Preguntas frecuentes
¿Cuál es la voz masculina más clara?
Atlas es la voz masculina neutral ideal para noticias y IVR. Felix es energética para promos. Milo es conversacional y amigable. Orion es profunda para documentales. Todas son claras y naturales, basadas en grabaciones licenciadas.
¿Es mejor voz masculina o femenina para IVR?
No hay una mejor voz universal; depende del tono de tu marca. Atlas ofrece neutralidad para información general, mientras que Milo aporta cercanía. Puedes usar cualquiera de las 8 voces disponibles, ya que todas soportan los 23 idiomas sin restricciones de género.
¿Cómo afecta la velocidad a la comprensión?
La velocidad ajustable (0.25–4.0) permite optimizar la claridad. Para IVR, velocidades cercanas a 1.0 suelen ser ideales. Textos largos se generan a velocidad real (~25 caracteres/seg). Ajusta la velocidad para equilibrar eficiencia y comprensión del usuario final.
¿Puedo mezclar voces en una misma llamada?
Sí, mediante tu API. Envía múltiples solicitudes POST con diferentes parámetros voice y une los archivos de audio resultantes. Cada solicitud maneja hasta 4096 caracteres. Esta flexibilidad permite crear flujos de IVR dinámicos combinando voces masculinas y femeninas según el menú.
¿Qué voz usar para mensajes de espera?
Atlas (neutral) o Milo (conversacional) son ideales para mantener la calma. Orion (profunda) también funciona bien para ambientes serios. Evita Felix si buscas tranquilidad. La clave es la claridad y el tono apropiado para la espera del cliente.
¿Las voces masculinas suenan robóticas?
No. Las voces están basadas en grabaciones licenciadas de LibriTTS-R y LibriVox. Aunque llevan una marca de agua sintética inaudible, el resultado es natural y claro. No imitan a celebridades ni políticos, ofreciendo una voz natural para tus IVR.
¿Se pueden personalizar las voces?
No ofrecemos clonación de voz personalizada ni diseño de voz. Solo puedes elegir entre las 8 voces preestablecidas (Atlas, Felix, Milo, Orion, etc.). Puedes ajustar la velocidad y el idioma, pero no la timbre o el tono base de la voz.
¿Cuál es el formato de audio más ligero?
MP3 y Opus son formatos comprimidos ideales para reducir el ancho de banda en llamadas IVR. WAV y FLAC son sin pérdida pero más pesados. PCM es sin comprimir. Elige MP3 u Opus para eficiencia, manteniendo buena calidad para la voz.
¿Cómo mido la satisfacción del usuario?
La API devuelve el audio generado, pero no mide la satisfacción directamente. Debes integrar tu propio sistema de métricas (como encuestas post-llamada o tasas de resolución) en tu flujo de IVR. La claridad de la voz Atlas o Milo ayuda, pero la medición es externa.
¿Necesito licencia para usar las voces?
Las voces están basadas en grabaciones de LibriVox (dominio público) y licenciadas bajo CC BY 4.0 para la base. Al usar la API, obtienes el derecho de uso para tu servicio. No necesitas gestionar licencias individuales por voz, solo pagar por caracteres generados.
¿Las voces están disponibles en todos los idiomas?
Cualquier voz puede hablar cualquiera de los 23 idiomas soportados (inglés, español, alemán, etc.). No hay voces específicas por idioma; el motor detecta el lenguaje o puedes especificarlo. Idiomas como vietnamita o tailandés no están soportados.
¿Qué hago si la voz no es entendida?
Ajusta la velocidad (0.25–4.0) o cambia a una voz más clara como Atlas o Milo. Asegúrate de definir el parámetro language correctamente para textos en latinos. Si el texto es complejo, simplifica la redacción. La claridad es prioritaria en IVR.
¿Se puede grabar la llamada para analizar la voz?
La API devuelve el archivo de audio generado, que puedes guardar. No almacenamos el audio generado permanentemente. Puedes integrar este audio en tu sistema de grabación de llamadas para análisis posterior. La API solo guarda metadatos de facturación.
¿Hay diferencia de precio entre voces?
No. El precio es de $10 por 1 millón de caracteres, independientemente de la voz (Atlas, Felix, etc.) o el modelo (tts-1 o tts-1-hd). El costo es uniforme para todas las voces masculinas y femeninas disponibles en la API.
Factores de selección de voz
La claridad es fundamental en un IVR, donde los usuarios escuchan instrucciones críticas bajo presión. Nuestros motores generan audio limpio sin artefactos que distraigan, garantizando que cada sílaba se entienda claramente.
