Grabé mi voz en el metro para clonarla y salió con anuncios de estación: así pasé 80 páginas de apuntes a audio
«Próxima estación: Sol. Correspondencia con la línea 1.»
Esa frase no la escribí yo. La dijo mi voz clonada, en mitad de un párrafo sobre distribuciones de probabilidad, un martes a las ocho y media de la mañana. Y no, no era una broma mía.
Todo empezó con una carpeta de 80 páginas de apuntes en PDF y un examen a la vuelta de la esquina. Yo viajo unos cuarenta minutos en metro, ida y vuelta. Cuarenta minutos con el móvil en la mano y los ojos ardiendo... no, gracias. Así que se me ocurrió lo obvio: clonar voz gratis y que «yo» leyera los apuntes mientras voy sentado.
La idea era buena. La ejecución fue un desastre.
Primer intento: grabar en hora punta, error de principiante
Grabé la muestra a las 8:10, en el vagón más lleno que he visto en meses. Tres minutos y doce segundos, el móvil pegado a la boca, susurrando para no molestar a nadie. En ese momento me sentía muy listo: aprovechar el trayecto para conseguir material de clonación.
La primera frase del audio generado sonaba bien. La segunda, ya no. Era como si alguien hablara debajo del agua, con un zumbido grave arrastrándose al final de cada palabra. Y en la cuarta frase apareció el anuncio de estación.
Necesité tres reproducciones para entender qué había pasado: el clonador de voz gratis no había aprendido solo mi timbre. Se había tragado también el ruido del vagón, la megafonía y las conversaciones de al lado. Todo eso formaba parte de «mi voz» según el modelo.
Esa tarde me sentí bastante idiota.
Los tres errores que creí inofensivos
El ruido no es fondo, es característica. Es el fallo que más me dolió. Yo pensaba que la herramienta separaría la voz humana y descartaría el resto. No funciona así: aprende las estadísticas de todo el audio. El zumbido constante del metro, la voz del de al lado, el golpe de aire cuando acercas la boca al micro... todo entra en el paquete. Material sucio, resultado sucio. Sin excepciones.
El ritmo y la duración pesan más que el timbre. De mis tres minutos, casi dos los pasé hablando bajísimo, y el ritmo iba y venía sin control. Con una muestra tan corta y tan irregular, sale un híbrido raro. Da igual si usas un clonador de voz gratis o uno de pago: la calidad del material no la salta nadie.
La cancelación de ruido del móvil te sabotea. Esa función existe para que te entiendan en una llamada, y para eso recorta armónicos de la voz. Para hablar por teléfono es genial. Para clonar mi voz online, es un desastre: sin armónicos, el timbre queda plano.
Con esto claro, volví a la página de clonación de voz y empecé de cero.
Segundo intento: un armario, dos abrigos de invierno y tres minutos
Me metí en el armario con dos abrigos apilados al lado haciendo de espuma acústica. Móvil en modo avión, a veinte centímetros de la boca, sin pegarlo. Leí un texto mío, con frases cortas y largas mezcladas, a un ritmo un poco más lento de lo normal.
Tres minutos. Solo tres.
El resultado me daba vergüenza —escucharse a uno mismo siempre da vergüenza—, pero mi hermana pasó por detrás y soltó un «pero si eres tú». Vale. Aprobado.
Y entonces llegó la parte de verdad: convertir los apuntes en algo escuchable. Aquí descubrí que el texto a voz español gratis tiene una barrera de entrada mucho más baja de lo que imaginaba.
De PDF a audio: el trabajo sucio que nadie cuenta
Tirar el PDF tal cual al conversor no sirve. Hice varias cosas antes:
- Borré encabezados, pies de página, números de página y las llamadas de bibliografía.
- Saqué fórmulas y tablas aparte y las sustituí por una frase descriptiva («aquí hay una tabla de tres filas y dos columnas: a la izquierda el método, a la derecha la precisión»).
- Añadí un «primera parte» delante de cada título grande, para que el oído tenga señales por dónde va.
El texto limpio lo pegué en el convertidor de texto a voz online, elegí la voz que acababa de clonar y generé por bloques. Ochenta páginas partidas en once audios de siete u ocho minutos: justo un trayecto de metro.
