Locución con inteligencia artificial: qué es, cómo se graba y cuándo suena mal
Una locución con inteligencia artificial es la voz en off de un vídeo leída por una voz sintética a partir de un guion escrito, generada en segundos en lugar de grabada en una cabina. En un vídeo corto de producto o de marketing, lo que decide si la locución con inteligencia artificial suena natural ya no es tanto la voz que eliges como el guion y la forma de producir la toma.
Esta guía es para quien tiene que publicar un vídeo narrado esta semana: por ejemplo, un estudio que vende landing pages y quiere un vídeo por oferta sin contratar a un locutor cada vez. Te contamos qué hacemos con la voz en cada render de PageToVid, con dos vídeos reales de la misma página colombiana, uno en español y otro en inglés.
La oferta de landing pages de Kevibe Studio (studio.kevibe.com) en un vídeo de 30 segundos en español con 38 palabras locutadas; la versión en inglés de la misma página dura 48 segundos con 81 palabras.
Qué es una locución con IA y qué no lo es
Bajo el nombre de locución con IA se mezclan tres servicios distintos.
- Narración a partir de un guion. Tú escribes el texto y una voz sintética lo lee sobre tus imágenes. Es lo que hace PageToVid y de lo que trata esta guía.
- Clonación de voz. Un modelo aprende la voz de una persona concreta con una muestra y lee textos nuevos con ella. No la ofrecemos.
- Doblaje con sincronía labial. Un vídeo de alguien hablando se traduce, se vuelve a locutar y se redibuja el movimiento de los labios. Es un producto de traducción construido alrededor de una cara.
El motor de los tres es el texto a voz. Texto a voz (TTS) explica cómo una red neuronal convierte palabras en una onda sonora y cómo escribir cifras y siglas para ella. La locución es la capa superior: una pista, un narrador, sincronizada con lo que se ve, con subtítulos que caen sobre las palabras. Ahí se va la mayor parte del trabajo.
Cómo producimos la locución de grabaciones con IA, paso a paso
Esto es lo que le ocurre a la narración en cada render, en este orden. Cada paso está en el código de nuestro pipeline, no en una promesa comercial.
Elegir la voz por carácter, no por idioma
Usamos las doce voces predefinidas de Gemini 2.5 TTS. Todas hablan todos los idiomas de narración, así que eliges tono y altura, no idioma. Google publica una palabra de carácter para cada una (firme, brillante, cálida), pero no su altura, así que medimos nosotros el tono medio de cada voz para poder responder a «una voz más grave, por favor». En modo automático, la voz se elige según el objetivo y el tono del vídeo, y los vídeos sucesivos de un mismo sitio alternan voces en lugar de repetir.
Dirigir la lectura
Antes del guion, el modelo recibe unas indicaciones de interpretación: un solo narrador que cuenta una sola historia, el tono que hayas elegido (enérgico, sereno, premium, cercano…), una respiración breve en cada cambio de párrafo, las cifras y los precios dichos como se dicen en el idioma del guion, y nada leído que no esté escrito.
Grabar todo el guion de una vez
La narración es una toma continua, no un clip por escena pegado al siguiente, así que la entonación y la energía se mantienen en cada corte. Si pides otro narrador, otra velocidad u otro registro en algunas escenas, esos tramos se graban aparte y se unen en la misma pista con silencios reales en las juntas.
Revisar la toma
Una voz generada por un modelo de lenguaje a veces repite una frase. Si una toma dura alrededor de un tercio más de lo que predice su número de palabras, la leemos otra vez y nos quedamos con la más corta.
Masterizar la voz
La voz se normaliza a −16 LUFS antes de poner la música debajo, y el vídeo terminado se entrega a −14 LUFS con la música incluida, un nivel pensado para reproductores de vídeo web y no para pódcast.
Sacar subtítulos y escenas de la toma
Un narrador hace su pausa más larga al final de un párrafo, y cada escena es un párrafo: por eso los cambios de escena se ajustan a las pausas más largas de la pista y los subtítulos se reparten sobre el habla de cada escena. Si una escena necesita más tiempo en pantalla, insertamos silencio en la junta; nunca recortamos audio, porque eso borraría palabras.
La consecuencia para ti: las palabras son la línea de tiempo. Una escena dura lo que tarda en decirse su texto, así que un vídeo se alarga escribiendo más, no ralentizando la voz. La narración marca la duración da los presupuestos de palabras.
Ejemplo real: una landing page, dos locuciones
Kevibe Studio es un estudio de diseño colombiano que vende landing pages pensadas para convertir el tráfico de anuncios de Facebook, Instagram y Google. Su página de oferta, en studio.kevibe.com, se grabó dos veces, las dos en 16:9.
El vídeo en español dura 30 segundos con 38 palabras. Arranca con el problema en seis palabras, «Tu campaña gasta sin generar contactos», sigue con la oferta (seis secciones y dos rondas de ajuste) y cierra con «Solicita tu cotización ahora. Convierte más.» Frases cortas, una idea por frase: un guion cómodo para una voz sintética.
El vídeo en inglés de la misma página dura 48 segundos con 81 palabras. Empieza con una pregunta, «Still losing sales from online ad traffic?», que da a la voz una subida natural para arrancar, y añade un proyecto de cliente como prueba.
Dos lecciones de la pareja:
- La duración siguió a las palabras. 38 palabras dieron 30 segundos; 81 palabras, 48. Ninguna de las dos voces se aceleró ni se frenó para llegar ahí.