El tono emocional debe ser neutro o ligeramente positivo. Evitamos voces excesivamente dramáticas o monótonas para mantener la atención del cliente sin generar fatiga auditiva durante las interacciones repetitivas.
Claridad del habla
La inteligibilidad es la prioridad. Utilizamos voces como Atlas o Milo, optimizadas para la dicción precisa. Esto reduce los errores de reconocimiento de voz y la confusión del usuario al leer menús.
El formato de audio también inflige. Ofrecemos WAV para máxima fidelidad en sistemas que soportan alta calidad, o MP3 optimizado para reducir latencia sin perder comprensión.
- Voces entrenadas para dicción clara.
- Compatibilidad con formatos WAV y MP3.
Tono emocional
Un tono demasiado enérgico puede sonar agresivo, mientras que uno muy suave puede parecer indiferente. Buscamos un equilibrio: profesional y amable.
Voces como Felix aportan energía para promociones, mientras que Atlas mantiene la neutralidad necesaria para información financiera o de cuentas.
Ritmo natural
El ritmo debe imitar una conversación humana real, evitando pausas robóticas. La API permite ajustar la velocidad entre 0.25x y 4.0x para adaptarse al flujo de tu menú.
Una velocidad moderada (1.0x) suele ser ideal para menús estándar. Ajustes menores mejoran la experiencia sin perder naturalidad.
- Ajuste de velocidad fino.
- Pausas naturales en la síntesis.
Aceptación del usuario
Los usuarios prefieren voces que suenen consistentes y predecibles. La familiaridad con la voz puede reducir la tasa de abandono.
Implementar una voz masculina clara como Milo o Felix mejora la percepción de servicio, especialmente en interacciones cortas.
- Mejora en la retención de llamadas.
- Preferencia por voces masculinas claras.
Perfil Felix: energía y acción
La voz Felix combina un tono enérgico con una dicción nítida, ideal para mantener la atención del usuario en mensajes promocionales dentro del IVR. Su estilo activo transmite urgencia sin sonar agresivo, facilitando la comprensión en entornos de call center con ruido de fondo.
Este perfil se destaca por su capacidad para mantener un ritmo constante y claro, esencial para campañas de ventas o avisos temporales donde la retención de la información es crítica.
Uso en promociones
Felix está diseñado para mensajes breves con llamados a la acción claros. Su energía natural ayuda a destacar ofertas o avisos importantes sin fatigar al oyente durante el recorrido por el IVR.
Estilo enérgico
El tono de Felix es claro y directo, evitando la monotonía que a menudo provoca la deserción en las llamadas automatizadas. Esto mejora la percepción de modernidad del sistema.
Ideal para ventas
Para campañas de upselling o cross-selling, la claridad de Felix asegura que los detalles de la oferta se comprendan a la primera. Su voz transmite confianza y dinamismo.
Velocidad alta
Felix mantiene su inteligibilidad incluso a velocidades superiores a 1.0x. Puedes ajustar la velocidad hasta 4.0 para acortar tiempos de espera sin sacrificar la comprensión del mensaje.
Perfil Milo: cercanía y diálogo
La voz Milo está diseñada para la interacción humana directa, ofreciendo un tono conversacional que reduce la frialdad típica de los sistemas automáticos. Su estilo amigable y claro facilita que los usuarios se sientan escuchados desde el primer momento.
Al igual que todas las voces de VozHumana, Milo puede hablar cualquier idioma soportado, lo que permite personalizar la experiencia sin cambiar de motor de síntesis.
Uso en atención básica
Milo es ideal para menús de atención al cliente donde se busca reducir la frustración. Su naturaleza conversacional hace que las instrucciones sean más fáciles de seguir que con voces más neutrales.
Se recomienda para rutas de navegación principal donde el usuario necesita sentir una guía amable.
- Menús de primer nivel IVR
- Confirmación de identidad
- Información de horarios
Estilo conversacional
El tono de Milo imita una conversación natural, evitando la monotonía robótica. Esto ayuda a mantener la atención del interlocutor durante mensajes de varios segundos.
A diferencia de Atlas, que es puramente informativo, Milo aporta una ligera calidez que suaviza las transiciones entre opciones.
Amigable y claro
La claridad es prioritaria en Call Centers. Milo mantiene una dicción precisa sin sonar rígida, lo que minimiza errores de comprensión por parte del usuario.
Su frecuencia vocal está equilibrada para ser audible incluso en entornos con cierto ruido de fondo, común en centros de llamadas masivos.
Velocidad media
Para una comprensión óptima, se recomienda configurar la velocidad entre 1.0 y 1.2. Esto permite un ritmo natural sin apresurar la información.
