API de voz

Sintetiza texto y devuelve audio mp3.

{
  "text": "[confident] Buenas, habla Pablo. [break] ¿Tienes cinco minutos?",
  "voiceId": "bed5a1875f2f4f39acad96f35af0e13f",   // opcional
  "speed": 1.15                                     // opcional, 0.5 a 2
}

audio/mpeg · 192 kbps

• El texto admite etiquetas de dirección entre corchetes: [confident], [empathetic], [excited], [break], [long-break].
• También acepta descripciones libres, como [energetic Colombian salesman]. El modelo entiende miles de ellas, no solo la lista documentada.
• Escribe siempre con tildes: el modelo las usa para colocar el acento tónico. «genero» y «generó» no suenan igual.
• Escribe las cifras como se pronuncian («un millón doscientos mil») para evitar lecturas raras.
• Máximo 4000 caracteres por petición.

Lista voces del catálogo. Sin `q` devuelve las de español.

{ "voices": [{ "id": "...", "title": "...", "languages": ["es"] }] }

Clona una voz a partir de clips de audio (multipart/form-data).

title=Pablo Financiero
clips=@nota1.ogg
clips=@nota2.ogg        # hasta 20 archivos
enhance=0               # 1 activa el realce de Fish

{ "voiceId": "bed5a187…", "clips": 6 }

• Mínimo 10 segundos por clip; entre uno y dos minutos en total da mejor fidelidad.
• El realce viene apagado a propósito: su reducción de ruido quita brillo a las consonantes, y medimos caídas de 10,4 % a 2,6 % de energía en la banda que hace inteligible el habla.
• Elige los clips por brillo, no por duración. Una nota de WhatsApp larga suele ser peor que una corta bien grabada.
• El clonado copia el timbre, no el acento. La prosodia la pone el modelo: para acento regional hay que dirigirlo con etiquetas en el texto.

Crea una sesión y devuelve el token de la sala.

{
  "persona": "marina",          // o "closer": true
  "variables": {                 // reemplazan los {{placeholders}} del prompt
    "nombre": "Andrés",
    "producto_precio": "un millón doscientos mil pesos"
  }
}

{ "token": { "livekit_url": "wss://…", "token": "…", "expires_at": "…" } }

• El navegador entrega ese token a `AgentSession.start({ sessionToken })` del SDK @fishaudio/agent-react.
• El token caduca en minutos y la llamada tiene un tope de 10 minutos.
• Hasta 50 variables por sesión. Una variable vacía deja el marcador «{{así}}» visible al modelo, que puede acabar leyéndolo en voz alta.

Lanza una llamada saliente.

{
  "to": "+573001234567",
  "variables": { "nombre": "Andrés", "producto_precio": "novecientos mil pesos" }
}

{ "callSid": "CA…", "to": "+57…" }

• El destino va en formato E.164, empezando por «+».
• Cada país debe estar habilitado en los permisos geográficos de Twilio; si no, devuelve «not authorized to call».
• Las variables viajan como parámetros del stream y llegan al agente antes de que la persona conteste.
• Hasta 60 llamadas por hora y por token. Al pasarse responde 429 con la cabecera Retry-After.

Historial de llamadas con estado, duración y costo.

Detalle de una llamada. Con un id «sess_…» devuelve la transcripción completa.

Estado del servicio. No requiere token.

{ "ok": true, "fish": "ok", "agente": "…", "puente": "voz.bibliolabtech.com" }