Grabé mi voz en una cafetería para clonarla y salió un desastre: lo que aprendí sobre texto a voz

Un miércoles a las cuatro de la tarde, con la entrega de un vídeo encima, el cliente me cambió el guion entero. La locutora no tenía hueco hasta el lunes. Y yo, en lugar de negociar una prórroga como una persona adulta, pensé: «bah, clono mi voz y listo».

Saqué el móvil, me senté en la mesa del fondo de una cafetería y leí el guion en voz alta mientras la máquina de café escupía vapor y dos chicas de al lado se contaban su vida. Total, la IA limpia el audio, ¿no?

No. La IA no limpia nada. Aprende lo que le das.

Lo que salió de ahí era mi voz, sí, pero sumergida. Cada frase terminaba con un zumbido húmedo, como si hablara desde el fondo de una bañera. Se lo mandé al cliente. Cinco segundos de silencio en el chat. Y luego: «¿y si esperamos a la locutora?».

Esa tarde borré el proyecto y empecé de cero.

Qué le había dado exactamente al clonador de voz gratis

Vamos a ser honestos: la herramienta funcionaba. El error era mío, y era un error de material.

Volví a escuchar la grabación tres veces hasta que lo entendí. La máquina de café metía ruido de baja frecuencia. Las conversaciones de al lado, ruido de media. Y lo peor: tenía el móvil a veinte centímetros de la boca, así que el clonador se aprendió también la reverberación de la sala. No se quedó con mi timbre; se quedó con mi timbre más toda la cafetería.

Y hay una segunda cagada, más tonta todavía. Para «interpretar», bajé la voz media octava. Resultado: un clon de mí mismo con gripe y sin dormir.

Con el clonado de voz pasa algo que no pasa con casi nada: le das basura y te devuelve basura, pero con tu cara. Perdón, con tu voz.

La segunda toma: armario, tono normal y cuatro minutos

Para la repetición hice tres cosas bastante poco glamurosas.

Primero cambié de sitio. Me metí en el armario, con dos abrigos colgados detrás y el móvil apoyado en una percha, a un palmo de la boca. No es elegante, pero absorbe. Más que cualquier plugin de reducción de ruido que he probado.

Después cambié el texto. Dejé de leer una locución y empecé a leer en voz alta algo que había escrito yo, con el tono con el que hablo por WhatsApp. Porque el clonador no quiere tu voz de locutor: quiere tu voz de persona.

Y grabé más rato. Cuatro minutos, con pausas, con respiraciones, con una frase que me salió mal y me reí. Lo dejé todo dentro.

Subí eso y el resultado me dio un poco de vértigo: era yo. Solo que diciendo otra cosa.

Ojo, encontrar un sintetizador de voz gratis hoy no tiene ningún misterio. Lo difícil es el paso anterior, el de grabar bien. Ese no te lo hace nadie por ti.

Con el audio limpio, estos usos por fin tienen sentido

Cuando el material está bien, te das cuenta de que el problema nunca fue el precio. Nunca fue «gratis» contra «de pago». Era tener tres minutos decentes de tu voz.

He probado las dos vías: instalar un clonador de voz gratis en el portátil y pelearme con drivers y con la tarjeta gráfica, y hacerlo todo online. Para mí no hay color. Abres la web, subes el audio, escribes, escuchas. Clonar mi voz online sin crear cuenta, sin tarjeta y sin registro. Lo que ahorras no es dinero, es paciencia.

  • Vídeos para redes: TikTok, Reels, Shorts. Si el guion cambia diez veces, la voz cambia diez veces. Antes eso era una tarde perdida; ahora es reescribir y volver a generar.
  • Cursos y audio para aprender: paso el guion a audio y me lo pongo de camino al trabajo. El oído detecta las frases mal escritas mucho antes que el ojo.
  • Crear audiolibro con IA: para proyectos propios o para leer en voz alta artículos del blog sin exponer mi cara ni mi voz en directo.
  • Notas de voz para la familia: mi madre prefiere un audio antes que un texto largo con las instrucciones del médico. Con voz clonada suena a mí, no a robot.
  • Voz en off IA gratis para vídeos de producto y presentaciones internas, donde necesitas una voz humana pero no puedes pedirle a nadie que grabe ocho versiones.
  • Doblaje con IA gratis de piezas cortas para otros mercados. Aquí con cuidado, que luego lo cuento.

