Cómo hacer una locución con IA que no suene robótica

Una locución con IA es una pista de voz generada por ordenador que lee tu guion sobre un video y ocupa el lugar de un narrador humano. Bien hecha, nadie nota que es sintética. Cuatro cosas te llevan hasta ahí: una voz que encaje con el contenido, un guion escrito para decirse y no para leerse, un ritmo de unas 150 a 170 palabras por minuto y una mezcla con una música suave y subtítulos por debajo de la voz.

La mayoría acierta con el selector de voces y se queda ahí, y luego no entiende por qué el resultado sigue sonando a robot leyendo un manual. La voz es más o menos un tercio del trabajo. Los otros dos tercios son el guion y la mezcla, y ahí es donde esta guía dedica casi todo su espacio.

Eso vale tanto para un video a la semana como para un calendario diario en varios canales, el tipo de montaje al que la gente suele referirse con automatización de YouTube. La mecánica es la misma. Lo que cambia es cuánto puedes seguir haciendo a mano a ese ritmo.

Cómo funcionan de verdad las voces de IA

Toda voz de IA sale de una red neuronal entrenada con horas de una persona hablando, ya sea un locutor contratado o una mezcla de varios hablantes convertida en algo nuevo. El modelo aprende la forma de esa voz: el tono, el ritmo, la respiración, los pequeños enganches entre palabras. Si le das un texto nuevo, no une sílabas pregrabadas como hacía el antiguo texto a voz de las centralitas telefónicas y los GPS. Genera el audio desde cero, fragmento a fragmento, y por eso puede dar una entonación natural a una frase que nunca ha visto.

Para usarlo bien no necesitas entender las matemáticas que hay debajo. En la práctica eliges una voz de una lista, igual que eliges una tipografía, y el modelo hace el resto. Lo que sí controlas, y lo que de verdad decide cómo suena el resultado, es el guion que le das y los ajustes que lo rodean, la parte que la mayoría pasa demasiado deprisa. Lo que más vemos son dos guiones con el mismo significado pero distinta puntuación que suenan diferentes, porque el modelo reacciona a la forma de la frase tanto como al contenido.

Un truco más reciente basado en la misma tecnología es la clonación de voz: le das al modelo una muestra corta, a veces cinco segundos, a veces un minuto, y puede generar frases nuevas con esa voz. Es una herramienta real, y también la parte de todo este mundo con más normas, que veremos más abajo.

El mismo enfoque neuronal maneja ya decenas de idiomas, y cada vez más modelos lo hacen dentro de un solo sistema en lugar de usar un modelo distinto por idioma. Eso significa que un guion escrito en español puede salir en inglés, hindi o japonés con un carácter de voz parecido, aunque sonar parecido no garantiza sonar bien.

Elegir la voz adecuada

Elige la voz antes de tocar el ritmo o el guion, porque pone un techo a todo lo demás. Cuatro cosas deciden si una voz encaja: el género, la edad aparente, el acento y la energía.

• Género: ajústalo al tono del contenido, no a tu propia voz ni a la imagen de tu canal. Un resumen tranquilo de true crime y un unboxing con mucha energía suelen pedir opciones contrarias, y ninguna es una regla, solo un punto de partida para probar.
• Edad aparente: las voces más jóvenes encajan con resúmenes rápidos y contenido de tendencias; las mayores o más cálidas, con videos explicativos, documentales y todo lo que deba transmitir autoridad.
• Acento: un español neutro es el que llega a más gente, pero un acento regional auténtico, ya sea rioplatense, mexicano o peninsular, puede hacer que una historia o un contenido local se sienta más concreto y menos genérico.
• Energía: una voz con más brillo natural sostiene mejor un gancho de 30 segundos que una plana, pero ese mismo brillo cansa en un video explicativo de 15 minutos.

La plataforma importa tanto como el tipo de contenido. Una voz que arranca fuerte en los dos primeros segundos funciona mejor en TikTok y en Shorts, donde el algoritmo y el espectador deciden rápido. Una voz más estable y con menos energía retiene mejor la atención en un video de YouTube de 10 minutos, donde el trabajo es resultar agradable durante mucho rato y no sobresaltar a alguien para que deje de deslizar.

