brown fox jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3

​

Modelo TTS de Gemini (un solo locutor)

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "Say cheerfully: Have a wonderful day!",
    "voice": "Kore",
    "response_format": "wav"
  }' \
  --output speech.wav

​

Modelo TTS de Gemini (múltiples locutores, controlado mediante prompts)

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-2.5-flash-preview-tts",
    "input": "TTS the following conversation between Joe and Jane:\nJoe: How'\''s it going today Jane?\nJane: Not too bad, how about you?",
    "voice": "Kore",
    "response_format": "wav",
    "instructions": "Joe should sound firm and professional, Jane should sound upbeat and friendly"
  }' \
  --output conversation.wav

​

Ejemplo en Python (SDK de OpenAI)

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="The quick brown fox jumped over the lazy dog."
)

response.stream_to_file("speech.mp3")

​

Ejemplo en Python (TTS de Gemini)

from openai import OpenAI

client = OpenAI(
    api_key="your-aihubmix-api-key",
    base_url="https://aihubmix.com/v1"
)

# Single Speaker
response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="Say cheerfully: Have a wonderful day!",
    extra_body={
        "response_format": "wav"
    }
)

response.stream_to_file("speech.wav")

# Multi-Speaker Dialogue
conversation_response = client.audio.speech.create(
    model="gemini-2.5-flash-preview-tts",
    voice="Kore",
    input="""TTS the following conversation between Joe and Jane:
    Joe: How's it going today Jane?
    Jane: Not too bad, how about you?""",
    extra_body={
        "response_format": "wav",
        "instructions": "Joe should sound firm, Jane should sound upbeat"
    }
)

conversation_response.stream_to_file("conversation.wav")

​

Control del estilo de voz (modelos Gemini)

​

Control de estilo para un solo locutor

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Say in a spooky whisper: By the pricking of my thumbs... Something wicked this way comes",
  "voice": "Enceladus",
  "response_format": "wav"
}

​

Control de estilo con múltiples locutores

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: So... what's on the agenda today?\nSpeaker2: You're never going to guess!",
  "voice": "Kore",
  "response_format": "wav",
  "instructions": "Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy"
}

​

Recomendaciones de estructura para el prompt

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Your transcript here",
  "voice": "Kore",
  "instructions": "# AUDIO PROFILE: Character Name\n## Role Description\n\n## THE SCENE: Scene Name\nDescribe the environment and mood\n\n### DIRECTOR'S NOTES\nStyle: Describe the style\nPacing: Describe the pacing\nAccent: Specify the accent"
}

​

Idiomas admitidos

​

Formatos de respuesta

​

Formatos de audio

​

Cuerpo de la respuesta

{
  "error": {
    "message": "Error description",
    "type": "error_type",
    "code": "error_code"
  }
}

​

Información de facturación

• El recuento de caracteres del texto de entrada es la unidad de facturación
• Diferentes modelos tienen distintos multiplicadores de precio
• Longitud máxima de entrada: 4096 caracteres

​

Limitaciones

• Longitud máxima de entrada: 4096 caracteres
• Los modelos TTS de Gemini solo admiten los formatos de salida wav y pcm
• Los modelos TTS de Gemini no admiten el parámetro speed (se controla mediante prompts)
• Límite de la ventana de contexto: 32k tokens (modelos Gemini)

​

Preguntas frecuentes

​

P: ¿Cómo elegir el modelo adecuado?

• Necesitas generación rápida → tts-1 o gemini-2.5-flash-preview-tts
• Necesitas audio de alta calidad → tts-1-hd
• Necesitas control inteligente de la voz → gpt-4o-mini-tts o modelos TTS de Gemini
• Necesitas diálogos con múltiples locutores → Modelos TTS de Gemini

​

P: ¿Cuáles son las diferencias entre el TTS de Gemini y el TTS de OpenAI?

• TTS de Gemini: Admite el control del estilo de voz mediante prompts en lenguaje natural, admite múltiples locutores, pero solo en formatos WAV/PCM
• TTS de OpenAI: Admite múltiples formatos de audio, tiene opciones de voz fijas y la velocidad se puede controlar mediante parámetros

​

P: ¿Cómo implemento diálogos con múltiples locutores?

{
  "model": "gemini-2.5-flash-preview-tts",
  "input": "Speaker1: Hello!\nSpeaker2: Hi there!",
  "instructions": "Speaker1 should sound professional, Speaker2 should sound casual"
}

​

P: ¿Se admite la salida en streaming?

​

Actualmente, la API TTS devuelve archivos de audio completos y no admite la salida en streaming.