Uso siempre el mismo esquema: guardo mi timbre una vez y después solo escribo texto. Como no hay registro ni límite de caracteres, puedo probar la misma frase con tres entonaciones y dos pausas distintas hasta que suena bien. Esa libertad de un texto a voz gratis sin fricción importa mucho más que cualquier casilla extra en la lista de funciones.

Y un detalle que se nota muchísimo en nuestro idioma: un texto a voz español gratis solo vale si respeta las tildes, la ñ y los signos de apertura. Si el motor se come el «¿» o pronuncia «México» como si fuera otra palabra, se cae toda la ilusión. Por eso merece la pena clonar tu propia voz y tu propio acento —da igual si eres de Madrid, de Buenos Aires o de Monterrey— en lugar de tirar de una voz neutra genérica.

Si estás empezando con esto, en más tutoriales y pruebas hay ejemplos prácticos que te ahorran el camino de prueba y error que hice yo.

Mi flujo actual, tal cual

Es aburrido y por eso funciona.

Grabo tres o cuatro minutos en una habitación callada, con el móvil o unos auriculares con micro, a un palmo de la boca, hablando normal. Subo la muestra y espero a que quede guardada la voz. Escribo el texto. Genero. Escucho. Si algo cojea, no toco parámetros: vuelvo al texto.

Sí, al texto. Y aquí va mi segundo aprendizaje: la puntuación es el ecualizador. Una coma es una pausa corta. Un punto es una pausa larga. Los puntos suspensivos son «aquí respiro». Si escribes la puntuación pensando en cómo lo dirías, el ritmo sale solo. Mucho más útil que mover deslizadores.

El resultado queda a nivel de voz sintética muy natural, y no he pagado nada. Hace tres años, cuando empecé con vídeo, esto era impensable.

Tres dudas que me repiten siempre

¿Hace falta un micro profesional?

No. La mía la grabé con el móvil dentro de un armario y sobra. Lo que arruina una muestra es el ruido de fondo y la distancia, no el equipo. Una habitación silenciosa con el móvil a un palmo gana a un micro de 300 euros en un salón con la tele puesta.

¿Puedo usar la voz clonada para algo comercial?

Depende de quién sea la voz y de las condiciones de la plataforma. Lo más limpio es clonar la tuya. Si es la de otra persona —aunque sea un compañero de trabajo— pídele permiso por escrito, porque en España y en buena parte de Latinoamérica la voz es un derecho de la personalidad y los líos legales salen caros. Y si publicas contenido sintético en la UE, el reglamento europeo de IA pide que quede claro que está generado. Un aviso en la descripción te ahorra disgustos.

¿Tanta diferencia hay entre lo gratis y lo de pago?

Para lo que hago yo, no. La diferencia aparece en casos extremos: textos larguísimos o interpretaciones muy matizadas. Para vídeos cortos, cursos y avisos, un generador de voz gratis y un buen texto bastan. Cuando alguien me pregunta por una API de TTS gratis sin registrarse, le digo lo mismo: primero deja el flujo redondo en la web, y después piensa en integrar nada. Si no, vas a automatizar la producción de ruido.

Y ya está

Si quieres probarlo, haz esto esta noche: busca la habitación más silenciosa de tu casa, graba tres minutos con el móvil leyendo cualquier cosa que tengas a mano, y no intentes sonar bien. Suena como suenas. Luego súbelo, escribe una frase y escúchala.

Yo perdí una tarde entera por grabar mal. La lección que me llevé es que el 80% del trabajo está en grabar y solo el 20% en ajustar. Y ese 20%, sinceramente, déjaselo a la herramienta.