Cómo grabar tu audio de referencia para que tu voz clonada no suene a robot
La semana pasada estaba ayudando a una amiga a doblar un vídeo para su canal de YouTube. Ella grabó su audio de referencia con el móvil pegado a la boca, en una habitación con el ventilador puesto. Cuando escuchamos el resultado, casi me caigo de la silla: cada palabra sonaba perfecta, pero el conjunto era como un robot leyendo el telediario. Cero emoción, cero ritmo.
Le dije: "Para, para, esto no se arregla con más tecnología". Y la convencí de que regrabáramos. La segunda vez, con un par de cambios, el clon sonaba a ella. De verdad. Así que hoy te voy a contar todo lo que he aprendido a base de probar y fallar con esto de clonar la voz.
El ruido de fondo: el asesino silencioso de la naturalidad
Lo primero que casi nadie piensa: el ruido de fondo. Creemos que un cuarto "en silencio" es suficiente, pero el zumbido del ordenador, el aire acondicionado, el tráfico de la calle... todo eso se cuela en la grabación y luego la IA lo interpreta como parte de tu voz. Resultado: un sonido "apagado", como si hablaras a través de una manta.
Yo lo comprobé con mis propios oídos. Grabé el mismo texto con y sin ruido de fondo. El que tenía ruido salió con un tono metálico, artificial. En el editor de audio se ve claramente: la línea de onda no es limpia, tiene una especie de pelusa.
¿Solución? Antes de grabar, apaga ventiladores, cierra la ventana, aleja el móvil de ti. Si tienes un micrófono de solapa o uno dinámico, mejor que mejor. Y si no te queda otra, usa un plugin de reducción de ruido, pero con cuidado: si te pasas, la voz se vuelve fina y sin cuerpo.
Otro detalle: mantén una distancia de un puño entre la boca y el micro. Muy cerca, se oyen las eses y las pes; muy lejos, se cuela la reverberación de la habitación. Ambas cosas hacen que el clon suene como si estuviera dentro de una caja.
Las pausas: enséñale a respirar
Segundo punto: las pausas. Cuando hablamos, respiramos, dudamos, pensamos. Pero al grabar el audio de referencia, mucha gente se pone nerviosa y suelta todo el texto de una tirada, sin un solo silencio. ¿El resultado? El clon habla como una ametralladora.
Yo, cuando grabo, hago una pausa natural de medio segundo en cada coma y un segundo en cada punto. Incluso bajo el tono al final de cada frase. Así la IA aprende dónde terminan las ideas y luego reproduce esos silencios y esas cadencias.
El tono también es clave. Si quieres una voz alegre, tu audio de referencia tiene que tener una sonrisa. Si quieres una voz seria, baja el registro. No esperes que la IA adivine tu intención; ella aprende de cómo suenas, no de lo que sientes.
Hice una prueba: grabé una frase con tono de pregunta, y luego usé el clon para decir una afirmación. Al final de la frase, el tono subía. Increíble. Esa información está escondida en tu grabación.
Y un truco: graba varias tomas y quédate con la más natural. La primera siempre sale con prisas y tensión. Yo grabo tres veces, mínimo.
Si quieres doblar a otro idioma, ojo con esto
Si tu plan es usar tu voz clonada para hablar en inglés, francés o lo que sea, hay un detalle que te va a ahorrar muchos quebraderos de cabeza: no metas en tu audio de referencia rasgos propios de tu idioma. Por ejemplo, si hablas español de España y usas mucho el "ceceo" o la "zeta", la IA se lo llevará al inglés y sonará rarísimo.
Yo lo comprobé con el japonés. Grabé mi referencia con un deje andaluz, y el clon japonés salió con un acento... peculiar. Tuve que regrabar con un español neutro, sin seseo ni ceceo, y entonces sí, el japonés sonó limpio.
La velocidad también importa. Si el idioma de destino es más rápido que el tuyo, acelera un poco tu lectura; si es más lento, frena. Pero no lo hagas de forma forzada, porque la IA lo nota y luego habla a trompicones.
