¿Tu locución de diapositivas suena a robot? El secreto está en la referencia de audio

La semana pasada, una compañera de física me pasó un audio que había grabado con el móvil durante una clase y me dijo: "clónamelo, anda". Lo escuché y casi me da un síncope: de fondo se oía el ventilador, el roce de las hojas y hasta un carraspeo a mitad de frase. El resultado, obvio, fue una voz que parecía un robot metido en una pecera, con un zumbido constante de fondo.

Ese momento me hizo pensar en el error más común: creer que clonar voz gratis es simplemente "dale un audio y listo". No. La calidad de la referencia define si obtienes una voz humana o un muñeco electrónico. Hoy no vengo a hablar de parámetros técnicos, sino de cómo grabar ese audio que vas a "alimentar" a la IA.

Primer error: no uses tu grabación de clase, grábate con tono de locutor

Mucha gente, por comodidad, sube el audio de una clase normal. Pero ahí hay pausas, muletillas, altibajos de entonación. La IA lo aprende todo y luego las frases salen cortadas, con un "eeeeh" o un "pues..." al final de cada palabra.

Lo correcto: busca un momento de silencio, usa el micrófono del móvil o del portátil, y lee un texto con un tono plano, parecido al de un informativo. No hace falta exagerar, pero cada palabra debe sonar clara, sin arrastrar el final. Yo suelo grabar tres veces y me quedo con la mejor.

Si no tienes ni idea de cómo hacerlo, mira los ejemplos que hay en clonador de voz gratis online: sus muestras son el estándar de "referencia limpia".

Segundo error: el ruido ambiental mata más que la calidad del micrófono

¿Crees que con el móvil vale? Error. El ruido del ordenador, el aire acondicionado, hasta el tráfico de la calle, la IA lo interpreta como parte de tu timbre. Una vez grabé en una cafetería y la voz clonada salió con un "sonido de burbujas de latte" que era... especial, sí.

Cierra puertas y ventanas, coloca el móvil a 15-20 cm de la boca, y pon un paño debajo para evitar vibraciones. Si puedes, usa el micro de unos auriculares, que suele ser mejor que el del móvil. Después de grabar, escucha: si hay cualquier "siseo" o "zumbido", repite.

Este paso, bien hecho, hace que cuando uses el sintetizador de voz gratis las frases suenen limpias, como si alguien te leyera al oído.

Tercer error: el texto de referencia no es para presumir, es para enseñar

El contenido del audio de referencia define cómo la IA aprende el tono, las pausas y las uniones entre palabras. Si grabas un trabalenguas, la IA aprenderá ese ritmo forzado y luego en tus diapositivas sonará rarísimo.

Graba un texto narrativo cotidiano, por ejemplo: "Hoy vamos a estudiar la fotosíntesis, que es el proceso por el cual las plantas verdes convierten la luz en energía." Frases completas, con comas y puntos, para que la IA aprenda a pausar y a bajar el tono al final.

Y si quieres clonar tu propia voz para leer apuntes, en el enlace de clonar mi voz online ya tienen textos recomendados. Solo tienes que leerlos, sin tener que inventar nada.

Cuarto error: no te pases de largo, 10-20 segundos bastan

Algunos piensan que cuanta más referencia, mejor. Se graban cinco minutos. Pero la IA se queda con lo más "llamativo": un subidón de volumen, un tartamudeo, y eso es lo que reproduce.

He probado: un audio de 15 segundos, con velocidad uniforme y sin cambios emocionales, funciona de maravilla. Si grabas más, asegúrate de que el volumen, la velocidad y el tono se mantengan constantes, sin altibajos.

El formato da igual, mp3 o wav, pero que la calidad no sea bajísima. Lo que graba el móvil por defecto suele valer.

Quinto error: antes de subir, quita el silencio

Aunque estés en un sitio silencioso, siempre hay un ruido de fondo mínimo. Usa el editor de tu móvil o el Audacity (gratis) para recortar el silencio del principio y del final, y quédate solo con la parte donde hablas.

Una vez subí un audio sin recortar y cada palabra terminaba con un "soplido", como un globo que se desinfla. Al quitar el silencio, quedó perfecto. Este pequeño paso mejora un montón el resultado con el generador de voz gratis.

Sexto error: prueba con frases cortas antes de la locución completa

Mucha gente pega todo el texto de la clase, le da a generar y escucha dos frases antes de cerrar: suena a robot, pero no sabe por qué.

Mi truco: escribe una frase corta, tipo "Hola chicos, hoy vamos a ver el tema tres", y escucha. Si suena natural, entonces ya puedes meter el texto largo. Si no, vuelve a grabar la referencia. Así ahorras tiempo y encuentras el problema rápido.

Séptimo error: los signos de puntuación son el secreto de la naturalidad

Detalle que casi nadie cuida: la IA usa las comas, los puntos, las interrogaciones para dar ritmo. Al grabar la referencia, tienes que "leer" esos signos, no decirlos, pero sí marcar la pausa y la entonación.

Por ejemplo: "Hoy hace buen día, ¿salimos a pasear?" – en la coma haces una pausa breve, en el punto final bajas el tono. La IA aprende esa "respiración" y no suena a robot.

Si quieres darle más vida a tus clases, incluso puedes probar la función de clonar voz para cantar y leer un "hola a todos" con tono cantarín. La IA aprende ese final ascendente y queda muy vivo para el saludo inicial.

Para terminar, una escena real

Esta mañana, con mi referencia de 15 segundos, le puse voz a un repaso de física para segundo de bachillerato. El texto era: "Abran el libro por la página 48 y fíjense en el ejemplo tres, en el proceso de derivación". El resultado: el énfasis en "fíjense" y la pausa eran clavados a mi forma de hablar.

Lo mandé al grupo de profesores y tres me preguntaron si lo había grabado yo. Solo tardé 10 minutos en grabar la referencia y 3 en generar. Así que, si quieres que tus locuciones no suenen a robot, esta noche busca un rincón tranquilo, graba esos 15 segundos limpios y mañana prueba en el texto a voz gratis sin registro. Verás que la "humanidad" la pones tú, no la máquina.