Velocidades superiores a 2.0 pueden reducir la claridad, especialmente para usuarios mayores o con dificultades auditivas.
Puedes ajustar este parámetro vía API para cada llamada específica según el perfil del cliente.
- Velocidad base: 1.0
- Rango recomendado: 0.8–1.5
- Formato: mp3 o wav
Perfil Atlas: neutralidad y datos
Atlas es la voz predeterminada para la transmisión de datos estructurados en tus sistemas IVR. Su diseño neutral permite que la información numérica o técnica se entienda sin distracciones, ideal para confirmaciones de cuenta o lecturas de saldos donde la precisión es crítica.
Uso en información pura
Utiliza Atlas para leer listas de opciones, códigos de estado o instrucciones breves. Al eliminar adornos vocales, reduces la carga cognitiva del usuario, lo que acelera la toma de decisiones en menús de llamadas complejos.
- Lectura de códigos de error
- Confirmación de datos numéricos
- Instrucciones paso a paso
Estilo periodístico
Su tono recuerda a la lectura de noticias, ofreciendo una autoridad leve pero no impositiva. Esto genera una sensación de oficialidad que ayuda a que el cliente preste atención a detalles importantes sin sentir que se le está vendiendo algo.
Sin sesgo emocional
A diferencia de otras voces, Atlas no transmite alegría ni tristeza. Esto es crucial en IVR para evitar que el usuario interprete erróneamente el estado de la llamada; el mensaje se percibe como un dato objetivo y no como una reacción personal.
Precisión lingüística
El modelo prioriza la dicción clara sobre la expresividad. Al combinar Atlas con la configuración de velocidad adecuada (1.0 o superior), aseguras que cada sílaba sea entendible incluso en entornos con ruido de fondo, manteniendo la integridad de la información transmitida.
Perfil Orion: profundidad y autoridad
Orion es la opción ideal cuando la autoridad y la seriedad son prioritarias en tu sistema IVR. Su tono grave transmite estabilidad y confianza, elementos clave para mantener la atención del cliente en llamadas informativas o de confirmación de datos.
Esta voz destaca por su claridad en la dicción y su ritmo pausado, lo que reduce la carga cognitiva en el oyente. Es especialmente efectiva en contextos donde se requiere precisión y formalidad sin caer en la frialdad.
Uso en documentales internos
Aunque el término 'documentales' se refiere aquí a grabaciones institucionales o mensajes de larga duración, Orion es perfecto para narraciones internas o anuncios corporativos que requieren un tono narrativo serio y envolvente.
Estilo serio
El estilo de Orion evita la excesiva emotividad, ofreciendo una entrega limpia y profesional. Esto evita malentendidos en instrucciones críticas o avisos legales donde la neutralidad emocional es preferible a la calidez exagerada.
Voz grave
La profundidad de la voz de Orion ayuda a distinguirse del ruido de fondo en entornos de call center ruidosos. Su rango de frecuencias bajas transmite presencia sin necesidad de aumentar el volumen excesivamente.
Comunicación formal
Ideal para confirmaciones de transacciones, avisos de servicio o mensajes de cierre. La voz de Orion refuerza la percepción de seriedad de tu marca, asegurando que el mensaje sea tomado con la debida importancia.
Comparativa técnica de voces
La selección de una voz masculina para un IVR no depende solo de la estética, sino de cómo se comporta el audio en el entorno real de una llamada. Cada preset tiene características técnicas distintas que afectan directamente la comprensión del usuario final.
Rango de frecuencias
Las voces como Atlas y Orion operan en registros graves que pueden perder claridad en líneas telefónicas antiguas. Felix, al ser más enérgico, ocupa un espectro más amplio que facilita la detección automática en sistemas IVR simples.
Claridad en ruido de fondo
En entornos con interferencia, la voz clara de Felix o la neutra de Atlas mantienen mejor la inteligibilidad. Las voces más profundas requieren ajustes de ecualización en tu PBX para no sonar apagadas.
Sintaxis natural
Milo está optimizado para estructuras conversales cortas, reduciendo la carga cognitiva. Atlas mantiene una estructura más rígida, ideal para lectura de datos numéricos o códigos de referencia sin variaciones innecesarias.
Entonación variada
Entre las voces femeninas, Aria y Luna tienen más variación. Milo introduce pausas naturales que simulan diálogo. Orion es más monótono.
Pruebas A/B para call centers
Las pruebas A/B permiten comparar voces masculinas en entornos reales de call center. Se mide cómo los clientes interactúan con IVR que usan voces como Felix o Milo, evaluando la comprensión y el tono percibido durante las llamadas.
