Por qué tu locución con IA suena a robot barato (y cómo arreglarlo sin pagar un centavo)
El martes pasado un cliente de Guadalajara me mandó el video de vuelta con tres palabras: "Esto no sirve".
Había tardado veinte minutos en generar el voiceover para su curso de marketing digital. Guion pasado por el primer TTS que apareció en Google, descarga, render, entrega. Fácil, ¿no? Pues no. El español que salió sonaba como el GPS de mi abuela navegando por la Gran Vía: plano, sin alma, con esas pausas robóticas que te hacen querer cerrar la pestaña antes del segundo párrafo.
Ese día entendí, de la mala, que "que se entienda" no es lo mismo que "que suene natural". Y que la diferencia entre un voiceover que convence y uno que espanta está en detalles que nadie menciona en los blogs de "top 10 herramientas IA".
La entonación no es opcional, es la diferencia entre "me interesa" y "me da igual"
En México subimos la voz al final de la pregunta. En Argentina la alargan. En España a veces la bajan. Si le das el mismo prompt a un clonador de voz gratis para los tres mercados, el resultado es un híbrido raro que ningún nativo compra.
Lo probé la semana pasada con un guion de 300 palabras para Reels. Generé tres versiones: neutro, mexicano y rioplatense. Solo la mexicana pasó la prueba del "se lo mando a mi cuñado y que no se dé cuenta". El truco: no toques solo el acento, toca la curva melódica.
- Preguntas cerradas: subida de 2-3 semitonos al final.
- Preguntas abiertas: bajada ligera, como si ya supieras la respuesta.
- Enumeraciones: micro-subida en cada ítem y caída en el último.
Suena a música, ¿verdad? Pues es música. Graba a un locutor de Radio Fórmula y mide la frecuencia fundamental con Audacity. Verás patrones, no azar.
Pausas: el asesino silencioso que nadie configura
Un generador de voz gratis promedio mete 300 ms de silencio en cada coma y 600 ms en cada punto. Punto. Fin de la configuración.
El problema: en español hablado no respiramos en las comas. Respiramos donde la sintaxis nos da aire. Una frase como "El cliente, que llevaba semanas dudando, finalmente firmó" necesita una pausa larga antes de "que" y otra antes de "finalmente", pero cero pausa entre "cliente" y "que" si lees con fluidez.
Mi flujo ahora:
- Genero el audio base en texto a voz español gratis.
- Abro el editor de onda, busco cada coma y pregunto: "¿Aquí callaría un humano?".
- Si la respuesta es no, borro el silencio. Si es sí, lo estiro a 400-500 ms según la carga emocional.
Tarda diez minutos extra. El cliente de Guadalajara aprobó la segunda versión a la primera.
El infierno de los números y las fechas (y cómo salvarlo en 30 segundos)
Guion: "El evento es el 15/03/2024 a las 18:30". TTS barato: "Quince barra cero tres barra dos mil veinticuatro a las dieciocho treinta". Cliente: "¿Estás de broma?".
Solución que uso siempre: paso previo de normalización a texto puro antes de meterlo al sintetizador de voz gratis.
| Original | Lo que mando al motor | |---|---| | 15/03/2024 | quince de marzo de veinticuatro | | 18:30 | seis y media de la tarde | | $1,250 MXN | mil doscientos cincuenta pesos | | 3.5 % | tres coma cinco por ciento |
Un buscar-reemplazar con regex en VS Code y listo. El clonador de voz gratis lo lee como locutor de noticias, no como cajero de OXXO leyendo el ticket.
Velocidad y tono: no es "rápido = enérgico", es matemáticas
Me pasé tres tardes probando el mismo párrafo en voz en off ia gratis moviendo solo rate y pitch.
- 1.0x / 0 st: GPS de coche de alquiler.
- 1.15x / +2 st: vendedor de tiempos compartidos.
- 0.93x / -1.5 st: el punto dulce para narración documental en español neutro.
- 0.88x / -3 st: audiolibro para dormir (útil si tu meta es crear audiolibro con ia).
La regla de oro: baja la velocidad un 5-7 % y el tono 1-2 semitonos respecto al default. Suena contradictorio, pero el cerebro asocia "lento y grave" con "autoridad y calma". Prueba con un párrafo de El País y mide la retención en YouTube Analytics; verás la gráfica subir.
Mi cadena gratuita actual (sin registro, sin límites, sin excusas)
- Limpieza de guion: regex para números, fechas, siglas, emojis → texto plano.
- Generación base: texto a voz gratis → descargo WAV 48 kHz.
- Clon de voz clave: si el proyecto necesita un personaje fijo, subo 30 seg de referencia a clonar mi voz online y genero solo los hooks de intro/outro.
- Pulido SSML: abro el WAV en Reaper, inserto marcadores
<break>y<emphasis>donde hace falta (ver abajo). - Master final: compresión suave (-3 dB RMS), normalización a -1 dBTP, exporto MP3 192 kbps.
Todo en el navegador, tts gratis sin registrarse, cero watermarks. El cliente paga mi tiempo, no la herramienta.
SSML: el superpoder que la documentación esconde
La mayoría ignora que los motores aceptan etiquetas SSML incrustadas en el texto plano. Ejemplo real del último doblaje con ia gratis que hice para un unboxing tech:
```xml <speak> El nuevo <emphasis level="strong">Pixel 8 Pro</emphasis> <break time="250ms"/> llega con <prosody rate="0.85" pitch="-2st">Tensor G3</prosody> <break time="400ms"/> y la cámara <emphasis level="moderate">mejoró un treinta por ciento</emphasis>. </speak>
Resultado: el cliente preguntó si había contratado a un voice actor de Fiverr. No, solo locución con ia gratis + 15 minutos de etiquetado manual.
Etiquetas que uso a diario:
<break time="150ms"/>antes de conectores adversativos (pero, aunque, sin embargo).<emphasis level="strong">en la keyword del title del video.<prosody rate="0.9">en cifras técnicas densas.<lang xml:lang="en-US">para términos en inglés que no quiero que lean con acento latino.
Preguntas que me llegan por DM (y respuestas cortas)
¿Por qué mi texto en español con palabras en inglés suena a deletreo?
Porque el modelo no detecta el cambio de idioma. Envuelve el término en <lang xml:lang="en-US">machine learning</lang> o genera ese fragmento aparte y pégalo en la edición.
¿Cómo evito que el español neutro suene a doblaje malo de Netflix?
Usa clonar voz gratis con una referencia de 20-30 segundos de un locutor real del país objetivo. El motor copia la prosodia del speaker, no solo el timbre. Funciona mejor que cualquier preset de "acento mexicano".
¿Puedo usar el audio en monetización de YouTube / TikTok / Reels?
Sí. Los términos de voz sintética gratuita sin registro permiten uso comercial siempre que no redistribuyas el modelo. El audio generado es tuyo, punto.
¿Vale la pena pagar ElevenLabs o Play.ht?
Si facturas 5k USD/mes en voiceovers, sí: ahorras tiempo de edición. Si estás empezando o haces 3-4 videos/semana, la cadena gratuita arriba te da 95 % de la calidad por 0 % del coste.
Mañana tengo que doblar un webinar de 40 minutos al español de Chile. Ya tengo el guion limpio, la referencia de voz de un streamer de Santiago y la plantilla SSML lista. Si quieres el preset de pausas y entonación para cono sur, avísame en los comentarios y lo subo a GitHub. Mientras tanto, abre el clonador de voz gratis, graba tu propia voz leyendo el párrafo de arriba y compáralo con el default. La diferencia te va a doler en los oídos... y eso es bueno.