Audio Speech API

Convierte texto en voz. Es compatible con POST /v1/audio/speech de OpenAI; el cuerpo de la respuesta es directamente el archivo de audio (binario), no JSON.

Familia	Modelo	Notas
ElevenLabs	`elevenlabs/eleven_v4`	Consulte ElevenLabs
Gemini TTS	`google/gemini-3.8-flash-tts`, entre otros	Consulte Gemini TTS

Los valores admitidos de parámetros como voice y response_format varían según el modelo; consulte la página de cada familia.

Inicio rápido

base_urlhttps://api.ofox.ai/v1

URL del endpointhttps://api.ofox.ai/v1/audio/speech

ID del modelogoogle/gemini-3.8-flash-tts

Python

speech.py


import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="google/gemini-3.8-flash-tts",
    voice="Kore",
    input="Hola, bienvenido a la síntesis de voz de OfoxAI.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

Parámetros de la petición

modelobligatoriostring

ID del modelo; consulte la tabla anterior.

inputobligatoriostring

Texto que se va a sintetizar. Si está vacío, devuelve 400.

voicestring

Voz. Obligatorio en Gemini TTS, donde el valor es un nombre de voz de Google (por ejemplo, Kore); en ElevenLabs, el valor es un ID de voz (por ejemplo, 21m00Tcm4TlvDq8ikWAM). Los nombres de voz de OpenAI (como alloy) no sirven para ninguna de estas dos familias.

response_formatstring

Formato de audio. Los valores admitidos varían según el modelo: Gemini TTS admite wav y pcm; ElevenLabs admite mp3, opus, wav y pcm. Un formato no admitido devuelve 400.

instructionsstring

Indicaciones de tono y estilo, por ejemplo «Lee con un tono alegre». Se aplica a Gemini TTS.

language_codestring

Código de idioma, por ejemplo cmn-CN (Gemini TTS) o zh (ElevenLabs). Si se omite, el modelo lo deduce del texto.

stream_formatstring· valoressse

Con sse, el audio se devuelve en fragmentos mediante Server-Sent Events. Se aplica a Gemini TTS.

provider_optionsobject

Parámetros propios del proveedor, que se transmiten tal cual al proveedor correspondiente, por ejemplo {"elevenlabs": {"voice_settings": {...}}} para ElevenLabs. Consulte la página de cada familia.

Respuesta

Si la petición tiene éxito, devuelve HTTP 200 y el cuerpo de la respuesta es el archivo de audio, con el Content-Type correspondiente al formato:

response_format	Content-Type
`mp3`	`audio/mpeg`
`wav`	`audio/wav`
`opus`	`audio/ogg`
`pcm`	`audio/L16;rate=<frecuencia de muestreo>;channels=1`, PCM de 16 bits sin cabecera de archivo

Escriba el cuerpo de la respuesta directamente en un archivo. En caso de error, la respuesta es JSON con Content-Type application/json; compruebe primero el código de estado para no guardar el mensaje de error como archivo de audio.

Errores habituales

HTTP	Mensaje de error	Causa	Solución
400	`model and input are required.`	Falta `model` o `input` está vacío	Complete los parámetros
400	`voice is required for speech completion`	No se envió `voice` a Gemini TTS	Indique un nombre de voz, por ejemplo `Kore`
400	`unsupported Gemini response_format: mp3`	El modelo no admite el formato elegido	Use un formato de los indicados en la página de la familia
400	`Request contains an invalid argument.`	El nombre de voz de Gemini TTS no existe	Use un nombre de voz válido
404	`A voice with voice_id 'alloy' was not found.`	El ID de voz de ElevenLabs no existe	Use un ID de voz válido
400 `endpoint_not_supported`	`Model 'openai/gpt-5.4' does not support the /v1/audio/speech endpoint on this platform.`	El modelo elegido no es de síntesis de voz	Use uno de los modelos de la tabla anterior

La descripción completa de los códigos de error está en Gestión de errores.