
ArtículoTecnología5 min de lectura
Dirigir una voz que no existe
Cómo se le dio voz sintética a la «Canción del pirata»: buscar una voz, diseñarla, dirigirla con palabras y grabarla por trozos. Con una cabina para dirigirla tú.
Hoy una máquina lee cualquier texto con una voz que parece humana. Lo difícil no es que hable: es que diga un poema como lo diría un viejo capitán pirata. Así se consiguió para «Con diez cañones por banda», con lo que funcionó, lo que no y lo que costó. Antes de leer nada, prueba a dirigirlo tú.
La cabina
Dirige al capitán: cambia un mando mientras suena y la voz seguirá en el mismo verso, con otra toma.
Con diez cañones por banda,viento en popa a toda vela,no corta el mar, sino vuelaun velero bergantín;bajel pirata que llaman,por su bravura, el Temido,en todo mar conocidodel uno al otro confín.
Que es mi barco mi tesoro,que es mi Dios la libertad,mi ley, la fuerza y el viento,mi única patria la mar.
Natural (estabilidad 0,5): fiel y constante. El que se usó en los estribillos, que deben sonar igual las cinco veces.
Un mando cada vez, como en las pruebas: al mover uno, los demás vuelven a su sitio.
Qué es una voz sintética
Un Un programa que convierte un texto escrito en voz hablada. Se le da el texto y una voz, y devuelve el audio. recibe un texto y una voz, y devuelve audio. Los de ahora no leen palabra a palabra: entienden la frase, respiran, dudan y hasta se ríen. Por eso se dirigen como a un actor, con indicaciones, y no con mandos.
Cambian muy deprisa. En tres años, la misma empresa ha pasado de voces correctas a voces que la gente prefiere a ciegas frente a casi todas las demás:
La carrera de las voces
Puntuación en la arena de Artificial Analysis, donde la gente vota a ciegas entre dos voces.
El primero de la clasificación no fue el mejor para esta voz: ganó Eleven v3, de su misma familia.
Probados aquíOtros de ElevenLabsCartesiaAlibabaStepFun
ElevenLabsCartesiaAlibabaStepFun
Ver los datos
| Modelo | Empresa | Lanzamiento | Elo | $ / millón |
|---|---|---|---|---|
| Multilingual v2 | ElevenLabs | agosto de 2023 | 1092 ±10 | 100 $ |
| Turbo v2.5 | ElevenLabs | julio de 2024 | 1094 ±10 | 50 $ |
| Flash v2.5 | ElevenLabs | diciembre de 2024 | 1075 ±10 | 50 $ |
| Eleven v3 | ElevenLabs | febrero de 2026 | 1191 ±10 | 100 $ |
| v3 Conversational | ElevenLabs | agosto de 2026 | 1215 ±12 | 50 $ |
| Eleven v4 | ElevenLabs | septiembre de 2026 | 1340 ±14 | 80 $ |
| Eleven v4 Turbo | ElevenLabs | septiembre de 2026 | 1340 ±15 | 40 $ |
| Sonic 3.6 | Cartesia | agosto de 2026 | 1294 ±13 | 49 $ |
| Qwen-Audio-3.1-TTS-Plus | Alibaba | septiembre de 2026 | 1298 ±14 | 19,31 $ |
| StepAudio 3 TTS | StepFun | noviembre de 2026 | 1307 ±17 | 14 $ |
Fuente: Artificial Analysis, Speech Arena, consultada el 20 de noviembre de 2026. Se vota sobre todo en inglés; la cabina y la cata de esta entrada son la prueba en español.
Pero el primero de la clasificación no es siempre el mejor para cada voz. Es la segunda lección.
1. El escaparate engaña
La biblioteca de ElevenLabs tiene miles de voces, cada una con su muestra. Muchas son clones de actores, y la muestra que se escucha es, a menudo, la grabación del propio actor. Lo que genera el modelo es una imitación, y lo primero que pierde es justo lo que enamora: la aspereza, la respiración, la crudeza.

Lo que se oye y lo que te llevas
La voz Arconte: su muestra en la biblioteca y la misma voz leyendo el poema.
En la biblioteca
La grabación del actor.
Generada
La misma voz, generada con Eleven v3.
Voz «Arconte – Evocative, Deep and Elegant», de la biblioteca de ElevenLabs; muestra original de su autor. · Escucharla en ElevenLabs
Hay otras maneras de tener una voz propia: clonar una con diez segundos de audio, clonarla en serio con media hora o más, remezclar una que ya existe o diseñarla con palabras.

Se eligió diseñarla: se describe («un viejo capitán de unos sesenta años, voz de bajo, rasgada, que ríe y ruge») y el diseñador propone tres. Lo que se oye ahí ya es la voz sintética, leyendo el texto que se le dé.

