Convertí los cuentos de mi hija en audiolibro con TTS gratis: el problema nunca fue el modelo, era mi audio de referencia
Llevaba quince noches seguidas leyendo cuentos en voz alta cuando mi garganta dijo basta. Mi hija tiene cinco años y una capacidad de negociación que ya la quisieran en Bruselas. Esa noche me miró desde la cama, con el libro abierto por la mitad, y soltó: «Papi, ¿puede leerlo el móvil?». Asentí. Por dentro pensé: esto lo resuelvo en diez minutos con texto a voz español gratis.
Tardé una semana entera. Y no por lo que yo creía.
El primer resultado fue... complicado de describir. Pegué el texto, le di a generar, pulsé play. Mi hija escuchó dos frases, puso cara de póker y me devolvió el teléfono: «Esa no eres tú».
Y tenía razón. Era mi voz, sí, pero mi voz leyendo un parte de accidentes. Mi voz con mascarilla. Mi voz en una reunión de vecinos donde nadie quiere estar.
El fallo no estaba en la herramienta: estaba en los treinta segundos que le di de comer
Empecé con una plataforma que pedía registro, correo y número de teléfono. Subí como audio de referencia una nota de voz de WhatsApp de unos treinta segundos: «Oye, ese presupuesto lo miramos mañana, ¿vale?». El resultado salió impostado, sin alma, como un locutor recién salido de un curso de doblaje.
Tardé un par de días en caer en la cuenta. Una nota de voz de WhatsApp está comprimida, tiene eco, tiene ruido de fondo y una tasa de muestreo ridícula. Darle eso a un modelo de clonación es como pedirle a alguien que te haga un retrato a partir de una foto movida y con el flash quemado.
Ahí está la diferencia entre alguien que trastea y alguien que entiende el proceso. Todo el mundo mira las especificaciones del modelo. Lo que decide el resultado son esos veinte o treinta segundos de muestra.
Cuando volví a grabar el audio de referencia y lo pasé por clonar voz gratis, con el mismo motor, el resultado parecía otra cosa completamente distinta.
Cómo grabar el audio de referencia para que no suene a robot
Aquí me voy a extender, porque yo repetí la grabación cuatro veces. Cuatro. Y cada vez aprendí algo.
Nada de grabar en el salón. El salón tiene el zumbido del frigorífico, el tráfico de la calle, el vecino con la persiana. Tu oído filtra todo eso sin que te des cuenta; un micrófono no. Yo acabé metido dentro del armario, entre abrigos. La ropa absorbe el sonido y el resultado es sorprendentemente bueno. Si no tienes armario a mano, monta un nido con un par de mantas y mete el móvil dentro.
Entre quince y treinta segundos. Ni más ni menos. Si grabas muy poco, el modelo no llega a captar el timbre. Si grabas demasiado, cualquier carraspeo, cualquier página que pases, cualquier respiración rara se queda dentro. Una vez grabé casi dos minutos y luego, en cada frase generada, aparecía un chasquido de garganta que era mío. Desconcertante.
No leas nada. Esto es lo más contraintuitivo de todo. Si te pones a recitar «el viento de la noche gira en el cielo» con voz de locutor, te va a salir una locución de anuncio de colchones. Habla como hablas. Di algo cotidiano: «¿Qué quieres cenar? Hay medio paquete de macarrones y una manzana que ya está pocha». Ritmo normal, algo de emoción, incluso una risa. El modelo aprende cómo hablas, no cómo lees.
El micro a un puño de distancia, en diagonal. Pegado a la boca revientas las consonantes; demasiado lejos, se cuela la reverberación de la habitación.
Graba tres tomas y quédate con la mejor. Suena a trabajo extra y son cinco minutos. Mi costumbre ahora es meterme en el armario, decir tres cosas distintas seguidas y luego escuchar cuál suena más a «yo contando un cuento un domingo por la mañana».
Un detalle tonto que ayuda: bebe agua templada antes de grabar, nunca fría. Con la garganta cerrada la voz tiembla, y ese temblor también se aprende.
