Texto a voz (TTS): cómo funciona y cómo escribir una locución con IA

Los primeros sistemas pegaban sílabas grabadas, de ahí la voz entrecortada de las estaciones. El texto a voz neuronal usa modelos entrenados, en tres pasos.

La normalización. Primero el texto se convierte en palabras: «2024» tiene que ser un año, «Sr.» un tratamiento, «3/4» una fracción o una fecha. Es una adivinanza, y es el paso que tú controlas, porque puedes escribir las palabras directamente.

El plan sonoro. Un modelo secuencial traduce el texto a una descripción del audio. En Tacotron 2, de Google, esa descripción es un espectrograma de 80 dimensiones calculado cada 12,5 milisegundos, que recoge la pronunciación, el volumen, la velocidad y la entonación. Aquí manda la puntuación: un signo de interrogación cambia la curva melódica y una coma crea una respiración.

La onda. Un vocoder genera el sonido. WaveNet, presentado por DeepMind en 2016, producía audio a 16 000 muestras por segundo o más y recortaba en más de un 50 % la distancia con la voz humana en pruebas de escucha; Tacotron 2 usaba un modelo parecido para generar audio a 24 kHz valorado como comparable a una grabación profesional.

Los propios autores de Tacotron 2 reconocían problemas con palabras como «decorum» o «merlot». Las palabras poco frecuentes siguen siendo el punto débil, y se arreglan en el guion.

Audit express : les finances d'Aubagne es una animación en francés sin ninguna web detrás: un guion escrito a mano a partir de las cuentas públicas de 2024 de Aubagne, un municipio junto a Marsella, comparadas por el centro de estudios IFRAP con veinte municipios de tamaño parecido. Una voz sintética lee 279 palabras y el vídeo dura 104 segundos.

Empieza con «Aubagne, presque quarante-huit mille habitants aux portes de Marseille» y sigue con una pregunta, «Que disent ses comptes publics ?» (¿qué dicen sus cuentas públicas?), que le da a la voz una entonación que subir.

La lección está en los números. La fuente daba la deuda en cifras, con el símbolo del euro y la abreviatura de «por habitante». El guion dice «deux mille sept cent soixante-quatre euros par habitant»; en español escribirías «dos mil setecientos sesenta y cuatro euros por habitante». La deuda total («cent trente-trois millions d'euros») y la nota («sept virgule deux sur vingt», siete coma dos sobre veinte) siguen la misma regla. Al modelo no le queda nada que adivinar: ni el separador de miles, ni la coma decimal, ni la abreviatura.

Lo que cambiaríamos: las únicas cifras que quedan son años, «chiffres 2024» y el periodo «2018-2024». Un año se lee bien; un intervalo con guion merece una escucha atenta, y «de 2018 a 2024» elimina la duda. Y como los números con letra alargan los subtítulos, pon la cifra en un rótulo mientras la voz la dice.

Para dejar este vídeo en 60 segundos habría que recortar casi la mitad de las palabras, no acelerar la voz. La guía la narración marca la duración da los presupuestos de palabras.

Cada regla le ahorra al modelo una adivinanza.

La prueba más barata: lee el guion en voz alta a velocidad normal. Donde tú tropieces, tropezará la voz.

Grabamos toda la narración como una sola toma continua, no un clip por escena: la entonación se mantiene pareja y ninguna palabra se corta en un cambio de plano. Los subtítulos se cortan de esa misma toma y las escenas se la reparten: cada escena dura lo que tardan en decirse sus palabras.

Aun así puedes dirigir cada escena: otro narrador, una velocidad entre 0,8 y 1,2 o un registro (cercano, serio, tranquilo, entusiasta). Las voces son multilingües, así que eliges timbre y altura, no idioma.

La narración y los subtítulos están disponibles en 13 idiomas. Traducir un vídeo no es doblar el audio antiguo: PageToVid reescribe la narración en el nuevo idioma, graba una toma nueva, vuelve a cortar los subtítulos y vuelve a grabar la página localizada cuando la web la tiene (traducción de vídeos). Tahaqqaq, un vídeo de 63 segundos en árabe sobre una herramienta que comprueba las fuentes de los hadices, muestra hasta dónde llega.

Si tu texto ya existe como artículo, de artículo a vídeo lo reescribe para el oído en lugar de leerlo tal cual.

La diferencia de verdad aparece cuando el guion cambia, algo que en un vídeo de producto pasa cada pocas semanas. En PageToVid, la voz en off con IA va incluida en los 40 créditos que cuesta un vídeo terminado (precios): cambiar una frase es una toma nueva del vídeo entero, lista en minutos. A un locutor se le contrata por sesión, y una frase regrabada semanas después rara vez encaja con la original. Tu propia voz no cuesta nada, pero cada corrección obliga a volver a grabar. Más detalle en voz en off con IA o voz humana.

• Escribir para leer. Barras, unidades, «p. ej.» y «etc.» son señales para el ojo; una voz las lee al pie de la letra o se las salta.
• Siglas sin desarrollar. «Nuestro CRM se sincroniza con tu ERP» se convierte en una sopa de letras al ritmo de una locución.
• Frases de cuarenta palabras. El acento cae donde no toca y no queda ninguna pausa para cortar.
• Dos idiomas en la misma toma. Un eslogan en inglés dentro de un guion en español, o un vídeo en árabe que termina con una dirección web en caracteres latinos, obliga a la voz a cambiar de fonética a mitad de frase. Tahaqqaq acaba con «Tahaqqaq.pages.dev»: esa es la frase que hay que escuchar antes de publicar.
• Añadir palabras y esperar la misma duración. La toma es la línea de tiempo.

Fliki gira en torno a la voz: anuncia 2000+ voces con IA en más de ochenta idiomas y dialectos, y clonación de tu voz a partir de una muestra corta. Para una pista de locución suelta, un canal con tu voz clonada o un acento que no ofrecemos, es mejor opción. PageToVid parte de la página: la voz explica lo que se ve, normalmente tu web real grabada en un navegador. La guía voz en off con IA explica cómo elegir y dirigir una voz.