El enfoque es cuantitativo y específico. No se trata de opiniones subjetivas, sino de datos concretos que determinan qué voz reduce la carga cognitiva y mejora la experiencia del usuario final en cada segmento de llamada.
Métricas de satisfacción
Se registra la calificación del usuario tras la interacción con el IVR. Las encuestas post-llamada miden la claridad percibida de la voz masculina seleccionada.
Es crucial ajustar la velocidad entre 0.25 y 4.0 para optimizar esta métrica. Una velocidad muy alta puede reducir la comprensión, afectando la puntuación de satisfacción.
- Encuestas NPS post-llamada
- Calificación de claridad de voz
- Tiempo promedio de interacción
Tiempo de retención
Se mide el tiempo que un usuario permanece en el menú antes de colgar o transferir. Voces claras como Milo o Atlas suelen reducir la confusión.
Un tiempo de retención óptimo indica que el usuario comprende las opciones rápidamente. Esto minimiza la necesidad de repetir instrucciones y agiliza el flujo.
Se compara el tiempo promedio entre diferentes voces y configuraciones de velocidad para identificar la combinación más eficiente para cada tipo de consulta.
Tasa de abandono
La tasa de abandono (drop-off) se calcula en puntos críticos del menú. Si los usuarios cuelgan antes de completar la acción, la voz puede ser la causa.
Se analizan los abandonos tras frases clave. Una voz demasiado monótona o rápida puede aumentar esta tasa, especialmente en mensajes informativos largos.
El objetivo es reducir las caídas manteniendo una voz natural y un ritmo adecuado, sin forzar la comprensión del usuario.
- Abandono en menú principal
- Abandono tras instrucciones críticas
- Comparativa por voz masculina
Feedback del cliente
Se recopilan comentarios cualitativos sobre la voz. Los usuarios pueden mencionar si la voz les parece amigable, clara o confusa.
Este feedback se cruza con los datos técnicos. Por ejemplo, si muchos usuarios piden 'hablar con un agente', puede indicar que la voz no transmitió la información suficiente.
El feedback ayuda a ajustar el tono y la velocidad de las voces masculinas seleccionadas para el IVR.
- Comentarios sobre claridad
- Sugerencias de velocidad
- Percepción de amabilidad

Configuración de velocidad
El parámetro speed permite ajustar la velocidad de la voz entre 0.25 y 4.0, multiplicando la velocidad base. Esto es útil para adaptar el flujo de información a la urgencia del mensaje o a la capacidad de procesamiento auditivo de los usuarios en el IVR.
Ajuste de velocidad 0.25 a 4.0
Puedes enviar cualquier valor dentro de este rango en tu solicitud API. Un valor inferior a 1.0 ralentiza la síntesis, mientras que valores superiores la aceleran. La API mantiene la calidad de la voz independientemente de la velocidad aplicada.
Impacto en comprensión
Velocidades extremas pueden reducir la claridad, especialmente en listas de números o códigos. Para IVR estándar, la velocidad base (1.0) ofrece el mejor equilibrio entre eficiencia y comprensión. Se recomienda probar con texto real antes de escalar.
Velocidad recomendada
Para información general, una velocidad entre 1.0 y 1.5 suele ser óptima. Si necesitas transmitir urgencia, como en avisos de seguridad, puedes subir hasta 2.0 sin perder notablemente la inteligibilidad.
Variación por idioma
La percepción de velocidad varía según el idioma. El español se percibe más lento que el inglés a la misma velocidad de sílabas por segundo. Ajusta la velocidad según el idioma especificado en tu solicitud para mantener una experiencia natural.
Idiomas y adaptabilidad
Las voces de VozHumana soportan 23 idiomas, incluyendo español e inglés. Cada voz puede pronunciar correctamente cualquier idioma de la lista, lo que permite centralizar la gestión de voces sin depender de múltiples proveedores para cada mercado.
Voces en español
Todas las voces masculinas (Felix, Milo, Atlas y Orion) manejan el español con alta fidelidad. No es necesario asignar voces específicas por idioma; la misma voz puede alternar entre español e inglés sin cambios de timbre.
Voces en inglés
El inglés es el idioma por defecto si no se especifica otro. Para textos en español con escritura latina, debes indicar explícitamente el idioma para evitar confusiones. Esto asegura que la entonación sea natural en cada llamada.
Voces en otros idiomas
Además de español e inglés, ofrecemos soporte para 21 idiomas más, como alemán, francés, japonés y portugués. Si tu centro de atención tiene clientes internacionales, puedes mantener las mismas voces para todos los mercados.
