¿Por qué tu voz clonada suena a robot? El problema casi siempre está en el audio de referencia
Hace unas semanas un amigo me pidió ayuda con la locución de un Reel. Mismo texto, misma herramienta, misma tarde. A él le salió algo con voz en off de documental de Netflix. A mí me salió... el GPS de mi madre leyendo un trabalenguas.
Al principio pensé que era magia negra. Luego entendí que el problema estaba en el audio de referencia. Y esto, ojo, es algo que casi nadie te cuenta porque se da por hecho. Así que hoy suelto todos los errores que cometí para que tú no los repitas.
La IA te imita, no inventa
Hay un malentendido enorme con esto del clonar voz gratis: la gente cree que subes cualquier audio y la IA te devuelve una voz bonita. No. La herramienta aprende de lo que le das: tu timbre, tu ritmo, tu forma de respirar... y también tus vicios de grabación.
¿Grabaste tenso, seco, escupiendo palabra por palabra? La voz sintética será tenso, seca y escupiendo palabra por palabra. O sea, cuando dices "la voz en off IA gratis suena falsa", lo que probablemente estás diciendo es "mi audio de referencia suena falso".
Lo que sí importa al grabar
El entorno gana al micro. De verdad. Antes de soñar con un micrófono de 300 euros, resuelve esto:
- Una habitación pequeña y silenciosa. Al lado del armario va genial, la ropa absorbe el eco
- El móvil a un puño y medio de la boca, ni pegado ni lejos, para evitar los pops
- Volumen constante de principio a fin. Nada de empezar gritando y acabar susurrando
Con 30 segundos a 1 minuto de audio tienes de sobra. Menos no le da tiempo a aprender tu timbre; más es perder el tiempo. Y por favor, no leas el texto como si fueras rehén. Habla como hablas en WhatsApp con tu gente, con subidas y bajadas, hasta con una risilla si te apetece. Esos detalles son los que luego hacen que la voz suene humana.
Grábalo, escúchalo. Si a ti te chirría, a la IA no le pidas milagros.
El texto que vas a sintetizar también cuenta
Resuelto el audio de referencia, viene la otra mitad: el texto. Y aquí otro consejo contraintuitivo: lo escrito para locución con IA gratis no debe sonar escrito.
"En conclusión, dicho producto presenta ventajas significativas"... eso lo lee cualquiera y suena a robot, con la mejor voz del mundo. Cámbialo por "al final, esto funciona, y punto". Nota la diferencia. La puntuación es tu ritmo: coma es pausa corta, punto es pausa larga, y una raya puede meter un respiro natural en medio de la frase.
Cuando hago texto a voz español gratis en VoxClone, siempre leo el texto en voz alta antes de generarlo. Todo lo que se me traba al leerlo, lo reescribo. Texto fluido, voz fluida.
Desastres que he visto (y cometido)
¿Aire acondicionado de fondo? ¿Teclado? La voz clonada sale con un siseo permanente que no hay ajuste que quite. Toca regrabar. Y si el audio tiene música detrás, peor: la IA se come la melodía como si fuera parte de tu timbre y sale algo rarisimo.
También he probado a usar un fragmento de doblaje de una película como referencia. Entendedor, ¿verdad? El actor tiene emoción, sube y baja... Pues no. El resultado era inestable, la misma frase a veces en un tono y a veces en otro. Si buscas un efecto dramático para doblaje con IA gratis, quizá valga. Para el resto, audio limpio y en seco, sin discusión.
FAQ
¿Cuánto debe durar el audio de referencia?
Entre 30 segundos y 1 minuto. Lo importante es la calidad, no la duración: un minuto limpio y natural vale más que cinco ruidosos.
¿Sirve el audio grabado con el móvil?
Sí, y muy bien. Los micrófonos de los móviles actuales están bastante bien. Habitación silenciosa, sin manos libres, y fuera del coche (el eco ahí es terrible).
¿Las herramientas gratuitas dan la talla?
Para la mayoría de cosas, sí. Yo uso habitualmente el clonador de voz gratis de VoxClone, que funciona como voz sintética gratuita sin registro: abres la página, subes el audio y pruebas. Si el resultado no te convence, el 90% de las veces el fallo está en tu grabación, no en la herramienta.
Antes de irte
Al final, la ecuación es simple: siete partes de audio de referencia, tres de texto, y cero de suerte. La herramienta es lo de menos, sobre todo cuando probar no te cuesta nada. Si tienes un texto pendiente de narrar —un vídeo, quizá empezar a crear audiolibro con IA—, ve ahora mismo a un sitio tranquilo, graba 30 segundos y haz la prueba. Te aprende más que diez tutoriales, te lo prometo.