Voz en off con IA para videos: del guion al video

Primero el guion, luego la voz y al final la imagen. Quien monta la imagen antes acaba estirando planos o recortando frases para que la voz quepa. Con la voz ya hecha, cortas la imagen al ritmo de la narración y cuadra a la primera.

El flujo es el mismo para un Short de 40 segundos que para un documental de una hora:

1. 1Escribe el guion entero en un documento, pensado para el oído. Más abajo va cómo.
2. 2Calcula la duración: unos 1.000 caracteres por minuto. Si el video tiene que durar 8 minutos, apunta a unos 8.000.
3. 3Pega el texto en el generador o sube el archivo (txt, md, srt, pdf, docx) y elige la voz. Escucha la muestra con una frase de tu propio guion, no con la de ejemplo.
4. 4Genera y escucha el resultado. Si quieres cambiar algo, cámbialo en el texto y genera de nuevo solo esa parte.
5. 5Descarga el MP3 e impórtalo en tu editor. Colócalo en una pista de audio propia, desde el segundo cero.
6. 6Corta y coloca la imagen siguiendo la voz: cada cambio de idea, un cambio de plano.
7. 7Añade música en otra pista, bájala por debajo de la voz y activa la atenuación automática (ducking) si tu editor la tiene.
8. 8Genera subtítulos: en redes, buena parte del público ve los videos sin sonido.
9. 9Exporta, mide el volumen final y publica. Si la plataforma lo pide, marca el contenido como hecho con IA.

En español, cuenta caracteres. Es lo que mide cualquier generador de voz y no depende de lo largas que sean tus palabras. La cuenta redonda: 1.000 caracteres, con espacios, por minuto de audio.

La referencia clásica en palabras viene del inglés: el National Center for Voice and Speech estima unas 150 palabras por minuto en el habla de EE. UU. En español las palabras son algo más largas y esa cifra no se traslada tal cual. Lo fiable es generar un minuto de prueba con la voz que vas a usar y ajustar el guion a lo que dure.

Quien escucha no puede volver atrás a releer. Cada frase tiene que entenderse a la primera.

• Frases de 15 a 25 palabras como máximo. Si una frase necesita dos comas y un paréntesis, pártela en dos.
• Una idea por frase y el dato importante al final, que es donde cae el acento de la frase.
• Las cantidades, fechas, horas y precios se leen bien solos. Las siglas y los símbolos raros, en cambio, escríbelos como quieres que suenen: «uve, uve, doble ve», o «tres veces» en vez de «3x».
• La puntuación marca el ritmo. El punto hace pausa y la coma deja respirar; un guion sin puntos se lee de corrido.
• Nada de listas largas leídas en voz alta. Pasados cuatro elementos, la gente se pierde: ponlos en pantalla y que la voz diga solo los dos que importan.
• Lee el guion en voz alta tú antes de generar. Donde tú te trabas, la voz también suena forzada.

El tono lo marca la voz antes que la imagen. Elige con tu guion delante: la voz que va bien en un tutorial puede dormir un anuncio.

Si la gente ya conoce tu voz, clónala y los videos seguirán sonando a ti los días que no grabes. En un canal sin cara ni voz conocida, los llamados faceless, una voz de la biblioteca te ahorra ese paso y la cambias por serie o por idioma.

Cambian los menús, el principio no: el MP3 va en su propia pista de audio, empieza en el segundo cero y la imagen se ajusta a él.

Una referencia práctica de edición: picos de la voz entre −12 y −6 dB y la música unos 20 dB por debajo mientras se habla. Si la música lleva letra o mucha batería, bájala más.

La atenuación automática, o ducking, baja la música cuando entra la voz y la sube en las pausas. Premiere lo tiene en Sonido esencial y DaVinci con un compresor con sidechain; en CapCut se hace a mano con fotogramas clave de volumen.

Antes de exportar, mide el volumen integrado de la mezcla completa en LUFS. Las propias plataformas publican estas referencias:

Un documental de una hora, un curso o un audiolibro se generan de una vez: cada audio admite hasta 600.000 caracteres, unas 10 horas de voz (entre 7 y 12 según lo rápida que sea la voz). Sin trocear el guion, no hay dos mitades que suenen con un tono distinto.

Si prefieres varias piezas (un audio por capítulo o por diapositiva), «Encadenar audios» genera hasta 100 de una vez con sus nombres. Esa función usa créditos comprados; el bono gratis vale solo para generar en la web.

Sí: en videos monetizados, anuncios y trabajos para clientes. Lo que no está permitido es suplantar a alguien ni el contenido ilegal.

YouTube pide marcar en la subida (opción de contenido alterado o sintético) lo que parece real y está generado o alterado con IA, como hacer que una persona real diga algo que no dijo. Su propia lista de excepciones incluye clonar tu propia voz para hacer voces en off o doblajes, y usar IA para el guion o los subtítulos.

La monetización es otro asunto. Desde julio de 2025 YouTube llama «contenido no auténtico» a lo producido en serie o repetitivo, y lo aplica también a videos con IA hechos con plantillas genéricas sin aportación propia. Un canal de videos intercambiables corre ese riesgo con voz sintética o sin ella. Lo que te protege es un guion original, con tu investigación y tu punto de vista.

TikTok pide activar la etiqueta de contenido generado con IA cuando el contenido es realista, y lo prohíbe en cualquier caso si engaña sobre personas o hechos reales.

Casi todos se arreglan reescribiendo el texto antes de generar.

• Pegar un artículo o un PDF tal cual. Suena a alguien leyendo un folleto en voz alta.
• Dejar «1/2» o «S.A.» sin escribir como suenan: pueden leerse de forma inesperada.
• Elegir la voz por su frase de ejemplo y no con tu propio guion.
• Música demasiado alta o con letra debajo de la voz.
• Montar la imagen primero y forzar la voz a encajar.
• Generar 20 minutos sin escuchar antes un minuto de prueba.
• Subir la expresividad al máximo para que suene más viva: pasarse le quita naturalidad.
• Olvidar los subtítulos en los videos para redes.