Cómo convertir texto a voz con IA: herramientas, trucos para que suene natural y qué está permitido

Convertir texto a voz ya no da como resultado esa voz metálica que leía las estaciones del metro. Las voces sintéticas actuales respiran, entonan y, con un texto bien preparado, cuesta distinguirlas de una locución grabada. Sirven para narrar un vídeo, escuchar un documento mientras conduces o publicar un artículo también en audio. Esta guía explica qué herramienta usar, cómo escribir para que suene natural y qué voces puedes usar sin meterte en problemas.

Para qué se usa

• Narrar vídeos: tutoriales, vídeos cortos para redes, presentaciones de producto. Es el uso más común y el que más se nota cuando sale mal.
• Podcasts: corregir una frase sin volver a grabar o publicar el episodio en otro idioma. El proceso completo, del guion a la publicación, está en crear un podcast con IA.
• Escuchar en lugar de leer: informes, apuntes, artículos largos o un libro en PDF, mientras haces otra cosa.
• Accesibilidad: ofrecer versión en audio de un texto para quien tiene dificultades de lectura o visión.
• Versiones en otros idiomas: traducir el guion y locutarlo en otro idioma sin contratar a un locutor por cada uno. Cómo traducir bien antes de locutar está en traducir con IA.

Es el camino inverso a la transcripción, que pasa una grabación a texto; ese lo explicamos en pasar audio a texto con IA.

Qué herramienta usar

Si vas a montar un vídeo completo, la voz es solo una pieza; el resto del proceso está en crear vídeos con IA.

Escribir para el oído

La mayoría de las locuciones que suenan a robot no fallan por la voz, sino por el texto. Un texto escrito para leerse no siempre funciona al oírlo. Antes de generar el audio, repásalo con estas reglas:

• Frases cortas. Una idea por frase. Las subordinadas largas obligan a la voz a una entonación plana.
• Puntuación para las pausas. La coma es una pausa breve; el punto, una más larga. Si quieres que respire antes de un dato importante, pon un punto.
• Números y siglas como se dicen. «1.250 €» puede leerse de formas raras; «mil doscientos cincuenta euros», no. Lo mismo con «IA», «SEO» o «km/h».
• Nombres extranjeros: prueba cómo los pronuncia y, si falla, escríbelos como suenan.
• Nada de paréntesis, tablas ni listas con viñetas: en audio no existen. Conviértelos en frases.

Un asistente de IA te ayuda con esta parte. Pídele: «Reescribe este texto para que lo lea una voz sintética: frases cortas, números escritos con letras, sin paréntesis ni listas, y el mismo contenido. Señala las palabras que pueden pronunciarse mal».

De texto a audio, paso a paso

1. Elige la voz con tu texto, no con la demo. Pega un párrafo real en tres o cuatro voces. Una voz grave y pausada encaja en un documental y desentona en un vídeo de quince segundos para redes.

2. Ajusta velocidad y estilo. Casi todas las herramientas permiten cambiar la velocidad y algunas la estabilidad o la emoción. Más estabilidad suena más uniforme; menos, más expresiva pero con más sorpresas.

3. Genera por párrafos. Si generas diez minutos de golpe y falla una palabra en el minuto siete, toca repetirlo todo. Por párrafos, solo rehaces lo que falla, y los caracteres del plan cunden más.

4. Escucha entero antes de publicar. Con auriculares y sin leer el texto a la vez, porque si lo lees, el cerebro corrige lo que el oído no oye bien.

5. Descarga en buena calidad y guarda el texto final junto al audio. Si mañana cambia un dato, regeneras solo ese fragmento.

Qué voces puedes usar

Aquí está el único punto delicado del tema:

• Voces de catálogo: las que ofrece la herramienta. Puedes usarlas según las condiciones de tu plan; en muchos planes gratuitos el uso comercial no está incluido o exige citar la herramienta.
• Tu propia voz clonada: legal y útil para no grabar cada vídeo. Las herramientas serias te piden verificar que es tuya. Protege esa cuenta: tu voz clonada es justo lo que alguien necesitaría para suplantarte.
• La voz de otra persona: solo con su permiso, por escrito. Imitar a un famoso, a tu jefe o a un familiar sin autorización puede vulnerar sus derechos y es la base de muchos fraudes; lo contamos en estafas con IA, deepfakes y suplantación.

Si el audio puede confundirse con una persona real hablando, indica que la voz es sintética. En un contexto profesional, además, hay obligaciones de etiquetado que explicamos en vídeo y audio con IA en el trabajo.

Dónde todavía falla

• Textos muy largos: en audios de más de diez o quince minutos, el tono puede ir cambiando sin motivo. Generar por partes lo evita.
• Emociones fuertes: una voz sintética lee bien un tutorial; un texto que tiene que emocionar sigue notándose.
• Términos técnicos y nombres propios: es donde más tropieza. Escúchalos uno a uno.
• Diálogos: hacer que dos voces conversen con naturalidad requiere generar cada intervención por separado y montarlas después.

Para la mayoría de los usos, con un texto bien escrito y diez minutos de pruebas, el resultado es más que suficiente. La diferencia entre una locución que suena a máquina y una que pasa por humana casi siempre está en el guion.