Efectos de sonido con IA: cómo crear el sonido que le falta a tus vídeos

El audio es la mitad que casi nadie cuida

Grabas el vídeo de tu producto, lo montas con mimo y le pones música. Todo correcto, pero algo suena a vacío: la taza se posa en la mesa y no se oye nada, se abre una puerta y reina un silencio de biblioteca. El ojo perdona bastante; el oído nota enseguida lo que falta.

De ahí la pregunta de este artículo: ¿se puede pedir un efecto de sonido describiéndolo con palabras y usarlo en un vídeo real, sin bibliotecas de audio ni saber mezclar? La respuesta corta es que sí, con varios peros que conviene conocer antes de gastar un solo crédito.

Qué es el diseño sonoro y por qué da verosimilitud

El diseño sonoro es decidir qué se oye en una escena y por qué. No es la música ni la voz: es todo lo que hace creíble lo que ves. Tres familias bastan para entenderlo:

• Ambiente: el sonido de fondo que sitúa el espacio, como la lluvia sobre una calle o el murmullo de una cafetería.
• Efecto puntual: el sonido que acompaña una acción concreta. Aquí entra el foley, el oficio de recrear pasos, objetos y puertas, y también los impactos, es decir, el choque entre dos cosas.
• Bucle: un fragmento que se repite sin que se note la costura, ideal para ambientes que deben durar más que el sonido original.

Cuando faltan, la escena parece de cartón piedra. Cuando están bien puestos, nadie los nota: son el aire acondicionado del vídeo, que nadie aplaude pero todos echan de menos si falla.

Cómo se pide un efecto por texto

La documentación oficial de efectos de sonido de ElevenLabs explica que su sistema convierte descripciones de texto en efectos, con control sobre la duración, el estilo y la complejidad. Entre los usos que declara figuran el diseño sonoro para cine y tráilers, los efectos para videojuegos y el foley y los ambientes para vídeo. Entiende lenguaje natural y también terminología de audio.

Para efectos simples funciona mejor una descripción clara y breve: «cristal rompiéndose contra hormigón», «pesada puerta de madera abriéndose» o «trueno retumbando a lo lejos». Para secuencias, cuenta el orden: «pasos sobre grava, después se abre una puerta metálica».

Los parámetros que importan son tres (según la referencia de la API):

• Duración: se fija en segundos, de 0,1 a 30. Si no la indicas, la decide la descripción.
• Bucle: para ambientes de más de 30 segundos, genera un fragmento que se repite sin costura perceptible.
• Influencia de la descripción: alta, interpretación literal; baja, más creatividad y variaciones.

También ayuda hablar como los técnicos. Estos términos, que la propia documentación enumera, mejoran los encargos:

• Impacto: choque entre objetos.
• «Whoosh»: el sonido de algo que se mueve a través del aire.
• Ambiente: sonido de fondo que sitúa el espacio.
• Sonido único: el que suena una sola vez, sin repetirse.
• Bucle: el segmento pensado para repetirse.
• Componente aislado: una capa del sonido por separado, para mezclarla a tu gusto.
• «Braam» de tráiler: el golpe cinematográfico de metales que avisa de que ahora viene lo serio.
• «Glitch» de transición: un fallo o vibración errática, como si la imagen se atascara un instante.

Existe además una vía abierta: AudioGen, de Meta, que genera unos 5 segundos de audio a partir de una descripción. Es autogestionada, pero exige instalación y equipo, así que no es para quien solo quiere que una puerta chirríe.

Cuánto cuesta y cómo se gasta

Según la página oficial de precios, los planes mensuales van del gratuito (0 $ y 10.000 créditos) a Pro (99 $ y 600.000), pasando por Starter (6 $ y 30.000) y Creator (22 $ y 121.000), con opciones superiores para equipos. El coste aproximado publicado de un efecto es de 200 créditos por generación; si fijas la duración, la cuenta pasa a 40 créditos por segundo, así que 30 segundos serían 1.200. Mira en tu cuenta cuál se aplica.

Lo importante: los créditos son un fondo común, y lo que gastas en voz no puedes gastarlo en efectos. Además, probar cuesta dinero aunque el resultado no valga. Pedir cinco versiones de una puerta es como pedir cinco cafés para elegir el mejor: acabas espabilado y con la cartera más ligera. Los créditos se renuevan cada mes; qué pasa con los no usados, revísalo en tu cuenta.

El flujo de trabajo: encargar, escuchar, colocar y comprobar

Un método sencillo, sin sonoteca ni mesa de mezclas:

1. Encarga. Pide un solo sonido por petición, con material, acción e intensidad: «taza de cerámica posándose en madera, sutil».
2. Escucha. Con auriculares y sin imagen primero. Si suena bien solo, pasa al siguiente paso; si no, retoca la descripción.
3. Coloca. Sitúa el efecto sobre la línea de tiempo con la imagen delante. La generación de vídeo construye por piezas cortas, y el audio se coloca después, siguiendo lo que ocurre en pantalla, no al revés. Todo el proceso está en Cómo crear un vídeo con IA: guion, imágenes, voz y montaje.
4. Comprueba niveles. El efecto acompaña, no compite. Bájalo hasta que la voz se entienda sin esfuerzo y escucha todo de nuevo con auriculares.

Ojo: un efecto puede sonar de maravilla y no coincidir con lo que pasa en pantalla. Un portazo precioso que llega medio segundo tarde es un portazo equivocado. Ahí el criterio sigue siendo humano.

Usos posibles con revisión humana

Ejemplos de lo que se puede hacer, siempre con una persona escuchando antes de publicar:

• Vídeo de producto: pasar de «taza sobre la mesa» a «taza de cerámica posándose en madera, sutil».
• Vídeo de viaje: ambiente de lluvia suave sobre una calle, en bucle, para la escena bajo el paraguas.
• Presentación de empresa: un «whoosh» corto de medio segundo en lugar del silencio de una transición.
• Vídeo de formación: un impacto discreto para subrayar una cifra en pantalla, sin tapar la locución.
• Podcast con vídeo: pasos y puertas que completan lo que se cuenta, para que la escena no suene «a estudio». Si además necesitas la voz, tienes Cómo crear voces con IA: narraciones, podcasts y doblaje sin micrófono.

Qué comprobar antes de usarlo en un proyecto de cliente

• Licencia: los precios publicados no acreditan por sí solos el régimen de licencia comercial de cada plan ni de cada efecto. Revisa los términos de uso.
• Procedencia: no todas las vías de exportación garantizan metadatos de procedencia. Anota de dónde sale cada audio.
• Duración real: treinta segundos de ambiente en bucle no equivalen a treinta segundos únicos. Para escenas largas sin repetición evidente, planifica varias piezas.
• Niveles: nada sustituye a escuchar con auriculares y medir niveles; un efecto mal nivelado tapa la voz.

Aprender a escuchar lo que falta

Quizá la mejor noticia no es que la IA fabrique una puerta, sino que te obliga a preguntarte qué sonaría en esa escena. Una vez que lo piensas, ya no puedes dejar de oírlo: el frigorífico lejano, los pasos en el pasillo, la lluvia tras el cristal. Si además el vídeo necesita banda sonora, lo vemos en Cómo crear música con IA: de una idea a una canción.

Empieza por una sola escena, un solo sonido y unos buenos auriculares.

Para ampliar información

• Sound effects: documentación oficial de ElevenLabs
• Referencia de la API: de texto a efectos de sonido
• ElevenLabs Pricing: planes y créditos
• AudioCraft: repositorio oficial de Meta
• AudioGen: presentación del proyecto