No te quedes con una voz solo por el fragmento de muestra. Una muestra de 10 segundos casi siempre suena mejor que un guion completo, porque se salta las frases que revelan los puntos débiles de una voz, como las cifras o un nombre que pronuncia mal. Genera un minuto entero de tu guion real con dos o tres voces antes de elegir una para todo el video, sobre todo si estás empezando un canal faceless y todavía no sabes a qué voz responde tu audiencia.

Ajustar la voz a tu contenido

Aquí tienes un punto de partida para siete tipos de contenido habituales. Tómalo como un valor por defecto, no como un reglamento, y cambia cualquiera en cuanto tus propias pruebas digan otra cosa.

Fíjate en que el ritmo cambia más que el carácter de la voz. Un documental y un guion motivacional piden los dos una voz cálida y grave, pero el motivacional tiene que ir aún más despacio en los momentos importantes.

Escribir un guion que suene hablado

Un guion escrito para leerse no se parece en nada a uno escrito para oírse. Cuando lees un párrafo, tus ojos pueden volver atrás si pierdes el hilo. Cuando escuchas, solo tienes una pasada, así que cada frase tiene que llegar a la primera.

• Haz frases cortas. Si una frase necesita tres comas para sostenerse, son dos frases.
• Usa un lenguaje coloquial. "Vas a ver" suena a persona. "Usted podrá observar" suena a circular de empresa, salvo que quieras ese registro formal a propósito, como en un guion de noticias.
• Una idea por frase. Si metes dos ideas en una sola frase, la voz de IA, igual que un lector humano, tiene que adivinar dónde va el énfasis.
• Léelo en voz alta antes de generar nada. Si tú tropiezas con una frase al leerla, la voz de IA también tropezará, solo que con más educación.

Los guiones que pasan la prueba de leerlos en voz alta casi siempre suenan mejor que los pulidos solo sobre el papel, incluso con la misma voz. Si empiezas desde cero, nuestro generador de guiones para video con IA sigue la misma idea: primero frases cortas y habladas, después el pulido.

Dar formato al guion para que la IA lo lea bien

Además de la longitud de las frases, hay unas cuantas cosas concretas que hacen tropezar a menudo a un motor de texto a voz. Ninguna es difícil de arreglar cuando sabes buscarlas.

Nada de esto tiene que estar en el primer borrador. Escribe de forma natural, genera una primera pasada y vuelve solo a las frases que salieron mal. La pregunta de soporte más habitual que recibimos sobre guiones es por qué un nombre o unas siglas salieron mal pronunciados. Escribirlo una vez como se pronuncia casi siempre lo arregla.

Ritmo y pausas

La mayor parte del habla conversacional en inglés ronda las 150 a 170 palabras por minuto, y es un buen valor por defecto también para la mayoría de las locuciones con IA. En español las palabras suelen ser algo más largas, así que no te alarmes si tu guion queda un poco por debajo de esa cifra al ritmo natural. Las lecturas rápidas encajan con contenido de mucha energía o de cuenta atrás, donde la energía importa más que la claridad. Las lentas encajan con todo lo que tenga una cifra, un nombre o una instrucción que el espectador necesite retener, porque la comprensión cae en cuanto el ritmo supera la capacidad de procesar lo que se acaba de oír. Un ritmo de 162 palabras por minuto es un punto medio bastante seguro si no quieres pensarlo en cada video.

La puntuación es tu control del ritmo, porque el modelo lee las pausas a partir de ella y no de nada que le digas aparte. Una coma da un silencio corto. Un punto da uno de verdad. Un salto de párrafo, si tu herramienta lo respeta, da la pausa más larga posible antes de tener que editar a mano. Si una frase necesita un segundo entero de silencio antes del remate, suele ser señal de que debes terminar ahí la frase anterior en lugar de intentar conseguir un hueco más largo a base de puntuación.

Controles de énfasis y emoción

Algunas herramientas te dan controles directos sobre cómo interpreta una voz cada frase: deslizadores de estabilidad y expresividad, un ajuste de intensidad del estilo o indicaciones entre corchetes como un susurro o una risa. Donde existen, los ajustes pequeños llegan más lejos que los grandes. Si subes demasiado la expresividad, una voz que sonaba segura empieza a sonar errática.

