La intro que me hizo querer borrar el podcast

El martes pasado, a las dos de la madrugada, mandé la intro de mi primer episodio a un grupo de amigos. La respuesta del más sincero fue directa: "¿Esto es el menú de voz de un banco?"

Casi tiro el portátil por la ventana.

Llevaba dos horas ajustando parámetros, había elegido la herramienta de texto a voz gratis que prometía "voz más humana del mercado", y el resultado era un locutor sin alma, leyendo "bienvenidos al programa" como si le pagaran por no emocionarse.

El problema no era mi micrófono ni mi habitación. Era esa sensación de sintético, demasiado limpio. Sin aliento, sin pausas, sin esos matices que tiene cualquiera cuando te cuenta algo en persona.

Me pregunté: ¿todas las voces de IA gratis suenan así de falsas? ¿O es que no las estoy usando bien?

Probé como diez generadores de voz gratis online. El más surrealista: una web que decía "texto a voz ilimitado" y que metía cinco segundos de anuncio al final de cada audio, imposible de cortar. Otra que presumía de clonar mi voz, pero al registrarme descubrí que la clonación era de pago y la versión gratis solo tenía cuatro voces fijas.

Estuve a punto de abandonar el podcast. Hasta que me di cuenta de que el fallo no era la herramienta, sino cómo la usaba yo.

Ahora entiendo que lo de "menú de banco" era un puñetazo, pero con razón. La voz de un podcast no necesita ser perfecta, necesita tener humanidad. Una voz sin humanidad, por muy nítida que sea, es ruido.

¿Por qué las voces sintéticas suenan falsas?

Cuando una voz sintética suena rara, no suele ser por falta de tecnología, sino porque la tratas como a una máquina de leer.

La mayoría de los sintetizadores de voz gratis van a una velocidad constante, sin respiración entre frases. ¿Cuándo habla así un humano? Nosotros alargamos las sílabas en las palabras importantes, hacemos pausas de medio segundo en las comas, y a veces aceleramos si estamos nerviosos o emocionados.

En una intro de podcast, eso es crítico. El oyente decide en los primeros tres segundos si se queda o se va. Si le sueltas un "bienvenidos al programa" plano, ya lo has perdido.

Mis errores fueron estos: meter el guion tal cual y darle a generar, sin tocar la velocidad, sin añadir pausas, sin elegir un tono emocional. El resultado era como un telediario o un call center, pero no como un podcast.

La cuestión es que un generador de voz gratis puede sonar muy real si le das instrucciones "humanas". Por ejemplo: no te saltes las comas, deja espacio después de los puntos, y no uses todas las exclamaciones. Algunas plataformas de texto a voz gratis te dejan insertar marcadores de pausa, pero casi nadie sabe que existen.

Una vez hice una prueba a ciegas: el mismo texto, una versión con ajustes por defecto y otra con la velocidad y las pausas retocadas. Nueve de diez personas eligieron la segunda. No era el timbre, era la respiración.

Para una intro, por ejemplo, "hola a todos" se puede alargar un pelín, y luego "soy tu presentadora" más lento, con un silencio de medio segundo antes, como si respirases hondo. Ese detalle, que casi nadie usa en los conversores de texto a voz gratis, es lo que separa lo artificial de lo real.

La voz en off con IA gratis no es magia: convierte texto en ondas. Si las ondas no tienen temperatura, la pones tú. Incluso el mejor clonador de voz online, si le das un texto plano, te devuelve una lectura sin alma.

Por qué me quedé con VoxClone

¿Por qué VoxClone? No porque saliera el primero en Google.

Había probado varios clonadores de voz gratis con límites de palabras, marcas de agua, o que te obligaban a registrarte con email y verificación de móvil. Yo solo quería probar si mi voz se podía clonar sin tanto papeleo.

VoxClone es un clonador de voz gratis sin registro. Abres la web, y listo. Dicen que es gratis para siempre, sin límite de caracteres y sin sorpresas de pago. Para un creador independiente que hace un podcast de vez en cuando, eso es oro.

Además, permite clonar mi voz online sin descargar nada. Subes una muestra, entrenas, generas: todo en el navegador, en menos de diez minutos.

Cómo hacer una transición de podcast con tu voz clonada

Te dejo el paso a paso, tal cual lo hago yo.

1. Consigue una muestra de audio limpia. Nada de grabar con el móvil al lado del aire acondicionado. Busca una habitación tranquila y lee un texto de dos minutos, como si se lo contaras a un amigo. Cuanto más limpia la muestra, mejor clonará tu voz y menos ruido de fondo aparecerá después.

2. Súbela al clonador de voz gratis. En clonar voz gratis, no necesitas instalar nada. Subes el audio, esperas unos minutos a que se entrene el modelo. Sin registro, sin tarjeta de crédito. Para los que odiamos los formularios, es un alivio.

3. Escribe el texto de la transición. Por ejemplo: "Y hasta aquí el episodio de hoy. Nos vemos en la próxima." Mejor si le pones un tono coloquial: "Bueno, pues nada, nos vemos la semana que viene". Así no suena a locutor de radio. Si el texto es muy corto, añade alguna muletilla para que la entonación sea natural.

4. Ajusta los parámetros. Ve un poco más lento, a 0.9x. No subas mucho el tono, que se parezca a tu voz de siempre. Si la herramienta tiene control de pausas, pon algunas en mitad de las frases, para que respire. No busques la perfección; un pequeño tropiezo suena más real.

5. Genera y descarga. Luego, en tu editor de audio, mézclalo con la música de fondo. Que no tape la música: yo pongo la transición al 60% del volumen de la música. Así suena integrada, no pegada.

Todo esto en menos de diez minutos, y sin necesidad de registrarte. Si algún día quieres ir más allá, por ejemplo conectar tu voz clonada a una app, VoxClone tiene una API de síntesis de voz gratis, con documentación en más tutoriales.

Un truco que me funciona: a veces dejo un "eh..." o unos puntos suspensivos en el texto. No todos los motores lo interpretan, pero cuando lo hacen, ese pequeño fallo hace que suene mucho más humano. Y no intentes que sea idéntico al 100%. Un podcast no necesita una voz perfecta, necesita consistencia. Si usas la misma voz clonada en todas las intros y transiciones, el oyente acaba asociando ese timbre a tu programa. Eso es una marca de audio.

Una noche, y una conclusión inesperada

El sábado pasado tenía que publicar un episodio nocturno y no me había preparado la transición. Era tarde, no quería volver a grabar mi voz por no despertar a la familia.

Abrí el texto a voz online, elegí mi voz clonada, escribí dos frases y en treinta segundos estaba listo. Lo publiqué. Un oyente me escribió: "Esta transición tiene mucha calidez, parece que me lo dices al oído antes de dormir".

Y aquí está la paradoja: esa voz no la grabé yo, era IA, pero sonó más cercana que mis propias grabaciones. Quizá la clave no es imitar al humano, sino sonar adecuado para el momento.

La próxima vez que escuches una intro, pregúntate: ¿esto es una persona hablando, o una máquina leyendo?

A veces pienso: ¿y si un día la IA suena exactamente como un humano? ¿Seguiremos preocupándonos por si es falsa? Igual no. Pero hasta entonces, al menos podemos hacer que no suene a teleoperadora.