Cartesia Text to Speech
Cartesia Text to Speech lee en voz alta el texto que le das con una voz Sonic de Cartesia y te devuelve un archivo de audio: MP3 por defecto o WAV si lo eliges. Si no eliges voz, usa una voz en español. Si el texto es largo, lo divide por el final de las frases, lee cada parte y las une en un solo archivo.
Necesitas una credencial Cartesia API con la clave de tu cuenta de Cartesia. Consulta Credenciales. El texto se envía a Cartesia para generar el audio.
No es el nodo de voz para llamadas: para hablar con quien llama en una llamada en directo, el Agente de Voz usa el nodo Cartesia TTS. Este componente devuelve un archivo terminado.
Cuándo usarlo
- Enviar a tus clientes una nota de voz con la confirmación de una cita o un pedido.
- Usar en tus audios la misma voz de Cartesia que ya suena en tu agente de voz.
- Permitir que un agente responda con audio, usando el componente como herramienta.
- Generar de una vez el audio de una lista de textos con Batch Mode.
Configuración
| Campo | Qué hace |
|---|---|
| API Key (obligatorio) | Tu clave de Cartesia. La clave se rellena sola al elegir tu credencial de Cartesia. |
| Text to Speech (obligatorio) | El texto que se va a leer. Puedes escribirlo o conectarlo desde otro componente. |
| Voice ID | El identificador de la voz, tal como lo muestra la consola de Cartesia. Vacío por defecto: se usa una voz en español. |
| Language | El idioma del texto, por ejemplo es o en. Por defecto, es. Tiene que coincidir con el texto y con la voz. |
| Model | El modelo de voz. Por defecto, sonic-3.6, el más reciente. También están sonic-3.5, sonic-3 y sonic-latest. Si un flujo guardado tiene un modelo que Cartesia ya ha retirado, como sonic-2, se lee con sonic-3.6. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Speed | La velocidad de lectura, de 0,6 a 1,5. Por defecto, 1, el ritmo natural de la voz. |
| Audio format | El formato del archivo: mp3 (por defecto) o wav. Cartesia no genera OGG. |
Resultado
La salida Data entrega un archivo de audio con el texto leído, en el formato elegido. Su nombre son las primeras palabras del texto, sin tildes ni signos (por ejemplo, Hola_buenos_dias_Su.mp3 o .wav).
Conéctala a un componente que guarde o envíe archivos. Un agente también puede usar el componente como herramienta para crear audio cuando lo necesite; consulta qué son las herramientas en Conceptos clave.
Ejemplo
Un taller atiende el teléfono con un agente de voz que usa una voz de Cartesia. Para que los avisos por WhatsApp suenen igual, el flujo que avisa de que el coche está listo usa Cartesia Text to Speech con el mismo Voice ID que el agente y envía el audio al cliente.
Componentes relacionados
- Voz a texto y texto a voz: todos los componentes para transcribir audio y para generarlo.
- Cartesia Speech to Text: lo contrario, convierte un audio en texto con la misma credencial.
- Supertonic TTS: voces que funcionan sin credencial ni internet.
Consejos
- Si cambias Language, elige también una voz que hable ese idioma: la voz por defecto es española.
- Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: el WAV de la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se generó en 0,7 s.