Creación multimedia Inteligencia artificial

Cómo crear voces con IA: narraciones, podcasts y doblaje sin micrófono

Hace no tanto, los lectores automáticos sonaban a un GPS con prisa: correctos, pero con la calidez de un cajero. Hoy la voz generada con IA permite narrar un vídeo, montar una audioguía o publicar la versión sonora de un artículo sin sentarse delante de un micrófono. Eso sí, «sin micrófono» no significa «sin criterio»: hay que escribir pensando en el oído y saber de quién es cada voz. Aquí tienes un mapa, separando lo que la documentación confirma de las promesas.

Qué es la síntesis de voz con IA y cómo funciona

Un sistema de síntesis de voz recibe un texto y devuelve un audio hablado. Por dentro hay un modelo entrenado para relacionar palabras escritas con sonido, ritmo y entonación: no «lee» como una persona, calcula cómo debería sonar el texto y genera el audio. La lógica de fondo está en cómo funciona la IA generativa.

Cuatro conceptos que se confunden

Se usan como sinónimos, pero describen cosas distintas:

Texto a voz (TTS): la función básica, de texto a audio. La guía de OpenAI la resume en tres entradas: el modelo, el texto y la voz.
Voz sintética: la voz que oyes, como las de catálogo, que no pertenecen a ninguna persona concreta.
Clonación de voz: imita a una persona real a partir de muestras. Según la documentación de ElevenLabs, captura una representación de la voz, no una grabación: por eso el clon puede decir cosas que el hablante nunca dijo y su calidad queda limitada por las muestras. Suena a la persona «a través del modelo», no con la acústica exacta. Y sus métodos, instantáneo (IVC) y profesional (PVC), no son lo mismo a distinta velocidad.
Conversión de voz: aquí la entrada es audio, no texto. ElevenLabs documenta una herramienta de cambio de voz que parte de una grabación y modifica el timbre manteniendo lo dicho.

Ilustración didáctica con tres columnas —Voz sintética, Clonación autorizada y Doblaje— y el aviso «avisa siempre de que la voz es generada». — Tres formas de usar la voz con IA: la de catálogo, la clonación autorizada y el doblaje a otro idioma.

Del guion a la locución: el recorrido paso a paso

Guion para el oído. Frases cortas, sin paréntesis imposibles. Léelo en voz alta: si te falta el aire, a la voz sintética también.
Elección de voz. Prueba la misma frase con varias voces. La guía de OpenAI avisa de que sus voces integradas están optimizadas para inglés.
Pronunciación. Siglas, cifras y nombres propios son terreno resbaladizo; la IA también tropieza con los apellidos difíciles. Con SSML, un lenguaje de marcado, Google Cloud documenta formatos para acrónimos, fechas y horas, fonemas en alfabeto IPA o X-SAMPA y diccionarios de pronunciación; Microsoft Learn describe un control similar.
Pausas y ritmo. SSML permite insertar pausas y OpenAI documenta una velocidad de 0,25 a 4,0; conviene quedarse cerca de lo natural.
Expresividad. Con el parámetro instructions de OpenAI se puede pedir un tono, por ejemplo alegre y positivo; no funciona en los modelos más antiguos.
Generación. OpenAI admite hasta 4096 caracteres por petición, así que un guion largo se divide por secciones.
Revisión. Escucha todo con auriculares, anota fallos y regenera solo el fragmento defectuoso.

Ilustración didáctica con cuatro pasos —Escribe el guion, Elige la voz, Ajusta pronunciación, pausas y ritmo, y Escucha y corrige— hasta el audio listo, bajo la etiqueta «síntesis de voz». — Del texto escrito a la locución: guion, voz, pronunciación, ritmo y revisión antes de dar el audio por bueno.

Qué necesitas para empezar y qué archivos obtendrás

Para un TTS básico bastan un ordenador, una cuenta en algún servicio, un guion revisado y auriculares; el micrófono solo entra si vas a clonar una voz, y entonces conviene grabar en silencio, con poca reverberación y distancia constante. Los archivos de salida que documenta OpenAI son mp3 (por defecto), opus, aac, flac, wav y pcm; otros servicios pueden ofrecer otros. Un matiz: según ElevenLabs, los clones no se descargan como archivos sueltos, se quedan en la cuenta; lo que sacas es el audio generado.

