Saltearse al contenido

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 text y el idioma en language, 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

ComponenteDónde se ejecutaCredencialIdiomas y notas
Parakeet LocalLocalNinguna25 idiomas europeos, detectados solos. No reconoce catalán, gallego ni euskera.
Whisper LocalLocalNingunaDetecta el idioma o lo eliges entre 12.
OpenAI WhisperNubeOpenAI APIEl idioma se elige entre 12; por defecto, inglés.
Groq Whisper Speech to TextNubeGroq APIMás de 99 idiomas, detectados solos. Archivos de hasta 25 MB.
Deepgram Speech to TextNubeDeepgram APIDetecta el idioma; multi para audios que mezclan idiomas. Archivos de hasta 2 GB.
Gemini Speech to TextNubeGoogle GeminiCualquier idioma, detectado solo. Archivos de hasta 2 GB.
AssemblyAINubeClave de AssemblyAIEl idioma se elige entre 12; por defecto, inglés.
Cartesia Speech to TextNubeCartesia APINo detecta el idioma: se indica, español por defecto.
Inworld Speech to TextNubeInworld API30 idiomas, detectados solos. Archivos de hasta unos 16 MB.
WitAINubeWitAiEl idioma de tu aplicación de Wit.ai; devuelve el idioma detectado.

Texto a voz

ComponenteDónde se ejecutaCredencialIdiomas y notas
Supertonic TTSLocalNinguna31 idiomas, detectados frase a frase. WAV.
Kokoro TTSLocalNingunaEspañol, inglés, francés, italiano, portugués, alemán, japonés, coreano y chino; el idioma se elige. WAV.
Piper TTSLocalNingunaCada voz habla un idioma. WAV.
OpenAI Text to SpeechNubeOpenAI APICualquier idioma; el tono se describe con palabras. MP3, WAV u OGG.
ElevenLabsNubeEleven Labs APILas voces de tu cuenta, también las personalizadas. MP3.
Gemini Text to SpeechNubeGoogle GeminiTreinta voces, cualquier idioma; el tono se describe con palabras. WAV.
Cartesia Text to SpeechNubeCartesia APIEl idioma se indica, español por defecto. MP3 o WAV.
Deepgram Text to SpeechNubeDeepgram APIVoces en español y en inglés; la voz marca el idioma. MP3, WAV u OGG.
Inworld Text to SpeechNubeInworld APIVoces 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.»:

ProveedorTexto a vozVoz a texto
Inworld0,7 s (MP3)0,5 s
Deepgram1,1 s (MP3)0,4 s
Groq—0,2 s
Cartesia0,7 s (WAV)0,2 s
OpenAI1,5 s (MP3)—
Gemini3,3 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.