Cómo añadir voz en off con IA a un vídeo

«Añadir una voz en off» abarca cuatro tareas distintas, y solo dos son nuestras.

El resto de la guía trata las dos primeras filas. Si tu duda es sobre la voz en sí (cómo funciona la síntesis, cómo suena), lee qué es el texto a voz y la entrada del glosario sobre voz en off con IA.

Seis pasos, todos en la página Nuevo vídeo y luego en el editor.

Todo esto funciona en el plan gratuito: el primer vídeo de cualquier sitio web es gratis, voz y subtítulos incluidos. El caso de uso de web a vídeo muestra el proceso completo.

En el editor puedes sustituir la imagen de cualquier escena por tu archivo: MP4, WebM, MOV o MKV de hasta 60 MB por escena, que se recodifica al subirlo. La grabadora conserva entonces tu clip en lugar de filmar la página en esa escena, y la locución de la escena se lee encima.

Lo que pasa con el sonido de tu clip lo deciden las palabras. Una escena con locución mantiene el audio del clip como fondo suave bajo la voz. Una escena sin locución es del clip: su sonido suena a pleno volumen y la escena dura lo que indiques.

Con un asistente, lo mismo pasa por MCP: create_upload te da una dirección de subida, el archivo llega a tu banco y un storyboard escrito con create_animation lo coloca en una escena por su identificador, con tu locución encima.

El límite, con franqueza: es un vídeo construido por escenas, no una pista de voz sobre una grabación de diez minutos. Para eso, mira la tabla de arriba.

Un tono y una voz bastan para casi todos los vídeos. Si necesitas más, un storyboard escrito por MCP admite una dirección más fina (las pronunciaciones también van por la API REST), sin romper nunca la toma única: las escenas con la misma dirección se leen juntas y los trozos se unen con silencios reales en una sola pista.

• Registro por escena: cálido, entusiasta, serio o tranquilo durante un pasaje, por ejemplo una escena de problema seria antes de una oferta enérgica.
• Velocidad por escena: de 0,8 a 1,2 veces, sin alterar el tono de la voz.
• Voz por escena: un segundo narrador para una cita o un testimonio.
• Pausas: escribe [pause 500ms] o [pause 1.5s] en la locución, de una décima de segundo a tres segundos. La marca se convierte en silencio y nunca aparece en los subtítulos.
• Pronunciaciones: hasta 50 entradas con el texto y cómo decirlo. La voz lee la forma hablada y los subtítulos mantienen tu ortografía, así que «PageToVid» sigue bien escrito diga lo que diga la voz.

Yalla Cash organiza concursos de cultura general con premios en metálico, en tres niveles, con suscripción pagada mediante Sham Cash. Hicimos su vídeo de 45 segundos desde la página de inicio, en 16:9, con 99 palabras.

La voz abre con una pregunta, «Dreaming of cash rewards from your knowledge challenges?», y recorre la página en orden: los tres niveles, elegir el reto, pagar en pocos pasos, responder contra el reloj, las respuestas correctas convertidas en premios. La última frase es la que interesa aquí: «Ready to compete and win?», seguida del texto en árabe del botón de la página, leído tal cual por la misma voz inglesa, en la misma toma. Con un locutor profesional, esa frase pediría una segunda sesión o un perfil bilingüe; aquí no cuesta nada, porque cada voz habla todos los idiomas.

Si quieres conservar el texto de un botón en su idioma original, ponlo entre comillas en el brief para que se diga palabra por palabra. Si prefieres oírlo en el idioma de la locución, indícalo en el brief. En ambos casos es una decisión que tomas en las palabras, antes del render.

• Primer vídeo de un sitio: gratis, con voz y subtítulos.
• Otra voz, otro texto, otro tono: un nuevo render, 40 créditos, o un vídeo a 3,90 $ sin suscripción.
• Solo reajustar los subtítulos: gratis una vez por render de pago.
• Otro idioma: una sola acción crea un vídeo nuevo por idioma, con la locución traducida, vuelta a locutar y a subtitular, cobrado como un render; mira la traducción de vídeos.
• Un render que falla por un motivo del sistema: se reembolsa automáticamente.

Planes y pases están en precios.

• Escribir para la vista. Una dirección web, un teléfono o una cifra larga suenan mal en voz alta. Escribe lo que debe decirse.
• Un nombre de marca mal pronunciado. Añade una pronunciación en vez de deformar el nombre en el guion: el error acabaría en los subtítulos.
• Una voz distinta en cada escena. Dos narradores para una cita, sí; cinco suenan a lista de reproducción.
• Demasiadas palabras para la duración. La voz no acelera para encajar: el vídeo se alarga.
• Esperar que el cambio de voz sea inmediato. Se aplica en el siguiente render.