API de texto a diálogo de ElevenLabs para audio de comercio electrónico: locución de vídeos de producto y lectura de anuncios

El texto a diálogo de ElevenLabs convierte un guion escrito en un único archivo de audio con varios hablantes: basta con enviar en orden una lista de líneas de diálogo y asignar a cada línea una voz predefinida distinta para obtener una grabación terminada, sin necesidad de edición manual ni de unir fragmentos. A través de la API de hiapi, su precio es de $0.125 por cada 1.000 caracteres de diálogo y se ejecuta sobre el mismo flujo de tareas asíncronas que todos los demás modelos de la plataforma. Para los equipos de comercio electrónico, es una forma rápida de producir locuciones de demostración de producto con dos presentadores, lecturas de anuncios con varios personajes y guiones promocionales, sin contratar locutores para cada SKU o cada campaña de temporada.

Diferencias entre texto a diálogo y TTS de una sola voz

El texto a voz estándar solo ofrece una voz por llamada. Para simular un diálogo suele ser necesario ejecutar una llamada de TTS por cada hablante, unir después los fragmentos uno mismo y confiar en que el ritmo y la entonación coincidan. El texto a diálogo de ElevenLabs se salta ese paso: envías el guion completo —cada turno de habla en orden— como una única solicitud, y el modelo se encarga por sí mismo de los cambios de turno, el ritmo y la expresión. La salida es un único archivo de audio, no una carpeta de fragmentos que debes ensamblar tú mismo.

Esto importa especialmente cuando el «diálogo» es en realidad un audio de marketing: demostraciones de producto con dos presentadores, el intercambio entre un cliente y un representante de ventas en un anuncio, o un locutor y una segunda voz «hype» que alternan réplicas en una promoción. Todo esto se presenta de forma natural como diálogo, y el modelo está diseñado precisamente para esta forma de guion.

Estructura real de la solicitud (autoverificada contra el esquema en vivo)

El cuerpo de la solicitud está deliberadamente acotado. Cada entrada del array dialogue acepta exactamente dos campos —text y voice— y ningún otro. Enviar campos adicionales o un ID de voice no válido provoca un rechazo por error de esquema antes de que se ejecute la tarea, algo que ya se ha verificado:

{
  "model": "elevenlabs/text-to-dialogue",
  "input": {
    "dialogue": [
      {"text": "This blender just tore through frozen mango in four seconds.", "voice": "EkK5I93UQWFDigLMpZcX"},
      {"text": "Four seconds? Show me the smoothie.", "voice": "Z3R5wn05IrDiVCyEkUrK"},
      {"text": "Already poured. Link's in the description.", "voice": "EkK5I93UQWFDigLMpZcX"}
    ]
  }
}

El voice debe ser uno de los aproximadamente 70 ID fijos que la plataforma ofrece para este modelo (EkK5I93UQWFDigLMpZcX, NNl6r8mD7vthiJatiJt1, YOq2y2Up4RgXP2HyXjE5, etc.); esta interfaz no tiene campos para nombres de voz en texto libre ni para subir clones de voz.

Merece la pena señalar algo directamente: la propia descripción del modelo menciona la capacidad de «controlar la estabilidad» por línea. En la práctica, el esquema desplegado no expone el parámetro stability (tampoco model_id ni etiquetas de emoción): solo acepta text y voice. Si vas a escribir documentación interna o una interfaz de usuario en torno a este endpoint, no prometas un control deslizante de estabilidad que en realidad todavía no existe.

El envío sigue el flujo de tareas asíncronas estándar de hiapi: haz un POST con la solicitud anterior para crear la tarea, consulta su estado y descarga el archivo de audio generado cuando termine; es el mismo patrón que usan los modelos de imagen y vídeo de la plataforma, por lo que se integra directamente en las canalizaciones de producción existentes.

Cómo construir un flujo de trabajo de audio para comercio electrónico en torno a esta función

Locución de vídeos de producto. Si ya produces clips cortos de producto —por ejemplo, con Kling para vídeos de formato corto—, el texto a diálogo es la capa de audio natural para el mismo material: escribe un guion de dos voces (presentador + voz de reacción) que narre los momentos que el vídeo ya muestra, en lugar de una voz en off monocorde y única.

Lectura de anuncios con varios personajes. Un breve intercambio entre dos «clientes» suena más a una reseña real que un guion publicitario narrativo único, y requiere una sola llamada a la API en lugar de coordinar dos grabaciones independientes.

Guiones de promociones y rebajas. Alterna una voz de locutor con una segunda voz «hype» para audios de ofertas flash o promociones de temporada, y mantén después el mismo esqueleto de guion y la misma combinación de voces entre distintos SKU: solo cambia los nombres de producto, los precios y los detalles de la oferta entre llamadas.

Precios y presupuesto

A $0.125 por cada 1.000 caracteres, un guion publicitario típico de dos voces de 15–20 segundos (unos 250–350 caracteres) cuesta apenas unos céntimos, y un guion más largo de demostración de producto de 60–90 segundos con varios turnos (700–900 caracteres) cuesta alrededor de $0.09–$0.11. La facturación depende por completo del total de caracteres de todo el array dialogue: el número de hablantes o de líneas no cambia la fórmula. Antes de presupuestar tareas masivas, consulta el precio exacto vigente en la página de precios de hiapi, y si necesitas narración con una sola voz o música junto con diálogo, explora el resto de la gama de modelos de audio.

Preguntas frecuentes

¿El texto a diálogo admite voces personalizadas o clonadas? No. El esquema en vivo solo acepta ID de voice de la lista de aproximadamente 70 voces predefinidas de la propia plataforma. Este endpoint no tiene campos para subir o referenciar clones de voz personalizados.

¿Hay ajustes de «estabilidad» o emoción configurables? Actualmente no. Aunque la propia descripción del modelo menciona el control de estabilidad, la API en vivo rechaza cualquier contenido en las líneas de diálogo que no sea text y voice; no bases documentación ni interfaces de usuario en un control deslizante de estabilidad hasta que exista de verdad.

¿Cómo se calcula el precio de los guiones con varios hablantes? Se calcula sobre el total de caracteres de todo el array de diálogo, a $0.125 por cada 1.000 caracteres; no por línea, por hablante ni por segundos de audio de salida.

¿Qué devuelve la tarea? Una URL de archivo de audio descargable, entregada igual que cualquier otra salida de tarea de hiapi. Descarga y guarda los bytes de inmediato: los enlaces de salida de las tareas tienen caducidad y no son un alojamiento permanente.

¿Se puede usar con guiones que no estén en inglés? El modelo figura en el propio catálogo de modelos de hiapi con más de 70 idiomas, por lo que a nivel de plataforma se admiten diálogos multilingües. Antes de lanzar una producción completa, prueba tu guion en el idioma de destino con una muestra corta.

El texto a diálogo es una de las opciones de la creciente gama de API de audio de hiapi. Abre la página del modelo para ejecutar tus propios guiones, o consulta la página de precios para conocer las tarifas actuales de cada modelo.