Cómo locutar un texto con una voz de IA: guía práctica con ElevenLabs

Para nuestro canal de YouTube TellMeWhy, una voz de IA ha leído 3449 frases, en total unos 395 minutos de locución en vídeos sobre 94 temas distintos. Todo se hizo con ElevenLabs. Este es el proceso que nos ha funcionado: cómo preparar el texto, elegir y ajustar una voz, generar por partes para que la locución fluya y cuánto cuesta, medido en nuestras propias grabaciones.

1. Escribe el texto para el oído

La voz lee exactamente lo que escribes. Te ahorras la mayor parte del trabajo si escribes desde el principio para ser escuchado:

• Frases más cortas. La voz leerá una frase larga llena de incisos, pero quien escucha se pierde.
• Números, siglas y nombres tal como deben sonar. Multilingual v2 no admite etiquetas de fonemas, así que, si una palabra sale mal, escríbela de otra forma (por ejemplo, como se pronuncia). Las palabras que se repiten se corrigen una sola vez en un diccionario de pronunciación.
• Pausas con la puntuación. Comas, puntos, guiones y puntos suspensivos hacen pausas cortas. Más precisa es la etiqueta <break time="1.0s" />, de hasta 3 segundos. Funciona con Multilingual v2; los modelos más nuevos Eleven v3 y v4 no la admiten. No abuses: con muchas etiquetas la voz puede acelerarse o meter ruidos.

Una petición a Multilingual v2 admite hasta 10.000 caracteres, unos 11 minutos de locución a nuestro ritmo. Nosotros, sin embargo, generamos frase a frase. Así una frase que sale mal se rehace sola, sin pagar otra vez todo el texto.

2. Elige la voz con la misma frase

La biblioteca tiene cientos de voces, y sus propias muestras siempre suenan bien. Lo que cuenta es cómo leen tu texto. Por eso hicimos que cada voz candidata leyera la misma frase de nuestro guion y elegimos escuchándolas una al lado de otra.

Dos reglas que nos han compensado:

• Cada proyecto con su voz. Los vídeos promocionales de nuestra web Outcomo usan una voz distinta de la de TellMeWhy, para que nadie los confunda.
• No cambies de voz a mitad. Cuando cambiamos la voz del canal, dejamos los vídeos antiguos con la original. Si no, corregir una sola frase metería una voz ajena en el vídeo.

3. Ajustes de la voz

Los mismos controles están en la aplicación y en la API. Así los tenemos nosotros:

Ajuste	Por defecto	Nuestra primera voz	Voz Will
Estabilidad (stability)	0,5	0,45	0,4
Similitud (similarity_boost)	0,75	0,75	0,75
Estilo (style)	0	0,15	0,2
Refuerzo del hablante (use_speaker_boost)	activado	activado	activado
Velocidad (speed)	1	1	1,05

• Estabilidad marca cuánto varía la interpretación. Más baja da más emoción; más alta, una voz más tranquila y al final monótona. Las nuestras están en 0,45 y 0,4, por debajo del valor por defecto de 0,5, para que la narración no suene plana.
• Similitud indica cuánto se ciñe la voz al original. Dejamos el valor por defecto.
• Estilo exagera la forma de hablar del hablante original, pero hace más lenta la generación. Nos basta un valor pequeño.
• Refuerzo del hablante aumenta el parecido con la voz original. Lo tenemos activado.
• Velocidad 1 es el ritmo normal. Will habla a 1,05.

4. Genera frase a frase sin perder la entonación

Cuando las frases se generan por separado, cada una puede empezar con otra entonación y el resultado suena a remiendo. La API tiene dos parámetros para esto: previous_text y next_text, el texto antes y después de la frase actual. Enviamos las frases vecinas en cada petición y las uniones suenan continuas.

Si una frase no sale bien, vuelve a generarla: cada intento suena un poco distinto. Pero ahorra créditos: nosotros solo regeneramos las frases cuyo texto, voz o ajustes han cambiado. Todo lo demás se queda como está.

5. Los subtítulos vienen de regalo

Además del audio, ElevenLabs puede devolver el momento de cada carácter (la petición with-timestamps). Con eso montamos subtítulos palabra a palabra que encajan exactamente con la voz. De esos mismos tiempos sale también el ritmo de habla de más abajo.

Cuánto cuesta

Con Multilingual v2, cada carácter de texto cuesta 1 crédito. Los espacios, la puntuación y las etiquetas de pausa también cuentan. La página de precios de ElevenLabs convierte créditos en minutos como si un minuto tuviera 1000 caracteres. A nosotros nos salieron 874 caracteres por minuto (entre 794 y 921 en la mayoría de los vídeos), así que los mismos créditos cunden un poco más.

Plan	Créditos al mes	Minutos de nuestra locución
Free	10.000	11
Starter	30.000	34
Creator	121.000	138
Pro	600.000	686

El plan gratuito da 10.000 créditos al mes, unos 11 minutos en nuestro caso. Basta para probar voces. La licencia comercial, la que necesitas para vídeos que generan ingresos, aparece en la página de precios a partir del plan de pago Starter.

En resumen

1. Escribe para el oído: frases cortas, y números y nombres como se pronuncian.
2. Elige la voz con la misma frase de tu texto y luego no la cambies.
3. Baja la estabilidad por debajo del valor por defecto si la voz suena plana.
4. Genera frase a frase y envía el texto vecino para que la locución fluya.
5. Regenera solo lo que ha cambiado y recuerda que también se pagan los espacios.

¿Te pica la curiosidad por lo que pasa dentro de una IA? Dibuja un número o una letra y mira cómo los reconoce una red neuronal.