¿Cinco segundos de audio bastan para doblar una novela por personajes? Mi prueba real

Tengo una novela larga que quería convertir en audiolibro, con dos personajes principales que suenan muy distintos entre sí. Lo lógico era contratar a actores de doblaje, pero el presupuesto... mejor no hablemos. Un día vi en VoxClone que prometían "clonar voz gratis para siempre" y pensé: ¿y si con una muestra diminuta me sale algo decente? Total, no pierdo nada más que cinco segundos de mi tiempo. Así que agarré el móvil, me metí en un pasillo tranquilo y grabé una frase suelta del personaje protagonista. La subí al conversor de texto a voz y me quedé esperando el milagro.

La muestra: del móvil a la web sin complicaciones

Busqué un rincón sin ruido, pegué el micrófono a la boca y solté la frase con toda la intención dramática que pude. El audio duró exactamente 5,2 segundos, en formato m4a, y lo arrastré directo a la página. Ni registro, ni ventanas emergentes, ni límite de tamaño. En menos de diez segundos ya estaba dentro. La sensación fue de estar usando un clonador de voz gratis de verdad, sin letra pequeña.

El clonado: sin registro y con resultado que sorprende

Le di a "clonar" y apareció una barra de progreso que se llenó en un suspiro. Al lado, un mensaje decía: "modelo listo, ya puedes sintetizar". Copié el primer monólogo del protagonista, seleccioné la voz recién creada y le di a generar. La primera frase que escuché me dejó con la boca abierta: el tono, las pausas, incluso un temblor sutil en la voz... era yo. Así que el generador de voz gratis puede hacer maravillas incluso con tan poca muestra.

Primera pasada: el personaje A con matices

El texto del protagonista tenía varias pausas largas, y me aseguré de poner signos de puntuación. El audio las respetó sin sonar robótico. La velocidad por defecto era un pelín rápida, así que la bajé a 0,9 y ajusté un poco el tono. El resultado encajaba mucho mejor con el ritmo de la novela. Exporté el archivo en wav, lo metí en el editor de audio y la forma de onda se veía limpia, sin ruido de fondo molesto.

Segunda pasada: el personaje B, el contraste

El villano necesitaba una voz grave y rasposa. Con la misma muestra de 5 segundos, intenté bajar el tono dos semitonos y ralentizar más el habla. Se notaba cierta opresión en la voz, pero los agudos se perdían y de vez en cuando aparecía un artefacto metálico. Ahí me di cuenta: el mismo modelo no se estira infinitamente. Para usos extremos, hay que meterle mano después con un ecualizador.

Comparar, ajustar, repetir

Puse las dos versiones una al lado de la otra. La del protagonista casi servía para publicarla tal cual; la del villano necesitaba retoques. Bajé el tono otro pelín (-1,5), puse la velocidad en 0,85 y añadí 300 ms de silencio antes de las frases clave. Al regenerar, los artefactos se redujeron bastante. Ese bucle de ajustes me llevó unos diez minutos, todo desde el navegador, sin instalar ningún software raro. Si quieres más trucos de parámetros, en la guía de ajustes hay material interesante.

El entorno de grabación manda: por qué el mismo 5 segundos da resultados distintos

Lo que aprendí en esta prueba es que el ruido ambiental, la distancia al micrófono y hasta la reverberación de la habitación se quedan grabados en el modelo. La muestra del pasillo salió casi seca, y la voz clonada sonaba nítida. Pero otra vez, con prisa, grabé 5 segundos en el salón con el aire acondicionado puesto. El resultado: un ruido de fondo evidente y la respiración amplificada hasta sonar como un soplido. Consejo: métete en un armario o entre cojines, pega el micrófono a unos 5 cm de la boca y apaga todo lo que haga ruido. Aunque solo sean 5 segundos, una muestra con buena relación señal-ruido te ahorra la mitad del trabajo de limpieza después.

Sube la ganancia del micrófono al máximo sin que distorsione, y al terminar recorta el silencio del principio y del final con el editor del móvil. Convierte el archivo a wav de 16 kHz y mono antes de subirlo. La web también acepta m4a, pero un formato uniforme evita avisos raros de "error al decodificar". Parecen tonterías, pero marcan la diferencia entre una voz clonada que suena bien y otra que no convence.

Reutilizar el mismo modelo para todo el libro: el flujo invisible

Con las voces del protagonista y del villano listas, ya no tuve que clonar nada más. Para cada capítulo, separé el texto en dos archivos según el personaje. Usé la función de síntesis por lotes de la web (que consiste en pegar bloques de texto y darle a generar), junto con una extensión del navegador que autocompleta formularios. En pocos minutos tenía las dos pistas del capítulo entero. Luego, con el renombrado masivo del editor de audio, puse nombres por capítulo y personaje, y al montarlo todo encajaba sin apenas ajustes.

Ojo con un detalle: si usas el mismo modelo para textos largos, fija los ajustes de velocidad y tono. Si no, unos capítulos sonarán más rápidos y otros más lentos, y se nota un montón. Yo dejé al protagonista en 0,92 de velocidad y +0,3 de tono, y al villano en 0,85 y -2,5. Así todo el libro suena uniforme, sin tener que reajustar cada párrafo.

¿Y si la muestra es de solo 3 segundos? Un experimento por curiosidad

Me dio por probar con un fragmento de 3 segundos de la misma frase. La web me avisó: "muestra demasiado corta, se recomienda al menos 4 segundos". Le di a continuar de todas formas, y el audio salió con temblores en las vocales y un brillo metálico en las consonantes. Inservible para un producto final. El modelo tiene un límite real de duración mínima, y 5 segundos están justo en el filo.

Si solo tienes un fragmento muy corto, lo mejor es grabar dos o tres frases del mismo personaje con distintos tonos y unirlas hasta superar los 5 segundos, aunque sea con medio segundo de silencio en medio. Así el modelo captura suficientes fonemas y la voz sale estable, sin esos artefactos que te amargaban la tarde.

Cuando el audio llega al editor de vídeo

Puse las dos pistas en la línea de tiempo, añadí música de fondo y ambiente, y los primeros diez minutos del audiolibro estaban listos. Exporté en mp3, lo subí a la plataforma y las reproducciones superaron con creces lo que esperaba. En los comentarios había gente preguntando quién ponía la voz. La próxima vez, directamente grabo 5 segundos, los paso por VoxClone y a correr. Menos vueltas y más historias contadas.

Si te pica la curiosidad, prueba con tu propia voz. No necesitas más que un móvil, un rato tranquilo y la página de clonado. A mí me funcionó, y eso que empecé con bastante escepticismo.