Todo video con IA comienza con un guion, pero la voz decide cómo llega realmente ese guion. Define el acento, la edad, la textura, la energía y la personalidad de tu presentador — y la velocidad, las pausas y las indicaciones de interpretación deciden si el resultado suena a persona o a máquina leyendo una página.
La versión corta: elige una voz con IA haciendo coincidir el idioma y el acento regional con tu audiencia, usa las etiquetas del perfil para armar una lista corta, escucha una vista previa de cada candidata con tu propio guion y luego ajusta la interpretación con la velocidad y las pausas antes de generar. El resto de esta guía recorre ese proceso paso a paso en VisionStory, cuya biblioteca de voces con IA tiene más de 1,000 voces en 88 idiomas.
Lo que cubre esta guía: la Biblioteca de voces pública y los controles de interpretación que la acompañan. Crear una voz a partir de tu propia grabación es un flujo aparte — consulta cómo clonar tu voz con IA.
Paso 1: Abre la Biblioteca de voces y lee la fila de la voz
Abre Video con IA, selecciona el avatar que quieras usar y haz clic en la voz actual debajo del cuadro de guion. La Biblioteca de voces se abre sobre el editor.
Cada fila incluye cuatro señales que te permiten anticipar cómo sonará una voz antes de presionar reproducir:
- Etiqueta de idioma — el idioma que habla la voz.
- Bandera — el acento regional, no un segundo idioma. Las voces en inglés pueden llevar banderas de Estados Unidos, Reino Unido, Canadá y otras.
- Género y edad — la identidad percibida de quien habla.
- Rasgos y caso de uso — descripciones como clara, cálida, conversacional, narración, educación o redes sociales.
Usa las etiquetas para armar una lista corta, no para tomar la decisión final. Dos voces con etiquetas casi idénticas pueden diferir bastante en ritmo, textura y energía.
Paso 2: Filtra, busca y escucha una lista corta
Empieza con un rango lo bastante amplio para escuchar diferencias reales y después reduce las opciones. Usa los filtros Idioma, Género, Edad, Caso de uso y Proveedor mientras sigues explorando. Si ya conoces una voz por su nombre, escríbela en el campo de búsqueda.
Proveedor, el último filtro de la fila, es el motor de voz detrás de cada voz. VisionStory ejecuta varios, y cada uno destaca en cosas diferentes. Déjalo en Todos en tu primera pasada — quieres la mejor voz para este guion, sin importar qué motor la haya generado. Recurre al filtro solo cuando ya sepas lo que necesitas, como una lectura en cantonés o una sola voz que tenga que cubrir varios idiomas. El Paso 3 explica qué motor elegir en esos casos.
- Arma una lista corta. Filtra o busca hasta quedarte con un puñado de candidatas en lugar de un catálogo completo.
- Escucha toda la lista corta. Haz clic en el botón de reproducción a la derecha de la fila de una voz para oír su muestra.
- Pausa y compara. Haz clic de nuevo en el mismo botón para detenerla antes de pasar a la siguiente.
Escucha pensando en lo que tu video realmente necesita: acento regional, claridad, energía, calidez, autoridad y qué tan rápido avanza la voz dentro de una oración. Una voz que suena genial por sí sola puede no funcionar para un guion instructivo, de ventas, de noticias o basado en un personaje.
Paso 3: Haz coincidir la voz con tu contenido y tu audiencia
La mayoría de las voces en off con IA que decepcionan no tienen un problema de calidad, sino de encaje. Antes de decidirte, define qué tiene que lograr esta voz en este video específico.
| Si estás creando | Busca | Evita |
|---|---|---|
| Tutoriales, videos explicativos, cursos | Articulación clara, ritmo constante, calidez neutra | Lecturas promocionales de mucha energía que apuran los términos técnicos |
| Anuncios, promociones, clips cortos para redes sociales | Energía, impacto, un perfil seguro y más joven | Narración lenta y pausada que pierde el gancho |
| Noticias, contenido corporativo, novedades de producto | Autoridad, ritmo parejo, textura vocal mínima | Voces informales o con mucho estilo de personaje |
| Narrativa, entrevistas, podcasts | Personalidad y rango expresivo | Lecturas planas de locutor, sin dinámica |
| Versiones localizadas de un mismo video | Un acento regional nativo para cada mercado | Una sola voz en inglés leyendo el texto traducido |
| Un video, varias versiones de idioma, mismo presentador | Una voz multilingüe, para que cada versión mantenga la misma identidad de voz | Una voz diferente por idioma, lo que suena como una persona distinta cada vez |
El acento es el ajuste en el que más se equivoca la gente. Si tu audiencia está en Londres y tu presentador lleva una bandera de Estados Unidos, los oyentes lo notan — aunque cada palabra sea correcta. Elige la bandera según la audiencia, no solo según el idioma.
