Texto a voz con IA: del guion a la locución final
Por el equipo creativo de Virtalio, una agencia creativa con más de 15 años produciendo diseño, video y audio para pymes, marcas y agencias. Última revisión: octubre de 2026.
Texto a voz con IA es convertir un guion escrito en audio hablado con un modelo de voz sintética. Se usa para locuciones de videos explicativos, anuncios, cursos internos y versiones en otros idiomas. Funciona cuando el guion está escrito para el oído, la pronunciación de nombres y cifras está resuelta y el archivo se entrega con un nivel de audio correcto. Falla cuando se le pide improvisar, cuando el texto trae abreviaturas que nadie normalizó o cuando el resultado se publica sin escucharlo en el dispositivo donde lo va a oír el cliente.
Conviene separar dos cosas que se confunden seguido. Texto a voz toma un texto y lo lee con una voz existente del catálogo. Clonación de voz toma una muestra de una persona y construye una voz nueva que suena como ella. La primera es una decisión de producción; la segunda es una decisión de derechos. Este es el proceso que seguimos en AI Studio para llegar de un documento a una locución publicable, incluidos los puntos donde se rompe.
Qué resuelve bien y qué no
La voz sintética tiene un terreno claro: piezas donde el texto manda y la interpretación no es el producto. Un video que explica un servicio, la demo de una app, un curso de inducción, la versión en portugués de un anuncio que ya funcionó en español, el cambio de una sola frase cuando el precio se movió. En esos casos, regenerar una línea cuesta minutos y no requiere convocar a nadie.
El terreno contrario es donde la voz carga la intención: un testimonio real, un manifiesto de marca, una campaña de humor, una presentación en vivo. Ahí el modelo entrega una lectura correcta y vacía: pronuncia bien y no convence. También falla cuando el guion no está terminado. Un modelo de voz no arregla un párrafo confuso; lo hace más evidente, porque ya no hay un intérprete que lo sostenga. Si la pieza es un video completo y no solo la locución, el orden de trabajo está en crear un video con IA del guion al archivo final.
Elegir la voz antes de escribir
La voz se elige contra el público, no contra el gusto del equipo. Un curso para operadores de planta y un anuncio para consumo masivo no piden el mismo registro, y el acento comunica mercado: una voz rioplatense en una campaña para Monterrey suena a contenido importado, aunque el texto esté bien escrito.
Lo que revisamos en una voz antes de usarla:
- Que el acento sea el del mercado, o neutro si la pieza va a varios países.
- Que el registro aguante el texto real, no una frase de muestra. Las muestras suelen ser publicidad; el guion es una lista de especificaciones.
- Que pronuncie bien el nombre de la marca. Se prueba con la frase exacta antes de generar la pieza.
- Que la velocidad natural quepa en el corte. Si la voz lee rápido por diseño, el guion tiene que ser más corto.
El guion se escribe para el oído
Un guion de locución no es un artículo leído en voz alta. Si el texto trae subordinadas de tres líneas, el modelo las lee de corrido y el oyente pierde el hilo. La corrección es editorial: una idea por línea, sujeto al principio, frases cortas y una marca de respiración donde termina la idea.
- Números. Escribe la cifra como quieres que se lea: «tres kilos y medio», no «3.5 kg». En español conviven el punto y la coma decimal, y el modelo puede elegir el formato equivocado.
- Siglas. Decide si se deletrean o se leen como palabra: «i-uve-a» en lugar de «IVA», «ce-o-ene» en lugar de «CON».
- Fechas y monedas. «12/03» es marzo o diciembre según el país. Escribe «12 de marzo» y «mil doscientos pesos».
- Nombres propios. Un apellido mal acentuado se nota más que una palabra mal dicha. Si el nombre es de la marca o del cliente, se revisa dos veces.
Los cuatro puntos donde se rompe una locución generada
Después de varias decenas de piezas, los errores se repiten en los mismos cuatro lugares.
El texto que no estaba normalizado. Abreviaturas, direcciones web dichas como se escriben, correos con arroba, códigos postales. Todo eso se escribe como debe sonar antes de generar, no se corrige después.
La puntuación. Una coma de más cambia la respiración; dos ideas sin punto se pegan en el audio. La puntuación es el control de ritmo más eficaz que existe y el que menos se revisa.
El nombre de la marca. Los modelos resuelven bien el español general y regular el extranjerismo. Una marca inventada, un nombre en náhuatl o un apellido europeo necesitan instrucción explícita.
La primera y la última palabra. Los cortes al inicio y al final son el defecto más común al empalmar segmentos. Se revisan escuchando el archivo completo, no la vista previa de cada línea.