Si una herramienta no tiene esos controles, el propio guion te da mucho con lo que trabajar. La puntuación y la estructura de las frases hacen gran parte del trabajo emocional: una frase corta después de una larga suena a punto de llegada, un signo de interrogación cambia la forma de toda la frase y una palabra sola en su propia línea suele pesar más que la misma palabra enterrada en mitad de una frase.

Lo que conviene evitar

Evita todo lo que parezca una acotación escrita directamente en el texto hablado, como poner "(se ríe)" como instrucción literal. La mayoría de las voces la ignorarán o, peor, la leerán en voz alta.

Locuciones en varios idiomas y trampas de traducción

Una voz de IA multilingüe puede hablar de verdad español, hindi, japonés y una docena de idiomas más, a menudo manteniendo el mismo carácter de voz en todos. Es una capacidad real, y gran parte de lo que hace que llegar a otra audiencia sea realista hoy para un creador pequeño.

Las trampas están casi siempre en la traducción. Un guion traducido palabra por palabra suele quedar más largo o más corto que el original en el idioma de destino, y eso descuadra cualquier sincronización que hubieras construido. Las expresiones hechas traducidas al pie de la letra no tienen sentido. El registro formal o informal importa en algunos idiomas más de lo que se espera, y elegir el equivocado puede hacer que un guion amable suene rígido o, peor, maleducado. Las cifras, las unidades y las monedas hay que convertirlas además de traducirlas, o acabarás con un guion que dice "diez millas" en un país que mide en kilómetros.

Si estás probando un idioma nuevo, genera primero una sección corta y pide a un hablante nativo que la revise antes de comprometerte con un guion completo. Nuestras herramientas gratuitas de texto a voz en español y texto a voz en hindi son una forma rápida de escuchar un idioma antes de construir toda una locución a su alrededor.

Qué permite la clonación de voz

La clonación de voz toma una grabación corta de una voz real, normalmente la tuya, y permite a un modelo generar frases nuevas con ella que nunca llegaste a decir. Para un creador en solitario es una herramienta real: grabas cinco minutos una vez y puedes cambiar un guion a medianoche sin volver a grabar nada.

Clona solo tu propia voz o una voz que tengas permiso explícito y por escrito para usar. Clonar a un famoso, a otro creador o a cualquier persona sin su consentimiento incumple las normas de casi todas las plataformas y, según dónde viváis tú y esa persona, puede ser también un problema legal. Además, es el tipo de atajo que suele acabar con un canal en lugar de hacerlo crecer.

El riesgo legal y de plataforma es real, pero hay un motivo más sencillo para no salirte de los límites: una voz clonada sin permiso suele sonar falsa a cualquiera que conozca a la persona real, y eso tira por tierra la razón de usar una voz natural.

Mezcla de voz, música y subtítulos

Una locución solo suena terminada cuando está dentro de una mezcla de verdad: la voz arriba, la música baja por debajo y los subtítulos sincronizados con lo que se dice. Si una de las tres falla, estropea las otras dos.

Niveles que funcionan siempre

Como punto de partida, deja la música de fondo entre 12 y 18 decibelios por debajo de la voz, más cerca de 15 si la pista tiene alguna voz cantada que se cuele. Bájala aún más en cualquier frase con información importante de verdad. Si puedes tararear la música mientras habla la voz, está demasiado alta. Si el video se siente en silencio absoluto entre frases, probablemente la música está demasiado baja y el ritmo no es el problema.

Los subtítulos deben seguir las palabras reales en el momento exacto en que se dicen, no una paráfrasis aproximada que aparece tres palabras tarde. La mayoría de las herramientas que generan una locución con IA también generan la sincronización palabra por palabra para los subtítulos automáticos, y vale la pena usarla aunque normalmente escribas tus subtítulos a mano, porque te ahorra volver a sincronizar cada vez que cambias una frase.