La descripción, en inglés y sin forzarla: con la orientación al 67 % la voz salió robótica; al 50 %, natural.
2. El modelo pesa tanto como la voz
Una voz guardada es solo su muestra: unos treinta segundos que cada modelo imita a su manera. Con el mismo texto y la misma voz, tres modelos dieron tres capitanes distintos.
Cata a ciegas
La muestra del diseñador y tres copias: mismo texto, misma voz, tres modelos. ¿Cuál se parece más a la muestra?
La muestra
La voz tal como salió del diseñador.
A
¿Qué modelo será?
Eleven v4: más pulida, menos áspera.
B
¿Qué modelo será?
Multilingual v2: suena a máquina.
C
¿Qué modelo será?
Eleven v3: la más parecida.
Para esta voz ganó Eleven v3, de la misma familia que el diseñador. Eleven v4, el primero de la clasificación, la suaviza; Multilingual v2 la vuelve robótica.
3. Una voz se dirige con palabras
No hay mando de tono ni de volumen. Se dirige como a un actor: con indicaciones entre corchetes, en inglés, delante del texto. [proudly] para el estribillo, [fast, urgent] para la persecución, [defiant] y [laughs] para «¡Sentenciado estoy a muerte!; yo me río», [slowly, calm] para el final.
El otro mando es el modo: natural, creativo o robusto. En la cabina se nota al cambiarlo mientras suena: el capitán sigue en el mismo verso, pero con otra intención. Las indicaciones cambian más el carácter que la velocidad: con prisa, la estrofa dura poco más de un segundo menos. Se usó el natural en los estribillos, que debían sonar igual las cinco veces, y el creativo en los pasajes de más carga.
Las indicaciones no son órdenes. A veces el modelo las ignora, y nunca lee dos veces igual el mismo texto. También lee el sentido: un fragmento lírico sale lírico aunque se le pida otra cosa.
Cuidado con low voice: lo entiende como «en voz baja», y la voz sale susurrante.
4. Mejor por trozos
El poema no se grabó de una vez. Eleven v3 no tiene en cuenta el texto de alrededor, así que se generó en 18 tramos, cada uno con su modo y su indicación, y se unieron con silencios fijos: 0,8 segundos entre estrofas y 1,2 antes de cada estribillo. Si un tramo sale mal, se repite solo ese. Valieron los 18 a la primera.

Trocear es, además, lo que aconseja la propia ElevenLabs para cualquier texto largo: cada modelo tiene un límite por petición (5.000 caracteres en v3; 10.000 en v4). El riesgo es que la entonación cambie de un trozo a otro. Algunos modelos aceptan el texto de alrededor para coser los trozos; v3, no.
Para iluminar cada verso mientras suena hacía falta saber cuándo se dice cada letra. Las marcas de tiempo que da la propia generación se adelantaban hasta 0,6 segundos después de las pausas. La solución fue la Se le da un audio ya grabado y su texto, y devuelve en qué momento exacto suena cada letra y cada palabra., sobre el audio ya montado.
¿La web o la API? La web tiene Studio, que divide un texto largo en capítulos y párrafos y deja regenerar cada uno. Pero la La puerta para programas: en lugar de pulsar botones en la web, un programa pide el audio y lo recibe. lo hace todo desde un programa: trocea sola, sin copiar y pegar; repite exactamente lo mismo; guarda cada toma con sus ajustes, y devuelve el tiempo de cada letra.
5. Una prueba, una sola variable
Al principio se cambiaba todo a la vez (voz, modelo, ajustes y texto) y no había forma de saber qué mejoraba. Funcionó lo contrario: el mismo texto, los mismos ajustes, una sola cosa distinta y escucha a ciegas. Así se fijaron, por orden, la voz, el modelo, el formato (un verso por línea), el modo y las indicaciones.
Ese aprendizaje es lo que de verdad cuesta:
La voz del capitán
20 · XI · 2026 · ElevenLabs, plan Starter
- Primer mes del plan1,15 €
- Créditos del mes40.000
- Buscar la voz5000
- Aprender a dirigirla6000
- Errores1200
- Grabar el poema2800
- Sin usar25.000
- Audio publicado2 min 47 s
Buscar costó cuatro veces más que grabar.
Cancelado el mismo día · no se renueva
Para la próxima vez
- Elegir la voz por cómo suena generada, no por su muestra.
- Probarla con el modelo de su familia y el parecido alto.
- Cambiar una sola cosa en cada prueba, y escuchar a ciegas.
- Indicaciones cortas y concretas; desconfiar de las suaves.
- Grabar por tramos, una toma de cada uno, y repetir solo lo que falle.
- Para unir texto y voz, alineación forzada.
El resultado se escucha en «Con diez cañones por banda»: dos minutos y cuarenta y siete segundos de un capitán que no existe.
Siguientes luces
Las estrellas más cercanas de esta constelación y un puente a otra región.