Escuchar mi propia voz diciendo «inferencia bayesiana» fue raro y muy práctico a la vez. Al final estás usando una voz en off con IA gratis como lector, con la particularidad de que la locución con IA gratis la pone tu propio timbre.
Cuatro detalles que solo aprendes a golpes:
- Mejor una muestra corta y limpia que una larga y ruidosa. Tres minutos en silencio valen más que treinta en una sala de reuniones.
- No generes bloques eternos. A partir de quince minutos, escuchar cansa y no puedes retomar donde lo dejaste.
- Reescribe números y siglas antes de generar. «2024» como «dos mil veinticuatro», «ONU» como «o-ene-u». Si no, suena rarísimo.
- Escucha diez segundos antes de lanzar todo el bloque. Así no descubres al final que elegiste la voz equivocada.
Si tu plan es crear un audiolibro con IA a partir de un texto largo, el proceso es idéntico; solo cambia la escala y las ganas de revisar. Y hay quien aprovecha estas mismas herramientas para doblaje con IA gratis de vídeos cortos para TikTok, Reels o YouTube. Yo ahí no me he metido a fondo, pero el camino es el mismo: material limpio y bloques cortos.
Cuando tuve el flujo controlado, se lo enseñé a un par de amigos que hacen voluntariado en accesibilidad. Su caso es más duro que el mío: lectores con discapacidad visual que necesitan escuchar manuales, papers y documentos oficiales de cientos de páginas. Para ellos, que exista un sintetizador de voz gratis sin registro y un TTS gratis sin registrarse importa mucho más que si el timbre se parece o no.
Yo llegué a plantearme montar un script con una API de síntesis de voz gratuita para procesarlo todo en lote. Al final lo dejé: hacerlo desde la web fue más rápido y no me complicó la vida. Lo que más me ha servido de VoxClone es no tener que registrarme para nada. Abres, pegas, generas. Para quien lo usa de vez en cuando, eso es oro.
Y sí, tener el clonador y el generador de voz gratis en el mismo sitio ahorra el paseo de pestaña en pestaña. Cuando la cosa funciona, tu voz deja de ser algo que solo sale de tu garganta y pasa a ser un motor de lectura que puedes llamar tantas veces como quieras. Ochenta páginas, doscientas, da igual.
La web se anuncia como clonación de voz gratis permanente y, en los meses que llevo usándola, no me he encontrado con cobros sorpresa ni con límites agotados. Dicho esto, las condiciones cambian y manda siempre lo que diga la web oficial.
Preguntas frecuentes
La voz clonada no se parece a la mía. ¿Qué hago?
Casi siempre es problema del material, no de la herramienta. Revisa tres cosas: si se cuela otra voz, si hay ruido de fondo continuo y si hablaste a un ritmo irregular. Y hay un detalle que casi nadie mira: la emoción. Si grabaste la muestra leyendo algo muy intenso, el clon saldrá intenso, y luego leyendo apuntes suena raro. Graba con tu tono normal de conversación. No actúes.
¿Y las fórmulas, los gráficos y el código?
No esperes que el TTS los lea bien. Yo los convierto en descripciones habladas y las inserto en el punto correspondiente. La fórmula se lee «sigma desde i igual a uno hasta n», la tabla se lee «esta tabla tiene tres filas, la primera es...», y los bloques de código los salto y digo «aquí hay un fragmento de código, ver página tal del original». Suena torpe, pero el oído lo sigue sin perderse.
¿Las herramientas online sin registro tienen límite de uso?
En los meses que llevo usándolas, no me he topado con ninguno. Aun así, las políticas cambian, así que consulta la web oficial. Mi consejo: no lo fíes todo a un solo sitio. Si el documento es largo e importante, descarga el audio a tu ordenador en cuanto lo tengas. Y si te interesa cómo tratar textos largos, en más tutoriales hay ideas parecidas que merecen un vistazo.
Si tú también tienes un documento que da pereza solo de mirarlo —apuntes, un paper, un manual, una normativa—, puedes empezar esta misma noche. Busca un sitio silencioso, graba tres minutos de tu voz, habla despacio y con frases naturales, y pásate por clonar voz gratis a probar.
Y por favor: no grabes en el metro.