El volumen también hay que comprobarlo en la plataforma, y tus auriculares no bastan. Una mezcla que suena equilibrada en buenos altavoces puede sonar bastante baja en un teléfono en un sitio ruidoso, así que una última pasada a bajo volumen en el altavoz del teléfono detecta problemas que un equipo de estudio esconde.

Errores comunes que hacen que una locución suene falsa

• Guiones que son un muro de texto. Un guion escrito como tres párrafos largos sin puntos naturales para respirar suena exactamente así en voz alta: plano, atropellado y agotador de escuchar.
• Un ritmo equivocado para el contenido. Un documental a 200 palabras por minuto suena a cláusula legal. Un video de mucha energía a 130 palabras por minuto suena a que está dando largas.
• Una voz que no encaja. Una voz joven y brillante leyendo un análisis financiero serio, o una voz grave y solemne leyendo un resumen de memes, rompe la confianza antes de que el contenido tenga una oportunidad.
• Sin subtítulos, o con subtítulos que se desfasan. Una locución que nadie puede oír es como si no existiera, y gran parte del contenido corto se ve sin sonido durante los primeros segundos. El desfase es el mismo problema con otra forma: unos subtítulos que van dos frases por detrás de la voz parecen rotos incluso con el sonido activado.
• Una interpretación monótona. Una voz generada con un único ajuste plano para todas las frases, sin variación entre el gancho inicial y la idea final, cansa aunque cada frase suene bien por separado.
• Saltarte la prueba de leer en voz alta. Casi todas las frases torpes de una IA vienen de una frase que quien la escribió nunca dijo en voz alta antes de generarla.

Qué esperar de las herramientas gratuitas de locución con IA

No necesitas una cuenta de pago para saber si una locución con IA encaja con tu canal. Genera gratis unas frases, escúchalas en tus propios altavoces y decide antes de gastar nada. Espera una lista de voces más corta que la biblioteca completa, un límite de generación diario y modelos de voz estándar en lugar de premium. Algunas herramientas también ponen una pequeña marca de agua en las exportaciones de video, aunque el audio suele salir sin ella.

Lo gratuito funciona bien para probar una voz, un guion o un idioma antes de comprometerte. Se queda corto cuando publicas a diario y necesitas una voz clonada, guiones más largos o exportaciones sin marca de agua, y en ese punto un plan de pago se amortiza rápido, sobre todo si es un generador de video con IA completo que también crea las imágenes y los subtítulos.

Crear una locución dentro de un creador de videos

Esta es la secuencia real para hacer una locución con IA dentro de un creador de videos, desde el guion en blanco hasta la mezcla terminada.

1. 1Escribe primero el guion, por separado, antes de tocar ninguna herramienta. Léelo en voz alta una vez y corrige todo aquello en lo que tropieces.
2. 2Arregla los puntos difíciles: cifras con letras, nombres complicados escritos como se pronuncian y frases largas divididas en dos, usando la tabla de formato de arriba como lista de control.
3. 3Elige una voz que encaje con tu tipo de contenido (documental, lista, historias y el resto piden valores distintos, como vimos antes) y fija el ritmo, normalmente de 150 a 170 palabras por minuto salvo que tu contenido pida más rapidez o más calma. Un canal de estudiar conmigo suele querer el extremo lento de ese rango y una voz casi sin energía.
4. 4Genera una primera pasada y escúchala entera una vez antes de editar nada. Apunta las dos o tres frases que suenan mal en lugar de corregir cada detalle sobre la marcha.
5. 5Añade una música de fondo bajo la voz, mantenla suave y deja que los subtítulos se generen a partir del mismo audio para que se sincronicen solos.
6. 6Exporta y míralo en la plataforma donde vas a publicar, porque una mezcla que suena bien en los auriculares puede sonar distinta en el altavoz de un teléfono.

Si quieres probarlo sin instalar nada, nuestra herramienta gratuita de texto a voz para YouTube y nuestro generador de voz para TikTok te permiten generar y descargar una locución con IA en un par de minutos.

Nuestra página sobre voz en off con IA tiene el desglose completo de voces, idiomas y controles si quieres profundizar en la narración antes de pasar a las imágenes. Léela una vez, elige una voz y genera hoy tu primera pasada real en lugar de dejarlo para otra semana.