Las dos últimas filas empujan en direcciones opuestas, y ambas tienen razón — estás eligiendo entre credibilidad local y un presentador consistente. Elige un acento nativo por mercado cuando cada versión deba sentirse local; elige una sola voz multilingüe cuando los videos sean claramente la misma persona hablando a audiencias distintas.
El chino es donde el acento más importa, porque “chino” son tres audiencias distintas. Mandarín para China continental. Mandarín taiwanés para Taiwán — el idioma escrito se comparte, pero la entonación y la elección de palabras delatan de inmediato una lectura de China continental. Y cantonés para Hong Kong y Guangdong, que es un idioma hablado aparte, no un acento, así que una voz en mandarín no sirve. Configura el filtro de Idioma en el que tus espectadores realmente hablan y luego escucha la vista previa: un espectador de Taipéi percibe una voz en mandarín de China continental igual que un espectador de Londres percibe una voz de Estados Unidos.
Elegir según el motor de voz
El filtro Proveedor del Paso 2 agrupa la biblioteca por el motor que genera cada voz. No lo necesitarás a menudo, pero cuando alguna de estas sea tu situación, te ahorra mucho desplazamiento.
- ElevenLabs — la biblioteca más grande y el rango emocional más amplio. Empieza aquí para narración en inglés, voces de personaje y cualquier guion que tenga que actuar en lugar de solo anunciar.
- Gemini — las voces multilingües. Una sola voz mantiene su identidad entre idiomas, así que aquí es donde buscar cuando el mismo video sale en varios idiomas y quieres el mismo presentador en todos. Estas voces aparecen sin importar por qué Idioma filtres.
- MiniMax — el cantonés más natural. Recurre a él para audiencias de Hong Kong y Guangdong.
- Seed — chino de nivel nativo, incluido el mandarín taiwanés, además de voces nativas en japonés, coreano, español, portugués e indonesio. Pruébalo cuando una lectura fluida pero extranjera no sea suficiente para el mercado.
Si nada de eso describe tu video, deja Proveedor en Todos y deja que la vista previa decida. El encaje importa mucho más que qué motor haya producido la voz.
Paso 4: Ajusta la velocidad de habla y luego agrega pausas
Haz clic en la fila de una voz para aplicarla a la configuración actual. Luego abre el menú de velocidad junto a la voz seleccionada y elige Lento, Normal o Rápido.
- Lento va bien con explicaciones reflexivas y con cualquier contenido en el que la comprensión importe más que la urgencia.
- Normal es la base segura para la mayoría de los tutoriales, presentaciones y videos con avatar parlante.
- Rápido agrega energía a promociones cortas y clips para redes sociales, pero los guiones densos se vuelven más difíciles de seguir.
La velocidad define el tempo de toda la interpretación. Para tener control dentro de una oración, coloca el cursor donde va el silencio y haz clic en el control Pausa. Cada clic agrega 0.5 segundos; haz clic de nuevo para una pausa más larga.
Consejo práctico: agrega pausas donde un presentador real respiraría, cambiaría de idea o dejaría que una afirmación cale. Demasiadas pausas fragmentan la interpretación, así que escucha la vista previa de la oración completa después de editar, no solo de la parte que cambiaste.
Paso 5: Dirige la interpretación con Mejorar voz
Haz clic en Mejorar voz cuando las palabras ya estén bien, pero la interpretación que buscas todavía no sea explícita. VisionStory agrega indicaciones de interpretación para la emoción, el ritmo y el énfasis, y conserva tu redacción original.