Si usas un servicio de texto a voz gratis online, como los que encuentras en esta web, puedes añadir signos de puntuación en tu texto para guiar las pausas: puntos suspensivos para pausas largas, signos de exclamación para énfasis. Combínalo con las pausas de tu audio de referencia y el resultado es de otro nivel.
En la zona de tutoriales vi un consejo buenísimo: si quieres clonar tu voz en varios idiomas, graba dos referencias: una en tu idioma y otra en el idioma de destino (aunque solo sepas decir cuatro frases). Así la IA aprende la pronunciación y el ritmo por separado, y el resultado es mucho mejor.
¿Sirve el móvil? Sí, pero con condiciones
El micrófono del móvil, en un entorno silencioso, es suficiente. Pero no lo sostengas con la mano. El roce de los dedos, la respiración... todo eso se cuela. Pon el móvil sobre una superficie, con la pantalla hacia arriba, a un palmo de tu boca. Verás la diferencia.
Si puedes, cómprate un micrófono de solapa de 20 euros o un micrófono dinámico de entrada. El dinámico es ideal si no puedes eliminar el ruido ambiente; el de condensador da más detalle, pero necesita una interfaz de audio y un filtro antipop, si no, las eses te van a arruinar el clon.
El procesado: deja que la IA trabaje con materia prima
Cuando termines de grabar, no comprimas el archivo a MP3 de 128 kbps. Guarda un WAV de 44.1 kHz y 16 bits. Eso le da a la IA toda la información del espectro sonoro. Y a la hora de editar, haz solo dos cosas: corta los silencios largos del principio y del final, y normaliza el pico a -1 dB.
Nada de compresores, excitadores o presets de "mejora vocal". Esos procesados aplastan las respiraciones y los matices, y la IA aprende una voz "de radio", que suena más artificial que un anuncio de los 90.
Un ejemplo real: doblaje de un vídeo corto
La semana pasada doblé un vídeo de 30 segundos para un anuncio de producto. Solo con el móvil y un micrófono de solapa. Apagué el aire acondicionado, bebí un sorbo de agua, dividí el guion en 5 frases y dejé medio segundo de silencio entre cada una. Grabé tres tomas, elegí la mejor, la normalicé y la subí al clonador de voz gratis.
El resultado: la frase 3 salió un pelín rápida. Volví al texto, añadí una coma antes de la palabra clave, y al regenerar, el ritmo cambió por completo. Después sincronicé el audio con el vídeo, le puse música de fondo y lo publiqué. Un comentario decía: "¿Esto es una persona real?". Eso es exactamente lo que busco.
Preguntas frecuentes
¿Cuánto debe durar el audio de referencia?
Mínimo 2 minutos, ideal 5. Si es más corto, la IA no capta la variedad tonal; si es más largo, se cuelan inconsistencias. Yo grabo 3 minutos, con frases afirmativas, interrogativas y exclamativas.
¿Puedo usar el móvil?
Sí, pero no uses la app de grabadora por defecto, porque comprime. Usa "Notas de voz" o una app de terceros, en formato sin pérdida, a 44.1 kHz. Y graba con el móvil en horizontal, apoyado en la mesa, no en la mano.
¿Y si aun así suena a robot?
Revisa el ruido de fondo y las pausas. Si está bien, prueba a añadir más signos de puntuación en el texto del generador de voz gratis, y separa las palabras difíciles con guiones, como "bien-venido" para evitar que las una mal.
Para terminar
La próxima vez que vayas a grabar tu audio de referencia, apaga el ventilador, bebe agua, y lee un texto con emoción, como si se lo contaras a un amigo. Escúchalo. Si suena natural, ya está.
Entra en el clonador de voz sin registro, sube tu grabación y genera tu voz. Luego compárala con cómo hablas tú normalmente. Verás que la diferencia entre un robot y una persona real está en una grabación hecha con cariño.