Voz a texto y texto a voz
Hay dos familias de componentes para trabajar con voz dentro de un flujo:
- Voz a texto (Speech to Text): reciben un archivo de audio, como una nota de voz, una grabación de una llamada o una reunión, y devuelven lo que se dice en él como texto. Lo normal es que entreguen un Data por archivo, con el texto en el campo
texty el idioma enlanguage, listo para que un agente lo lea, lo resuma o lo guarde. - Texto a voz (Text to Speech): reciben un texto y devuelven un archivo de audio (MP3, WAV u OGG, según el componente) para enviarlo por mensajería, adjuntarlo a un correo, guardarlo o reproducirlo.
Todos pueden procesar una lista de elementos con Batch Mode y los nuevos, además, pueden usarse como herramienta de un agente.
Dónde están en la paleta
En la sección A.I. del panel de componentes, en dos grupos: Speech to Text y Text to Speech. Ahí están todos los de esta página, también los que antes aparecían en Media AI y AI Helpers.
Voz a texto
| Componente | Dónde se ejecuta | Credencial | Idiomas y notas |
|---|---|---|---|
| Parakeet Local | Local | Ninguna | 25 idiomas europeos, detectados solos. No reconoce catalán, gallego ni euskera. |
| Whisper Local | Local | Ninguna | Detecta el idioma o lo eliges entre 12. |
| OpenAI Whisper | Nube | OpenAI API | El idioma se elige entre 12; por defecto, inglés. |
| Groq Whisper Speech to Text | Nube | Groq API | Más de 99 idiomas, detectados solos. Archivos de hasta 25 MB. |
| Deepgram Speech to Text | Nube | Deepgram API | Detecta el idioma; multi para audios que mezclan idiomas. Archivos de hasta 2 GB. |
| Gemini Speech to Text | Nube | Google Gemini | Cualquier idioma, detectado solo. Archivos de hasta 2 GB. |
| AssemblyAI | Nube | Clave de AssemblyAI | El idioma se elige entre 12; por defecto, inglés. |
| Cartesia Speech to Text | Nube | Cartesia API | No detecta el idioma: se indica, español por defecto. |
| Inworld Speech to Text | Nube | Inworld API | 30 idiomas, detectados solos. Archivos de hasta unos 16 MB. |
| WitAI | Nube | WitAi | El idioma de tu aplicación de Wit.ai; devuelve el idioma detectado. |
Texto a voz
| Componente | Dónde se ejecuta | Credencial | Idiomas y notas |
|---|---|---|---|
| Supertonic TTS | Local | Ninguna | 31 idiomas, detectados frase a frase. WAV. |
| Kokoro TTS | Local | Ninguna | Español, inglés, francés, italiano, portugués, alemán, japonés, coreano y chino; el idioma se elige. WAV. |
| Piper TTS | Local | Ninguna | Cada voz habla un idioma. WAV. |
| OpenAI Text to Speech | Nube | OpenAI API | Cualquier idioma; el tono se describe con palabras. MP3, WAV u OGG. |
| ElevenLabs | Nube | Eleven Labs API | Las voces de tu cuenta, también las personalizadas. MP3. |
| Gemini Text to Speech | Nube | Google Gemini | Treinta voces, cualquier idioma; el tono se describe con palabras. WAV. |
| Cartesia Text to Speech | Nube | Cartesia API | El idioma se indica, español por defecto. MP3 o WAV. |
| Deepgram Text to Speech | Nube | Deepgram API | Voces en español y en inglés; la voz marca el idioma. MP3, WAV u OGG. |
| Inworld Text to Speech | Nube | Inworld API | Voces de Inworld, también las tuyas. MP3, WAV u OGG. |
Cómo elegir
- Local o en la nube. Los componentes locales se ejecutan en los servidores de NappAI: no necesitan clave ni conexión a internet, y el audio o el texto no salen de la plataforma. Úsalos cuando la privacidad importe o no tengas cuenta en ningún proveedor.
- En la nube, el proveedor que ya tengas. Si ya usas Deepgram, Groq, Cartesia, Inworld, Gemini u OpenAI en otros componentes o en tu agente de voz, elige el suyo: la clave se rellena sola al elegir tu credencial, sin crear nada nuevo.
- El idioma. Si no sabes en qué idioma llegarán los audios, elige uno que lo detecte. Cartesia Speech to Text no lo detecta.
- El formato del audio. Para notas de voz de WhatsApp, un componente que genere OGG o MP3; los locales y Gemini generan WAV.
Medido en nuestro entorno de pruebas el 3 de noviembre de 2026, con la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.»:
| Proveedor | Texto a voz | Voz a texto |
|---|---|---|
| Inworld | 0,7 s (MP3) | 0,5 s |
| Deepgram | 1,1 s (MP3) | 0,4 s |
| Groq | — | 0,2 s |
| Cartesia | 0,7 s (WAV) | 0,2 s |
| OpenAI | 1,5 s (MP3) | — |
| Gemini | 3,3 s (WAV) | 4,5 s |
Las cinco transcripciones salieron exactas. Deepgram, Groq, Cartesia y Gemini escribieron la hora en cifras («10 y media» o «10:30»); Inworld no devolvió el idioma detectado.
No son los nodos del Agente de Voz
El Agente de Voz tiene sus propios nodos de voz a texto (STT) y de texto a voz (TTS), como Deepgram STT o Inworld TTS. Esos nodos solo se conectan a un Agente de Voz y trabajan en directo durante una llamada, escuchando y hablando mientras ocurre.
Los componentes de esta página son pasos de un flujo: esperan a tener el archivo o el texto completo y devuelven un resultado terminado. No se pueden conectar a un Agente de Voz.