Revisa el guion mejorado antes de continuar. Elige Mantener cuando las indicaciones coincidan con tu intención, o Deshacer para volver al original. Vale la pena cuando un guion necesita una dirección emocional clara, pero no se debe reescribir.
Paso 6: Previsualiza tu guion real antes de generar
Haz clic en Vista previa del audio cuando la voz, la velocidad, las pausas y las indicaciones de mejora ya estén listas. Escucha la toma completa en lugar de juzgar por las primeras palabras y revisa la pronunciación, el acento, el ritmo, los finales de oración, las pausas y si la emoción encaja.
Cuando todavía estés comparando candidatas, empieza con una sola oración corta y representativa. Una vez que la lista se reduzca a dos o tres, previsualiza un fragmento que incluya los nombres, números, términos técnicos o momentos emocionales que más importan en el video final — ahí es donde las voces se diferencian.
Cupo de vista previa: la vista previa de audio incluye un cupo gratuito de caracteres que se renueva en un ciclo continuo de 24 horas. Una vez agotado ese cupo, generar una vista previa cuesta 1 crédito por cada 500 caracteres. Consulta cómo funcionan los créditos de VisionStory para ver el panorama completo.
Paso 7: Genera una vez para que el avatar recuerde la voz
Seleccionar una voz cambia la configuración actual del editor, pero seleccionarla no basta para guardar esa voz en el avatar. Genera un video con la voz que elegiste. VisionStory recuerda entonces esa combinación y la restaura la próxima vez que uses el mismo avatar.
Por eso vale la pena elegir con cuidado. Una vez que un avatar y una voz quedan emparejados, cada video futuro parte de un presentador consistente en lugar de una decisión desde cero.
Por qué las voces con IA suenan robóticas — y cómo solucionarlo
Cuando una voz en off generada suena sintética, casi siempre se debe a una de cinco causas que puedes corregir y no al modelo de voz en sí.
- Voz equivocada para el guion. Una voz de narración que lee un texto publicitario suena plana. Vuelve a filtrar por Caso de uso antes de culpar a la calidad.
- Sin pausas. Las personas reales respiran. Un bloque de texto sin respiros suena a máquina, así que agrega pausas de medio segundo donde termina cada idea.
- Velocidad configurada una vez y olvidada. Rápido vuelve confusas las oraciones densas; Lento hace que una promo corta se arrastre. Ajusta el ritmo al tipo de contenido.
- Puntuación ambigua. Las oraciones interminables, las comas faltantes y las abreviaturas sin desarrollar empujan la voz hacia un tono monótono. Limpia primero el guion.
- Sin dirección emocional. Si la intención no está en el texto, la voz no puede deducirla — y justo para eso sirve Mejorar voz.
Corrige esos cinco puntos y la mayoría de las quejas sobre voces con IA robóticas desaparecen sin cambiar la voz.
Si un proveedor retira una voz que usas
VisionStory obtiene sus voces de varios proveedores, y un proveedor puede eliminar una voz de su propio catálogo. Cuando eso ocurre, la voz no se puede restaurar en la Biblioteca de voces pública.
Si desapareció una voz en la que te apoyabas, busca un fragmento limpio de un video anterior que contenga solo esa voz y úsalo como audio de origen en Clonación de voz. El clon puede producir un reemplazo muy parecido, aunque no debes esperar que suene idéntico.
Permiso requerido: clona únicamente audio que te pertenezca o que tengas permiso claro para usar, y previsualiza el reemplazo con el guion que piensas usar antes de publicar.
Tu lista de verificación de la voz con IA antes de generar
- Elige el acento regional según tu audiencia, no solo el idioma.
- Usa las etiquetas del perfil para armar una lista corta y luego deja que tu oído decida.
- Previsualiza los nombres, los números y los términos difíciles de tu guion real.
- Ajusta la velocidad general antes de agregar pausas puntuales.
- Usa Mejorar voz solo cuando la interpretación necesite una dirección más clara.
- Escucha una vista previa completa, no solo la primera oración.
- Genera un video una vez para que el avatar recuerde la voz.
- Anota el nombre de la voz elegida en las notas de tu marca o campaña.
Una vez definida la voz, el resto es rápido. Lleva esa misma configuración hasta un video terminado con cómo crear un avatar parlante con IA, o abre texto a voz cuando solo necesites la parte de audio.