Cómo se controla la pronunciación
Hay dos familias de control y conviene saber cuál acepta cada motor. La primera es SSML, el estándar del W3C para marcar cómo se lee un texto. Google Cloud Text-to-Speech lo acepta: permite deletrear una sigla con la etiqueta say-as en modo characters, forzar una pausa con break y ajustar velocidad o tono en un tramo. El estándar define también el elemento phoneme para fijar la pronunciación de una palabra concreta.
La segunda familia son los diccionarios y etiquetas del proveedor. ElevenLabs documenta pausas, phoneme tags, alias tags y diccionarios de pronunciación: se declara una palabra y la forma en que debe sonar, y la regla se aplica en las generaciones siguientes. Para una marca con nombre difícil, el diccionario es la diferencia entre corregir una vez y corregir en cada video.
En la práctica: el guion lleva la normalización, el diccionario lleva los nombres propios y las pausas se ajustan al final, escuchando. No se resuelve todo pidiéndole al modelo que lo diga mejor; se resuelve con texto limpio y una regla guardada.
Ritmo, duración y la tentación de acelerar
Cuando la locución no cabe en el corte, la primera reacción es subir la velocidad. Casi siempre es la decisión equivocada: el audio se vuelve denso y la pieza pierde aire. El orden correcto es medir la duración del primer render, cortar texto y volver a generar. Una locución de treinta segundos que se entiende vale más que una de veinte que atropella.
El segundo ajuste es la pausa. Una pausa larga al abrir una sección y pausas cortas entre los elementos de una lista cambian la percepción de orden. Se marcan en el guion; improvisarlas en el editor obliga a regenerar.
Nivel de audio y entrega
El archivo tiene que llegar con el nivel que el destino espera. Para broadcast, la recomendación EBU R 128 fija una sonoridad media de -23 LUFS y un techo de pico real. Para redes y web, la plataforma normaliza al reproducir: lo importante es no entregar un máster con picos que recorten ni con un nivel tan bajo que la normalización suba también el ruido de fondo.
Lo que pedimos en entrega: WAV para la versión que entra a edición de video, MP3 de alta calidad para la que se sube a la web, y las dos con el mismo texto. Si el video lleva música, la locución se entrega separada para poder mezclar. El costo por mil caracteres cambia según el modelo y el plan; conviene revisarlo antes de generar una serie larga, en planes y créditos.
Cuándo conviene una voz humana
Hay piezas donde la voz es el producto: un testimonio, una campaña de marca, una presentación ante inversionistas, cualquier cosa donde el oyente tenga que sentir que hay alguien del otro lado. También cuando el tema es sensible: una disculpa pública, un comunicado laboral, un mensaje de crisis. Ahí la voz sintética ahorra una sesión y cuesta credibilidad.
El punto medio que usamos con más frecuencia: voces sintéticas para el volumen —versiones de idioma, variantes de anuncio, módulos de curso— y una voz real para la pieza ancla de la campaña.
Derechos y consentimiento
Clonar una voz es usar la identidad de una persona. Antes de generar, el titular firma un alcance: qué marca, qué canales, por cuánto tiempo, si hay exclusividad y qué pasa con el material cuando la relación termina. El consentimiento se guarda con el proyecto, no en un correo perdido. Una voz que no es tuya no se clona, aunque el archivo esté disponible.
Revisión antes de publicar
- Escuchar el archivo completo en la bocina del teléfono, a volumen bajo. Es la prueba que revela los defectos de dicción.
- Verificar cada nombre propio, cada cifra y cada sigla contra el guion aprobado.
- Comprobar que la primera palabra no esté cortada y que la última cierre completa.
- Revisar el sincronizado con subtítulos: la voz generada suele ir más rápido que el texto en pantalla.
- Guardar guion, voz elegida y ajustes junto al archivo. Sin eso, la siguiente versión no se puede reproducir.
Si la pieza ya está escrita y solo falta la voz, en AI Studio se genera la locución y se ajusta la pronunciación sin salir del flujo. Si el audio va dentro de un video que además necesita edición y mezcla, el trabajo se pide al equipo creativo y vuelve con versiones por canal.
Preguntas frecuentes
¿Puedo corregir una sola frase sin regenerar todo? Sí. Se edita la línea, se regenera ese segmento con la misma voz y los mismos ajustes, y se empalma en una pausa. Lo que no se hace es mezclar dos configuraciones distintas en la misma locución: se nota.
¿Se nota que la voz es generada? En un video explicativo con guion limpio, casi nunca. En una pieza emocional, sí, y no vale la pena intentar disimularlo.
¿Sirve para otros idiomas? Los modelos multilingües mantienen el timbre entre idiomas, pero la pronunciación regional se revisa con alguien nativo. Un acento neutro mal colocado se percibe como doblaje.
¿Cuánto tarda? El render tarda minutos. Lo que consume el día es la revisión: nombres, cifras, cortes y mezcla.