Texto a voz gratis con IA: cómo conseguir una locución que suene natural

Hace pocos años, una voz sintética se reconocía al instante: plana, con pausas en sitios raros y una entonación que subía y bajaba sin motivo. Los modelos de texto a voz actuales son redes neuronales entrenadas con miles de horas de habla real, y aprenden algo que las reglas fonéticas antiguas nunca captaron: la prosodia, es decir, el ritmo, las pausas y la melodía con la que una persona dice una frase. Por eso hoy una buena locución sintética puede pasar por una grabación hecha con micrófono.

Qué modelo usamos y por qué funciona en tu navegador

Nuestro texto a voz usa Kokoro, un modelo abierto de unos 82 millones de parámetros publicado con licencia Apache 2.0. Es pequeño comparado con los grandes servicios en la nube, pero está muy bien entrenado, y eso permite ejecutarlo dentro del navegador: la primera vez se descarga (unos 90 MB en su versión para procesador) y después se queda en la caché. Tu texto nunca se envía a un servidor, lo que importa si conviertes guiones sin publicar, apuntes personales o documentos de trabajo.

Hay 30 voces: 27 en inglés, con acento estadounidense o británico, y 3 en español. Si tu equipo tiene una gráfica compatible con WebGPU, la herramienta descarga en segundo plano una versión más pesada del modelo que genera bastante más rápido en los siguientes audios.

Paso a paso

1. Prepara el texto. Escríbelo o pégalo en el cuadro; también puedes subir un archivo .txt. Verás los caracteres, las palabras y una estimación de la duración.
2. Escucha las muestras. Cada voz tiene un ejemplo. Escribe en el idioma de la voz que elijas: una voz inglesa leyendo español suena forzada.
3. Ajusta la velocidad. Entre 0,5× y 2×. La velocidad se aplica al generar la voz, no acelerando la reproducción, así que no distorsiona.
4. Genera y revisa. Escucha el resultado completo antes de descargarlo. Si una palabra suena rara, corrígela en el texto y vuelve a generar.
5. Descarga. MP3 a 192 kbps para publicar o compartir; WAV si vas a seguir editando la voz.

Cómo escribir para que suene humano

El modelo lee lo que ve. La diferencia entre una locución correcta y una que suena natural casi siempre está en el guion, no en la voz. Estas son las reglas que más se notan:

• La puntuación es la dirección de actores. Una coma crea una pausa breve, un punto cierra la idea y baja la entonación, y una interrogación la sube al final. Si una frase suena atropellada, añade una coma; si suena entrecortada, quita alguna.
• Frases cortas. Una frase de 40 palabras cuesta de leer incluso a una persona. Divide las ideas largas en dos o tres frases.
• Escribe los números como quieres oírlos. «1/2» puede leerse de varias formas; «la mitad» solo de una.
• Desarrolla abreviaturas y siglas dudosas. «Dr.» mejor como «doctor»; si quieres que una sigla se deletree, sepárala con guiones.
• Evita direcciones web y símbolos. Una URL leída en voz alta no ayuda a nadie: di «en nuestra web» y ponla en la descripción del vídeo.
• Nombres propios difíciles: escríbelos como se pronuncian o reformula la frase si el modelo se atasca.

Qué voz y qué velocidad elegir

No hay una voz mejor que otra: hay voces que encajan con un contenido. Para tutoriales y formación funcionan las voces claras y tranquilas; para vídeos cortos en redes, las más enérgicas. Un truco útil es generar el mismo párrafo con dos o tres voces y escucharlas seguidas: la que eliges al final rara vez es la que habrías elegido leyendo la descripción.

• 0,9×: explicaciones con datos, idiomas que el oyente está aprendiendo, contenido para personas mayores.
• 1×: el ritmo de una conversación normal. El punto de partida para casi todo.
• 1,1–1,2×: vídeos cortos y anuncios, donde cada segundo cuenta.
• 1,5× o más: solo para repasar tus propios textos; para un público resulta cansado.

Textos largos: cómo montar una locución completa

Cada generación admite hasta 600 caracteres, unos 40 segundos de voz. Para un guion de varios minutos, divídelo por párrafos completos (nunca a mitad de frase), genera cada parte con la misma voz y velocidad, y únelas con el unidor de audio con un fundido de 0 segundos, que es lo adecuado para la voz. Si alguna parte suena más baja que otra, pasa el resultado por el amplificador de volumen en modo «Normalizar» para igualarlo a -16 LUFS.

Para qué se usa

• Narración de vídeos sin micrófono, sin habitación silenciosa y sin repetir tomas.
• Revisar textos de oído: escuchar lo que has escrito delata frases largas, repeticiones y erratas.
• Accesibilidad: convertir avisos, instrucciones o materiales para personas que prefieren escuchar.
• Prototipos: probar un guion de anuncio o de pódcast antes de grabarlo con una persona.

Preguntas frecuentes

¿Por qué la primera vez tarda más?

Porque se descarga el modelo. A partir de ahí queda guardado en tu navegador y una frase corta se genera en pocos segundos; en equipos sin gráfica compatible tarda algo más.

¿Puedo usar el audio en mis vídeos?

Kokoro se publica con licencia Apache 2.0, que permite el uso comercial del modelo. Aun así, cada plataforma tiene sus propias reglas sobre contenido generado con IA: compruébalas antes de publicar.

¿Y el camino contrario, de voz a texto?

Para eso está Voz a texto. Te explicamos cómo sacarle partido en la guía para transcribir audio.