Cinco ejemplos prácticos

Narrar un vídeo: locución por bloques y pausas para que respiren las imágenes; el montaje lo tratamos en cómo crear un vídeo con IA.
Audioguía: textos breves por parada, con nombres y fechas cuidados; Google documenta marcas de tiempo con el instante exacto de un punto del guion.
Locutar un artículo: OpenAI cita la narración de una entrada de blog. Quita enlaces y notas que no tengan sentido al oído.
Podcast: voces distintas por sección; Google documenta cambios de voz dentro del mismo guion. Cuando quieras aportar tu personalidad, grábate tú.
Doblaje: ElevenLabs documenta un flujo de doblaje: proyecto con el archivo original, transcripción, idioma de destino y descarga, y en planes de empresa se puede revisar la transcripción. Google advierte de que no todas las combinaciones de idiomas rinden igual.

Herramientas conocidas, sin casarse con ninguna

ElevenLabs documenta clonación instantánea y profesional; OpenAI documenta TTS con voces integradas y voces personalizadas para clientes elegibles; Google Cloud y Microsoft Azure documentan el control fino mediante SSML. Hay más opciones: conviene probarlas con tus propias frases.

Conviene fiarse de lo que la documentación demuestra (límites, formatos, consentimiento) y tomar «suena igual que una persona» o «calidad de estudio» como promesa comercial. Que la expresividad y el doblaje mejoren con el tiempo es previsión, no hecho.

Ventajas, costes, límites y errores habituales

Las ventajas son claras: rapidez, repetición sin cansancio, corrección fácil y pruebas en varios idiomas. En costes, depende del servicio y cambia con frecuencia: consulta sus condiciones actuales.

Errores habituales:

Pronunciación incorrecta de siglas, nombres y palabras extranjeras.
Entonación artificial, con frases que suben o bajan donde no toca.
Emociones poco naturales: pedir tristeza o entusiasmo no garantiza que suene creíble.
Diferencias entre idiomas: una voz optimizada para inglés puede rendir peor en castellano, y Google reconoce que a veces el efecto es sutil o incluso negativo.

Consentimiento, derechos de voz y uso responsable

Clonar una voz sin permiso no es un truco de película: es un problema legal y ético. Las plataformas serias lo reflejan:

ElevenLabs pide confirmar que se tiene derecho y consentimiento al crear la voz, y que el audio generado puede rastrearse hasta su responsable.
Su clon profesional solo permite clonar la propia voz, incluso si otra persona da su consentimiento; quien quiera compartirla debe crear y verificar su propio clon.
Su política de uso prohíbe suplantar a cualquier persona viva sin consentimiento explícito e informado, subir grabaciones de menores y los anuncios engañosos, y ofrece un cauce de denuncia.
OpenAI exige dos grabaciones de la misma persona: una de consentimiento, leyendo una frase facilitada, y otra de muestra.

Pero hay límites reconocidos: la verificación por «voice-captcha» de ElevenLabs no garantiza que la grabación pertenezca a quien la sube, solo que estuvo presente y participó. La responsabilidad del uso autorizado recae en quien crea la voz; para el riesgo de suplantación, mira nuestro artículo sobre deepfakes y suplantación.

En la UE, el Reglamento de IA obliga a los proveedores a marcar el audio sintético en formato legible por máquina (artículo 50) y exige que quien despliegue un sistema que genere un deep fake de audio informe de que el contenido es generado o manipulado; en obras artísticas o de ficción basta con revelarlo sin estropear su disfrute. Es información general, no asesoramiento jurídico.

Consejos para resultados útiles

Empieza con un fragmento corto y escúchalo antes de generar el resto.
Escribe como se habla y revisa siglas, cifras y nombres.
Si clonas, graba con el tono que quieres obtener: OpenAI avisa de que el modelo copia lo que se le da, hasta las pausas y los hábitos.
Revisa siempre antes de publicar y di si la voz es sintética o clonada: es honesto y, en ciertos casos, obligatorio.

Y si además trabajas con imágenes, tienes cómo crear imágenes con IA.