De paso: durante toda esa semana usé un sintetizador de voz gratis que funciona sin registro. Abres la página y ya está. Para alguien tan vago como yo, que abandona cualquier formulario a la mitad, eso es oro. Tampoco le di importancia al principio, hasta que una amiga quiso probarlo y me dijo que ni registrarse le apetecía. Y ojo, porque aquí viene lo importante: hay muchos sitios que se anuncian como clonador de voz gratis y luego te cortan a los sesenta segundos. Un cuento infantil son dos mil o tres mil caracteres. Con un límite de un minuto no haces nada. Que exista un tts gratis sin registrarse y sin tope es, para quien hace textos largos, la diferencia entre usarlo o mandarlo a la basura.
Mi rutina real de esa semana
El lunes por la noche cogí tres cuentos de la estantería y los pasé al bloc de notas. Mientras los copiaba hice varias cosas sin pensarlas demasiado:
- Escribir los números con letras: «3 cerditos» pasa a «tres cerditos», porque si no lo lee como un número suelto y suena fatal.
- Partir las frases largas y colocar las comas donde yo respiraría. La puntuación es, literalmente, la partitura de las pausas.
- Repasar las palabras que se leen de dos maneras. En español hay unas cuantas, y los nombres propios raros también dan guerra.
Después: generar, escuchar, corregir. Las dos primeras noches fueron un caos. La tercera ya iba rodada, porque el audio de referencia estaba fijado y lo único que quedaba era trabajo de texto. Clonar mi voz online tarda segundos; lo que se lleva el tiempo es reescribir el guion.
Y sí, reconoceré que hace dos años no me habría creído que esto fuera posible sin pagar. Pensaba que cualquier generador de voz gratis era una demo de tres días o directamente un desastre de calidad. Que hoy se pueda hacer una locución con ia gratis a este nivel me parece, como mínimo, curioso. Un amigo hace voz en off ia gratis para sus vídeos de TikTok y Reels; otro está montando un audiolibro con ia para su canal de YouTube; y una compañera lo usa para doblaje con ia gratis de entrevistas. Yo, de momento, me quedo con los cuentos.
Ah, y un aviso: si vas a clonar la voz de otra persona, pide permiso. Suena obvio, pero con lo fácil que es ahora, más de uno se va a llevar un susto. Con voces de menores, directamente, yo no lo haría.
El tropiezo que casi me arruina la noche
Una plataforma que se vendía como «voz sintética gratuita sin registro» me dejó a medias: la versión gratis solo generaba un minuto y luego te ponía en cola. Yo estaba sintetizando el cuento de las tres páginas y me quedé bloqueado con mi hija esperando al lado. Momento incómodo nivel máximo. Moraleja: antes de elegir herramienta, comprueba si el «gratis» tiene tope escondido. Hay un montón de plataformas para clonar voz gratis y casi todas ponen la zancadilla en algún punto.
Preguntas que me han hecho mil veces
¿Cuánto tiene que durar el audio de referencia?
Entre quince y treinta segundos. A mí me funciona mejor veinte. Por debajo de diez, el timbre se va; por encima de un minuto, la probabilidad de colar ruido sube en picado. Si no encuentras un sitio silencioso, mejor un fragmento corto y limpio que uno largo y sucio.
¿Basta con el micrófono del móvil?
Basta. Yo grabé con un teléfono de hace tres años y, escuchándolo, no noto diferencia con un micro externo. Lo que manda es el entorno, no el aparato. En un armario con el móvil vas a conseguir mejor resultado que en el salón con un micro profesional.
¿Se puede clonar la voz de un niño?
Técnicamente sí. Yo no lo recomiendo. La voz de un crío cambia cada pocos meses, así que el audio de referencia envejece rápido y la calidad se vuelve impredecible. Y aparte, hay algo un poco raro en que un niño escuche su propia voz contándole un cuento. Prefiero la mía, con todos sus defectos.
Si quieres ver cómo lo hace otra gente, en más tutoriales hay varios casos. Leí unos cuantos y las listas de errores están bastante bien hechas.
Lo que hago ahora
Los domingos por la noche dedico veinte minutos a dejar listos los cinco cuentos de la semana. Los genero, los guardo en una carpeta y mi hija elige el que quiere. Cuando tengo la garganta bien, sigo leyéndolos yo: eso no lo sustituye ninguna máquina.
Pero las noches de faringitis, el cuento no se interrumpe.
Si vas a probarlo, no empieces con un texto largo. Graba veinte segundos en el sitio más silencioso de tu casa, genera una sola frase y escúchala. Si te reconoces, sigue. Si no, vuelve al armario. Son diez minutos y te ahorran una semana de dar palos de ciego.