Texto a voz con IA: cómo pasar texto a voz paso a paso

Lo usas sin pensarlo cuando el GPS te dice que gires en la próxima rotonda. Texto a voz, o TTS por sus siglas en inglés, es cualquier sistema que lee un texto en voz alta y te devuelve el sonido.

Las voces antiguas se hacían pegando trozos de grabación o calculando el sonido con reglas fijas. De ahí el tono plano y los cortes entre sílabas: el sistema no entendía la frase, la deletreaba.

Las voces neuronales aprenden a hablar escuchando miles de horas de personas reales y generan la onda de sonido desde cero. El salto se midió en 2016 con WaveNet. En las pruebas de Google, la gente puntuó sus voces con un 4,1 sobre 5, más de un 20 % por encima de las voces estándar, y la distancia con el habla humana se redujo más de un 70 %. Desde entonces el modelo decide dónde respirar y qué palabra subrayar.

Así que hoy elegir herramienta ya no va de si «suena humana», sino de cosas más prosaicas: cuánto texto admite, si te deja descargar el MP3, si puedes usarlo comercialmente y cuánto cuesta cada minuto.

Antes de pegar tu texto en la primera web que aparezca, comprueba estos seis puntos. Los cuatro últimos se descubren tarde: cuando el video ya está montado y resulta que el audio no se puede descargar o no se puede monetizar.

Comparamos por minuto de audio, con el plan más barato que puedes contratar de cada servicio. Donde el precio se publica en caracteres, lo pasamos a minutos con nuestro ritmo medio medido de 1000 caracteres por minuto.

Mira la última columna. En una suscripción, lo que no gastas en el mes suele perderse. En un pago único, se queda.

Así conviertes un texto en audio MP3 sin instalar nada:

1. 1Entra en el generador. Pega el texto o sube un documento (.txt, .md, .srt, .pdf, .docx). Un solo audio admite hasta 600.000 caracteres, unas 10 horas de voz.
2. 2Elige una voz entre las más de 300 de la biblioteca, filtrando por idioma, acento, sexo o estilo. Escucha la muestra antes de decidir, y si tienes dudas entre dos, genera un párrafo con cada una.
3. 3El idioma se detecta solo a partir del texto, en cualquiera de los 7 disponibles: español, inglés, alemán, francés, portugués, italiano y ruso.
4. 4Ajusta la velocidad (de 0.5× a 2×), la pausa entre frases (hasta 800 ms) y el volumen. Puedes escuchar cómo quedan los ajustes antes de generar.
5. 5Pulsa Generar. Antes ves cuántos créditos cuesta: 60 créditos por cada 1.000 caracteres (unos 60 por minuto de audio), con un mínimo de 100 por audio.
6. 6Escucha el resultado y descarga el MP3. Guárdalo en tu equipo: el archivo se conserva 4 días en tu historial.

La voz lee lo que está escrito, signos incluidos. La puntuación es tu forma de dirigirla, y lo que en papel es ambiguo, como una fecha o una sigla, puede salir de una forma que no esperabas.

La voz pesa más en el resultado que cualquier ajuste. Elige pensando en quién escucha y cuánto tiempo: una voz con mucha energía funciona en un anuncio de 30 segundos y agota en un audiolibro de seis horas.

De media, un minuto de audio son unos 1000 caracteres con espacios. Pero la voz manda más que el texto: el mismo guion dura casi un 50 % más con la voz más pausada que con la más ágil de las que hemos medido.

Voizum entrega MP3 mono a 96 kbps, que abre cualquier reproductor o editor de video. Una voz ocupa un solo canal, y a ese bitrate no se oye pérdida en el habla. Cada minuto pesa unos 0,72 MB; una hora, unos 43 MB.

Si una plataforma pide más, exportar a 192 kbps cumple su requisito, pero el sonido sigue siendo el del MP3 de partida.

En Voizum, el audio que generas es tuyo para usarlo también con fines comerciales: videos monetizados, anuncios, cursos o podcasts, sin citar a la herramienta. Hay dos límites: no puedes usarlo para suplantar a otra persona ni para contenido ilegal. Tampoco puedes clonar la voz de alguien sin su permiso.

Y lo que piden las plataformas:

• YouTube no exige avisar de que la narración es de IA cuando es una voz en off o un doblaje. Sí exige etiquetar el contenido realista que haga parecer que una persona real dijo algo que no dijo.
• Para monetizar, YouTube excluye el contenido «inauténtico»: videos producidos en serie, repetitivos o sin aportación propia. La voz IA le da igual; lo que deja fuera a un canal es el guion copiado o la plantilla repetida mil veces.
• Audible, a través de ACX, exige que los audiolibros estén narrados por una persona salvo en sus programas autorizados de voz sintética. Si tu destino es Audible, compruébalo antes de producir el libro entero.

Para escuchar un texto una vez no hace falta ninguna web. Microsoft Edge tiene una lectura en voz alta gratis con voces naturales, y el sistema operativo trae su propio lector. Leen en directo, eso sí, y no te dan un archivo.

Si necesitas el MP3, entrando con tu cuenta de Google recibes 600 créditos gratis cada mes, unos 10 minutos de audio, para generar con cualquier voz de la biblioteca. Se renuevan solos, no acumulan y no piden tarjeta.

Si necesitas más, los créditos se compran sin suscripción y no caducan. El bono gratis vale para generar audios en la web; clonar tu voz, la API y encadenar audios usan créditos comprados.

Los que antes se notan al escuchar:

• Pegar el texto sin repasar: saltos de línea raros, números de página o restos de formato crean pausas donde no toca o se leen en voz alta.
• Elegir la voz por la muestra de 10 segundos, sin probarla con un párrafo real del guion.
• Dejar siglas, abreviaturas y fechas ambiguas (10/2/2026) como en un documento en vez de como se dicen.
• Frases de cuatro líneas: en papel se entienden, en audio el oyente pierde el sujeto.
• Generar un guion largo entero sin escuchar antes un minuto: si la voz o la velocidad no encajan, lo pagas todo.
• No descargar el MP3: el archivo se borra del historial a los 4 días.