«¿Esta voz la ha grabado una persona?» — y de paso, cómo elegir entre MP3 y WAV
Eran casi las doce y media de la noche cuando Andrés me mandó un audio de ocho segundos por WhatsApp. Una voz femenina leyendo la descripción de un producto, con un tono relajado y una respiración suave justo en medio. Debajo, un mensaje: «¿Esta voz la ha grabado una persona, verdad?»
No. La había generado con una herramienta para clonar voz gratis, y tardé menos de dos minutos.
Se quedó callado un momento. Y entonces soltó la pregunta que no me esperaba: «Y al exportar... ¿elegiste MP3 o WAV?»
...Te juro que esa pregunta es más difícil de responder que la de si suena real o no.
Cómo terminamos hablando de formatos
Andrés tiene una tienda online pequeña y estaba preparando audios para las fichas de producto. Antes pagaba a un estudio de doblaje: 60 euros por 30 segundos, y cada cambio costaba otros 20. Cuando le enseñé lo que se puede hacer con un clonador de voz gratis online, se quedó mirando la pantalla. Sin instalar nada, sin crear cuenta, pegando el texto y dándole a generar. Me hizo repetir tres veces que era gratis de verdad.
Lo entiendo. He probado un montón de herramientas que se anuncian como sintetizador de voz gratis y que te dan cinco minutos para luego pedirte la tarjeta, o que te devuelven el audio con una marca de agua. Encontrar algo que sea voz sintética gratuita sin registro y sin límite de caracteres no es tan común.
Pero claro, en cuanto te pones a ello aparece el problema real. Escribió su texto en la página de texto a voz gratis, le dio a exportar y se encontró con dos opciones: MP3 y WAV. Ahí se bloqueó. Y es una lástima, porque mucha gente llega buscando texto a voz español gratis, se pasa media hora comparando voces para ver cuál suena más natural, y luego arruina el resultado en el último clic porque elige el formato al azar.
MP3 y WAV: la diferencia no es «suena mejor o peor»
Vamos a quitar un mito de en medio.
WAV no significa «más calidad». Significa «sin comprimir». MP3 no significa «peor calidad». Significa «comprimido con pérdida, pero comprimido con cabeza». La relación es parecida a la de RAW y JPEG en fotografía: no es que uno sea superior, es que sirven para cosas distintas.
El WAV guarda los datos de muestreo originales, y por eso pesa una barbaridad. Un minuto de audio a 44,1 kHz y 16 bits ronda los 10 MB. Ese mismo minuto en MP3 a 128 kbps se queda en 1 MB; a 320 kbps, unos 2,4 MB.
¿Y qué te da ese peso extra? Capacidad de edición. Si vas a meter el audio en un editor para quitar ruido, cambiar la velocidad, mezclar o unir fragmentos, el WAV aguanta el trote. El MP3, cada vez que lo exportas, pierde un poco. Después de tres rondas de edición, las eses empiezan a sonar ásperas.
Al revés: si solo vas a subir el audio a un Reel, mandarlo por WhatsApp o ponerlo en una web, esos 10 MB de WAV son un desperdicio. La plataforma lo va a recomprimir de todas formas. Habrás hecho el trabajo para nada.
Mi regla, después de unos cuantos tropiezos
Llevo años haciendo locución con ia gratis para vídeos, pódcast, voz en off ia gratis para presentaciones corporativas y algún audiolibro, y ya lo tengo automatizado:
- Si el audio va a pasar por un editor, exporto WAV.
- Si es entrega final, para enviar o publicar, MP3 a 320 kbps.
- Si dudo, guardo el WAV y convierto después.
La tercera regla la añadí tras un episodio desagradable. Le entregué un MP3 a un cliente, me pidió bajar un poco la música de fondo, y al reeditar el MP3 la voz salió apagada, como envuelta en una manta. Tuve que regenerar todo desde cero. Desde entonces, en cuanto hay la más mínima posibilidad de retoque, tiro de WAV.
Y hablando de regenerar: con un generador de voz gratis sin límites, lo más práctico es generar una vez y guardar las dos versiones. Tardas treinta segundos más y te ahorras el drama.
Si además quieres conectar la voz a tu propia aplicación y generar por lotes, conviene guardar el archivo sin pérdida desde el origen. La web tiene una API de síntesis de voz gratuita que devuelve el audio directamente en WAV, así que siempre te queda margen para procesarlo después. Ese hábito de «guardar en lossless desde el principio» sale mucho más barato que intentar arreglarlo luego.
También he usado esto para doblaje con ia gratis de vídeos cortos y para crear audiolibro con ia a partir de textos largos. En los dos casos, la lógica es la misma: el formato final depende de dónde va a vivir el audio, no de cuál suena más bonito en tus auriculares.
Preguntas que me hacen cada semana
¿El MP3 suena más «a IA»?
No. O mejor dicho: el formato no es el factor decisivo. Cuando una voz suena falsa, casi siempre es por una puntuación rara en el texto o porque la voz elegida no pega con el contenido —pasa mucho al usar un tono de informativo para leer algo informal—. Los motores actuales de clonar mi voz online han pasado hace tiempo la barrera del «se nota que es un robot». La diferencia entre MP3 y WAV, en el altavoz de un móvil, es prácticamente inaudible.
Para TikTok o Reels, ¿me conviene exportar en WAV?
No, y además puede darte problemas. TikTok, Instagram y YouTube recomprimen todo lo que subes, así que un WAV acabará convertido a AAC igualmente. En el mejor caso, pierdes tiempo; en el peor, el archivo pesa demasiado y la subida falla. Para redes sociales, MP3 directo.
¿Puedo editar un archivo ya exportado?
Puedes, pero cada edición deja huella. Si solo recortas silencios del principio y del final, no pasa nada. Si necesitas cambiar la velocidad, el tono o limpiar ruido, mejor vuelve a la página de clonación de voz, genera otra vez en WAV y trabaja sobre eso. Ahí está la ventaja de que sea tts gratis sin registrarse: el coste de repetir es tan bajo que no merece la pena arriesgarse.
Lo que le dije a Andrés
Le propuse una cosa: exporta todo en WAV para el archivo maestro, y luego convierte a MP3 320 kbps para entregar. Me dijo que si de verdad se iba a notar la diferencia. Le contesté que no, que probablemente no. Pero que cuando en tres meses le pidan cambiar un texto, sabrá exactamente por qué le dije que guardara el WAV.
Si estás dándole vueltas a lo mismo, no te quedes mirando la pantalla. Coge un texto de treinta segundos, genera el audio dos veces con la herramienta de texto a voz gratis —una en MP3 y otra en WAV—, escúchalas con auriculares y mételas en un editor para cortar un trozo. Cinco minutos. Te va a enseñar más que diez tutoriales.
Y si quieres seguir cavando, en la sección de más tutoriales hay unos cuantos errores que ya he cometido yo, para que no los cometas tú.