Grabé la muestra de voz en la cocina y arruiné 37 vídeos: lo que aprendí sobre locución con IA
Eran las once y media de la noche y tenía 37 vídeos de producto ya montados en la línea de tiempo de CapCut, listos para subir a TikTok, Reels y YouTube. No publiqué ni uno. La locución era un desastre.
Y todo empezó por una tontería: no me apetecía buscar locutor. Pensé "si la IA clona voces, grabo yo cuatro frases y listo". Así que me planté en la cocina, apoyé el móvil en la encimera y leí el guion de un producto durante tres minutos. De fondo: la campana extractora zumbando en grave, el grifo goteando porque nunca lo cierro del todo, y un vecino taladrando pared, supongo.
Subí el audio tan contento. Esperé. Y la voz que salió... digamos que parecía alguien leyendo detrás de una chapa metálica. Las terminaciones se apagaban, las pausas caían donde no tocaba, y al decir "precio de oferta" se colaba por debajo un zumbido que no era yo.
Arrastré el audio al primer vídeo, escuché diez segundos y cerré el portátil.
Dónde me equivoqué exactamente
El clonado de voz no es magia, es estadística. El modelo aprende tu timbre a partir de la muestra que le das. ¿Y dónde vive el timbre? En la voz limpia.
Si le entregas un revoltijo de ruido, no va a ser lo bastante listo como para separar la campana extractora de tu garganta: se aprende las dos cosas como si fueran "tú". Resultado: todo lo que genere después arrastra esa cocina.
Error número dos: la muestra era corta. Tres minutos y doce segundos, con dos toses y una risa a mitad. Con tan poco material, el modelo rellena huecos a base de suposiciones, y salen esas voces que suenan familiares pero que no reconocerías como tuyas ni en una grabación de tu propia boda.
Y el error número tres fue el peor: no escuché nada. Generé los 37 audios en bloque.
Los dos primeros son fallos técnicos. El tercero es de actitud. Ningún clonador de voz gratis, por bueno que sea, arregla a alguien que no se molesta en escuchar.
Los cuatro puntos donde se rompió todo
- Sitio: la cocina, con la campana encendida y obra en la calle
- Micro: el del móvil, a 30 cm de la boca, y encima sujeto con la mano
- Duración: 3:12, con toses y risas dentro
- Prueba de escucha: cero, generación en lote directa
Fíjate que en ninguna línea pone "la herramienta no sirve". Era yo. Todo yo.
Lo que cambié al rehacerlo
Empecé cambiando el sitio. Me metí en el armario, cerré la puerta, puse dos abrigos detrás de mí para matar la reverberación y activé el modo avión. Ocho minutos leyendo descripciones aburridísimas —"capacidad de 500 ml, acero inoxidable 316, mantiene el calor 12 horas"— con un tono plano, sin interpretar nada. Fue el cambio más grande y el más barato de todos.
Después vino el flujo de trabajo. Esta vez no generé el vídeo entero de una tirada: partí el guion por planos en trozos de 5 a 8 segundos. ¿Por qué? Porque si generas todo junto y una sola frase lleva el énfasis mal puesto, rehaces el bloque completo. Cortando por planos, cambias la frase que falla y ya está. La diferencia de tiempo es abismal.
Con una muestra limpia, el resultado cambió de golpe. Clonar voz gratis me devolvió una voz con las terminaciones nítidas y sin ese fondo turbio. Incluso me quedé un segundo pensando "ah, pues sí, este soy yo".
Y sí, he probado un montón de herramientas. Unas te limitan por caracteres, otras te ponen en cola, otras a la tercera generación te sueltan el cartelito de "pasa a premium". VoxClone va sin límite de caracteres en texto a voz, y al menos yo no he visto ningún aviso de cuota. Lo de la voz sintética gratuita sin registro también se agradece: no tengo que crear cuenta, ni dar correo, ni esperar un código para sacar un audio de veinte segundos. Abrir y usar. Para tts gratis sin registrarse, es de lo más cómodo que he encontrado.
Ahora lo uso casi como un generador de voz gratis de diario. Pegas el texto, salen los segundos de audio, y si algo no me gusta cambio dos palabras y repito. Al final lo que yo necesitaba era una voz en off con IA gratis y decente, nada más. También lo he probado para crear audiolibro con IA —capítulos de prueba, para escuchar cómo suena el texto leído en alto antes de grabarlo yo— y aguanta bien los párrafos largos. Para doblaje con IA gratis no lo uso: doblar el vídeo de otra persona implica derechos, y ahí prefiero no meterme.
Sobre eso de "gratis", sin adornos
Cuando empecé solo buscaba texto a voz gratis para salir del paso, y desconfiaba. "Clonar mi voz online gratis para siempre" suena a anzuelo, ¿no? A que a la tercera vez te piden la tarjeta.
Llevo unos meses y, de momento, texto a voz gratis sin login y sin teléfono. Y ojo, que yo escribo en español y necesitaba texto a voz español gratis que no sonara a robot de aeropuerto: eso lo resolví sin dramas. La API de síntesis gratuita la conecté para generar versiones de prueba de guiones cortos en lote; para eso me sobra.
Pero gratis no significa que lo haga todo. No te escribe el guion, no te dice dónde va la pausa y no mira el ritmo del montaje. Un sintetizador de voz gratis convierte texto en algo que suena a persona. El criterio sigue siendo tuyo.
Si haces cuatro vídeos al mes, con una herramienta de locución con IA gratis vas sobrado. Si publicas treinta como yo, necesitas además una convención de nombres decente, porque a la tercera semana ya no sabes qué audio corresponde a qué producto. Tengo varios de estos líos apuntados y en más tutoriales hay material parecido.
Preguntas frecuentes
¿Puedo quitar el ruido de la grabación y clonar igual?
Puedes quitar algo, no milagros. El algoritmo de reducción no distingue entre la campana extractora y el aire de tu voz, así que cuando borra el ruido también se lleva detalle del timbre. Mi consejo: regraba cinco minutos. Y si de verdad no tienes sitio, armario, puerta cerrada y ropa detrás. Ese truco funciona mejor que la mitad de los plugins de pago.
Para vídeos de producto, ¿cuánto texto genero de una vez?
Corta por plano, entre 5 y 8 segundos por fragmento. Más largo y el énfasis no cae donde cae la imagen; más corto y la entonación se rompe. Generar por partes y unir después te da mucha más libertad, y rehacer una frase no duele.
¿La voz clonada se puede usar comercialmente?
Depende de las condiciones de la plataforma y, sobre todo, de cómo la uses. Mi norma: solo clono mi voz, o voces de compañeros que me han dado permiso por escrito. Nada de famosos, streamers ni audios de origen dudoso. Y si trabajas con clientes en la UE, súmale el RGPD: la voz puede tratarse como dato biométrico cuando sirve para identificar a alguien, así que el consentimiento por escrito no es opcional. Para vender con la voz de otra persona, la herramienta da igual: el riesgo es real.
Mi rutina ahora es siempre la misma: ocho minutos de muestra limpia en el armario → subo y clono → genero por fragmentos → escucho uno a uno → los arrastro al montaje y los alineo. Los 37 vídeos los terminé en dos noches.
Si estás a punto de generar tu locución en lote, para. Busca un rincón silencioso y graba cinco minutos de voz limpia. Es lo más útil que vas a hacer hoy, y te lo dice alguien que pagó el aprendizaje con 37 vídeos muertos.