Cambio dinámico de idioma
Puedes cambiar el idioma en cada solicitud de la API usando el parámetro language. Esto permite que un mismo IVR maneje llamadas en múltiples idiomas sin necesidad de reconfigurar la voz base.
Formatos de audio óptimos
La API de VozHumana permite elegir entre cuatro formatos de audio para cada solicitud, optimizando el uso de ancho de banda y la compatibilidad con tus sistemas de call center.
MP3 para eficiencia
El formato MP3 es la opción estándar para la mayoría de las implementaciones. Ofrece una buena relación calidad-tamaño, reduciendo el consumo de ancho de banda sin sacrificar la claridad necesaria para la comprensión del usuario en IVR.
WAV para calidad
Si tu PBX requiere audio sin compresión para una fidelidad máxima, WAV es la opción adecuada. Este formato es ideal para pruebas de calidad o sistemas que no imponen límites estrictos de almacenamiento.
Opus para eficiencia
Opus ofrece una compresión superior a MP3, manteniendo una excelente calidad de voz. Es ideal para reducir costos de transferencia de datos, especialmente cuando se generan grandes volúmenes de mensajes para llamadas masivas.
FLAC para archivado
Para almacenar registros de llamadas con calidad de estudio y sin pérdida de datos, FLAC es la opción recomendada. A diferencia de MP3, conserva todos los detalles de la síntesis, facilitando auditorías futuras de calidad.
Integración con software de central
La API de VozHumana se integra directamente con tu infraestructura existente mediante llamadas HTTP estándar. No necesitas un SDK específico ni plugins de terceros; simplemente envía el texto al endpoint POST https://api.vipclubmm.info/v1/audio/speech y recibe el archivo de audio listo para reproducirse.
Compatibilidad con PBX
El sistema funciona con cualquier PBX que soporte reproducción de archivos de audio desde una URL o buffer local. Al generar el audio, tu aplicación puede almacenarlo temporalmente o reproducirlo en el canal de llamada del agente o del cliente.
- Compatible con Asterisk, FreeSWITCH y soluciones basadas en SIP
- Soporte para formatos MP3, WAV, OPUS, FLAC y PCM
- Sin dependencia de protocolos propietarios
Integración con CRM
Conecta tu CRM para generar respuestas de IVR dinámicas basadas en datos del cliente. Al recuperar la información de la cuenta, el sistema solicita la voz sintetizada y la reproduce automáticamente, manteniendo la conversación fluida sin intervención humana.
Flujo de llamadas
El flujo es secuencial: tu script verifica el saldo, solicita el audio y lo reproduce. Si la síntesis falla, la llamada puede dirigirse a un agente humano sin penalización en el costo. La velocidad de generación permite mantener la naturalidad de la interacción.
Mapeo de variables
Reemplaza las variables de texto (como el nombre del cliente o el número de cuenta) antes de enviar la solicitud a la API. Asegúrate de que el texto final respete el límite de 4096 caracteres por solicitud para evitar interrupciones en la reproducción.
Mantenimiento de voces
Mantener la calidad de tu IVR requiere ajustes periódicos. Los textos que usan las voces se actualizan conforme cambian las políticas de la empresa o la información de contacto, asegurando que el usuario siempre reciba datos precisos y vigentes sin intervención manual compleja.
Actualización de textos
Envía nuevos textos mediante la API cuando la información cambie. Dado que el audio no se almacena por defecto, cada solicitud genera un archivo nuevo con la última versión del mensaje, garantizando fidelidad inmediata.
- Revisar textos antes de cada campaña.
- Respetar el límite de 4096 caracteres por solicitud.
Monitoreo de calidad
Escucha aleatoriamente las llamadas generadas. Verifica que la velocidad (0.25–4.0) mantenga la comprensión y que no haya errores de pronunciación en nombres propios o términos técnicos específicos de tu industria.
Reemplazo de voces
Si el tono de una voz (como Felix o Milo) ya no se ajusta al nuevo estilo de marca, cambia el parámetro voice en tus llamadas API. No necesitas migrar datos, solo actualizar el script de integración.
Gestión de versiones
Controla qué texto se asigna a cada número de extensión. Al no haber almacenamiento de audio persistente, tu base de datos debe registrar qué texto generó cada llamada para auditoría y trazabilidad.
Escucha las 8 voces
Cada muestra a continuación fue generada por esta API a partir de la misma frase. Estas distinciones vocales permiten adaptar el mensaje a la urgencia o calma de la llamada.
23 idiomas
Cualquier voz puede hablar cualquiera de estos idiomas.