- Un idioma por toma. El guion en inglés termina con «Solicitar cotización today», la etiqueta del botón en español dentro de una frase en inglés. Es la línea que nosotros escribiríamos de otra forma: decir qué hace el botón en el idioma del guion y dejar que la pantalla muestre la etiqueta. La otra línea que conviene escuchar es la del precio con código de moneda: escribir la cantidad en letras elimina la duda.
Si tu negocio vive de campañas, este es el formato de los vídeos para anuncios hechos a partir de la página a la que lleva el anuncio.
Cuándo suena mal una voz en off con IA, y cómo se arregla
Estos son los fallos que vemos en renders reales, del más frecuente al menos. Casi ninguno se arregla cambiando de voz.
| Lo que oyes | Causa habitual | Solución |
|---|---|---|
Cifras leídas de forma rara | Dígitos, separadores, símbolos o un código de moneda en el guion | Escribe la cantidad como se dice y deja la cifra en pantalla |
Cambio de acento a mitad de frase | Una palabra o etiqueta en otro idioma dentro del guion | Un idioma por toma; describe las etiquetas extranjeras en vez de leerlas |
Una escena atropellada | Dos ideas en una escena o una frase larga sin pausa | Divide la escena: una idea por escena |
Lectura plana, de lista | Párrafos de una línea sin conexión y ningún tono elegido | Elige un tono y une en un párrafo las frases relacionadas |
Subtítulos algo adelantados o retrasados | Se editó el texto después de la toma | Vuelve a sincronizar los subtítulos con la toma existente (gratis una vez por render de pago) |
Nombre de marca mal pronunciado | El modelo adivina una palabra que casi nunca ve | Añade una entrada de pronunciación para esa palabra |
Cuánto cuesta y qué pasa si cambias una frase
En PageToVid la locución no se compra aparte. Un render terminado cuesta 40 créditos sea cual sea su duración, e incluye guion, voz, subtítulos y grabación de pantalla; el primer vídeo de cualquier sitio web es gratis y sin tarjeta. Planes y vídeos sueltos, en precios.
Las cuentas cambian cuando cambia el guion, y en una landing page eso pasa cada vez que cambia la oferta. Editas el texto de la escena y vuelves a renderizar: en minutos tienes una toma nueva de todo el vídeo. Si solo retocaste palabras y los subtítulos se desfasan, la resincronización de subtítulos reutiliza la toma y es gratis una vez por render de pago. Un render que falla por un motivo del sistema se reembolsa automáticamente.
Con los idiomas pasa lo mismo: una traducción escribe la narración en el nuevo idioma y graba una toma nueva, en lugar de doblar el audio anterior, en cualquiera de los 13 idiomas disponibles (traducción de vídeo). El procedimiento clic a clic está en cómo añadir una locución con IA a un vídeo.
Dónde encajan las herramientas centradas en la voz
Si lo que necesitas es una voz y no un vídeo de tu web, una herramienta centrada en la voz puede servirte mejor. HeyGen anuncia traducción con sincronía labial y tu voz clonada en 175+ idiomas y dialectos en sus planes de pago: es la opción correcta cuando un presentador grabado tiene que hablar muchos idiomas. PageToVid narra lo que el espectador ve, normalmente tu web real grabada en un navegador, con un conjunto fijo de narradores sintéticos. En todas las comparativas tienes las herramientas lado a lado.
Cuándo contratar a un locutor humano
Contrata a una persona cuando la voz es un activo: un locutor reconocible que tu público ya asocia con la marca, un fundador cuya propia voz cuenta la historia o el presentador de un pódcast. También cuando hace falta interpretar: una campaña solidaria, un vídeo de marca que vive de pausas y titubeos, voces de personajes para animación. Y cuando alguien debe responder de lo que se dice, como en afirmaciones financieras o médicas reguladas. Un portal de locutores o un estudio local te lo resuelven; si es tu propia voz, basta un grabador de pantalla y un buen micrófono. Locución con IA o locución humana compara costes y plazos.
Convierte tu sitio web en un vídeo — gratis
Pega la página que quieres filmar. PageToVid escribe el guion, graba el sitio real, pone la voz y entrega el MP4.
Preguntas frecuentes
¿Una locución con IA es lo mismo que texto a voz?
No exactamente. El texto a voz es la tecnología que convierte texto escrito en audio. Una locución con IA es la pista de narración terminada que se construye con ella: un narrador, sincronizado con la imagen, masterizado con la música y subtitulado.
¿Puedo elegir una voz masculina o femenina?
Google no clasifica sus voces por género, así que las describimos por su tono medido: grave, medio o agudo, más una palabra de carácter como firme, cálida o brillante. Si pides una voz más aguda o más grave, la tienes.
¿Puede un mismo vídeo tener locución en español y en inglés?
Sí. Cada idioma recibe su propia toma, escrita para ese idioma, no un doblaje de la primera. Los guiones suelen tener longitudes distintas: los vídeos de Kevibe Studio duran 30 segundos en español y 48 en inglés porque sus guiones son distintos.
¿Puede PageToVid usar mi propia voz?
No. No hay clonación de voz; PageToVid usa un conjunto fijo de narradores sintéticos. Si quieres tu voz, grábala tú o usa una herramienta pensada para clonar.
¿La locución está incluida en el vídeo gratis?
Sí. Guion, voz y subtítulos van en cada render y en todos los planes, también en el primer vídeo gratis de cualquier sitio web, que lleva la pequeña marca de PageToVid.