voz, transcripción y música
API de audio con IA: transcribe voz y genera voces
Convierte grabaciones en texto, y texto en voces naturales, con la misma API que usas para los modelos de lenguaje. Whisper large-v3 para transcribir, Qwen3-TTS para voces listas o clonadas y ACE-Step para música, todos open source y todos en nuestras GPU NVIDIA B200. Se cobran por minuto de audio, por millón de caracteres o por canción, en euros, y lo que envías nunca se usa para entrenar nada.
5 € de crédito dan para más de 55 horas de transcripción o unos 1.000.000 caracteres de voz con Qwen3-TTS Base (clone). Precios con IVA incluido.
voz a texto
Transcripción: API de voz a texto con Whisper large-v3
Whisper es el modelo de transcripción open source de OpenAI, y large-v3 es su versión más precisa. Envías un archivo de audio y recibes el texto, con marcas de tiempo si las pides, en 99 idiomas, incluidos castellano, catalán, inglés, francés, alemán y portugués. Cuesta 0,0015 € por minuto de audio: una hora de grabación por 0,09 €, mil horas por 90,00 €.
Mismo endpoint que la API de audio de OpenAI: si tu código ya llama a /v1/audio/transcriptions, apúntalo a https://api.gpuflow.ai/v1 y funciona.
curl
curl https://api.gpuflow.ai/v1/audio/transcriptions \ -H "Authorization: Bearer $GPUFLOW_API_KEY" \ -F [email protected] -F model=whisper-large-v3
texto a voz
Texto a voz: voces listas o tu propia voz, desde 5,00 € por millón de caracteres
Un millón de caracteres son unas 16 horas de audio hablado, o un audiolibro de 170.000 palabras. Elige según lo que necesites: un catálogo de voces listas o clonación a partir de una muestra.
Las voces, frente a frente
| Qwen3-TTS Base (clone) | Qwen3-TTS CustomVoice | |
|---|---|---|
| Proveedor | Alibaba Cloud | Alibaba Cloud |
| Voces | Clona tu muestra | Nueve voces listas |
| Para qué | La voz de tu marca, igual en todos tus contenidos | Voces listas: avisos, centralitas, lectura en voz alta |
| Por millón de caracteres | 5,00 € | 19,00 € |
Todas responden en el mismo endpoint, /v1/audio/speech. Para clonar, añades a la misma llamada la muestra y su transcripción.
música
Generación de música: ACE-Step
Le das una letra y un estilo y compone una canción completa, y también hace versiones en otro estilo y rehace secciones. No es instantáneo: la pides, esperas y la descargas cuando está lista. 0,50 € por canción.
casos de uso
Qué se construye con IA de audio en Europa
Centros de llamadas y equipos comerciales
Transcribe cada llamada y resúmela con un modelo de lenguaje en la misma API. 10.000 minutos al mes: 15,00 € de transcripción.
Accesibilidad y formación en línea
Subtítulos para vídeo, versiones en audio de artículos y cursos, en los idiomas de tu audiencia.
Dictado sanitario y jurídico
Grabaciones delicadas: no guardamos ni el audio ni la transcripción, y nada se usa para entrenar.
Voz para productos
Asistentes, audiolibros, centralitas y avisos con una voz que es tuya.
dudas sobre la API de audio
Preguntas frecuentes
¿La API de voz a texto es compatible con la de OpenAI?
Sí. Mismo endpoint y mismos parámetros; cambias la URL base y la clave.
¿Qué idiomas admite Whisper?
99 idiomas, con detección automática. Entre ellos castellano, catalán, inglés, francés, alemán, portugués e italiano.
¿Cómo se cobra el texto a voz?
Por millón de caracteres del texto de entrada. Un millón de caracteres son unas 16 horas de voz.
¿Puedo clonar una voz?
Sí, con Qwen3-TTS Base, a partir de una muestra de entre 1 y 30 segundos y su transcripción literal. Eres responsable de tener los derechos sobre esa voz.
¿Se guarda el audio que envío?
No. El audio, la transcripción y la voz generada se procesan en memoria y vuelven en la misma llamada. La excepción es la música: guardamos la letra, el estilo y la canción para que puedas descargarla. Nada de lo que envías se usa para entrenar ningún modelo.
Prueba la API de audio con 5 € gratis
Se activa con tu tarjeta, y solo pagas lo que uses.