El mes pasado una amiga que monta cursos online me mandó un audio: había usado un generador de voz gratis para narrar sus diapositivas y estaba desesperada. Le di play y me solté una risa a los cinco segundos... no es que sonara a robot, es que sonaba a robot con interferencias de radio de malas. Y lo peor: yo había usado la misma herramienta la semana anterior y la mía salió bastante decente.

¿La diferencia? Le pedí el audio de referencia que había subido para clonar su voz. Un solo vistazo a la onda y supe que ahí estaba todo el problema.

El audio de referencia lo es todo (bueno, casi todo)

La gente cree que si clonas tu voz gratis y suena rara, la herramienta es mala. Error. La herramienta es la mitad de la ecuación; la otra mitad es el clip que le das de comer. El modelo aprende de tu muestra, así que si tu muestra tiene defectos, los amplifica con gusto.

El clip de mi amiga lo había grabado en su habitación con el ventilador puesto. Ese zumbido de fondo grave... el modelo lo aprendió y ahora todas sus locuciones salían con un aire a sala de servidores. Y encima lo leyó de forma plana, sílaba a sílaba, como recitando en el cole. Adivina cómo le salían los vídeos después. Exacto.

Así que antes de cambiar de herramienta, escucha tu propio audio de referencia: ¿hay ruido de fondo? ¿La entonación es de un manifiesto leído a la fuerza? ¿Se te escapan clics de boca o golpes de aire en el micro?

Cómo grabarlo para que no suene a robot

Después de meter la pata más de una vez, esto es lo que me funciona. Suena a consejos de abuela, pero van de lujo:

  • Silencio absoluto: apaga ventiladores, aire acondicionado, cierra la ventana. Yo he grabado dentro del armario, con los abrigos alrededor del móvil, y sale mejor que en una sala "normal". No hace falta micro de 300 euros; hace falta una habitación que no rebote.
  • Duración: entre 30 segundos y 1 minuto. Menos y el modelo se queda a medias; más y metes cambios de estado que luego se cuelan en todo.
  • La entonación, lo más importante: habla como hablas de verdad cuando explicas algo. Si quieres que tu voz en off IA gratis suene cercana, graba sonriendo (se nota, lo juro). Si la quieres más seria, pónte serio. El clon copia el ánimo del clip.
  • El contenido: lee un párrafo natural, con frases normales. Nada de trabalenguas ni jerga técnica apilada. Ritmo tranquilo y respira entre frases.

Y luego escúchate antes de subirlo. Si a ti te suena bien, al modelo también le va a salir bien.

Mi flujo actual para locuciones de curso y vídeo

Uso VoxClone, básicamente porque no hay que registrarse: abres, pegas, generas. Para hacer una locución con ia gratis sin montar tres cuentas, es lo más cómodo que he encontrado.

El proceso: subo mi clip en la página de clonación de voz, le pongo nombre ("voz curso - cercana", por ejemplo) y vuelvo al texto a voz online. Pego el guion, elijo mi voz clonada, genero, escucho, ajusto y vuelvo a generar. Dos minutos.

Ojo con los signos de puntuación, que son más poderosos de lo que parecen. ¿Quieres una pausa? Coma o punto. ¿Quieres que una frase respire? Corta la frase. El TTS no adivina tus intenciones; la puntuación es su guion de teatro.

Y reescribe el texto de书面 a hablado. Un "en conclusión" suena fatal leído en voz alta; un "al final del día", no. Frases largas, córtalas. Ese cambio solo ya sube el nivel un montón.

FAQ

¿El audio de referencia tiene que ser grabado por mí? ¿Sirve sacar el audio de un vídeo?

Sirve, pero con condiciones: sin música de fondo, sin varias personas hablando, sin reverberación. Un podcast en seco o una clase grabada limpia van bien. Trozos de película, casi nunca — con la BGM metida, el clon sale con "aire de cine" que no quieres.

¿Puedo reutilizar una voz ya clonada?

Sí, claro. Una vez clonada, es una voz que puedes usar para todos tus proyectos sin volver a subir nada. Mi recomendación: crea dos o tres versiones con estilos distintos (explicativa, resumen, ejemplo) y ve alternando. Mucho más natural que una sola voz monótona de principio a fin.

¿Hay límite de texto por generación?

VoxClone es texto a voz sin límite, así que puedes pegar el guion entero de una vez. Yo aun así genero por bloques: si algo no me convence, regenero solo ese trozo y el montaje posterior me lleva la mitad del tiempo.

Para terminar

La cosa es simple: la herramienta es gratis, el trabajo está en los diez minutos que dedicas a grabar bien. La próxima vez que tu locución salga robótica, no cambies de herramienta todavía — vuelve al armario, respira, y graba esos treinta segundos como si se lo estuvieras explicando a un amigo.

Hazlo una vez y notarás la diferencia enseguida. Si quieres más trucos de grabación y clonación, en la página de tutoriales voy publicando lo que voy aprendiendo, todo muy práctico.