Cómo hacer una locución con IA: 8 tareas de audio paso a paso (2026)

El locutor está enfermo, el micrófono sisea y el vídeo hay que entregarlo hoy. Antes eso significaba aplazar la grabación. Ahora significa cinco minutos en el navegador. Para hacer una locución con IA, pegue su guion en la pestaña Locución, elija un modelo y una voz y pulse Crear locución: la pista terminada en MP3 o WAV estará lista en aproximadamente un minuto. Pero la locución es solo uno de los ocho trabajos del estudio de audio de Clipia. La misma página compone música, transcribe grabaciones, traduce clips y limpia el sonido. Así se hace cada uno y esto es lo que cuesta en créditos.

Respuesta rápida: qué hace cada pestaña

Precios a 13 de octubre de 2026. El importe exacto aparece en el botón antes de empezar: se calcula a partir de la longitud del texto o de la grabación.

¿Qué es un estudio de audio con IA?

El estudio de audio de Clipia es una sola página para todo lo que tiene que ver con el sonido. Sus pestañas se dividen en dos grupos. El primero crea sonido a partir de texto: Locución, Música, Narración larga y Voces. El segundo trabaja con una grabación que usted ya tiene: Transcripción, Traducción, Subtítulos y Limpieza.

Cada pestaña tiene un ejemplo que puede reproducir antes de ejecutar nada: el original a la izquierda, el resultado a la derecha y tres pasos debajo. Las pistas terminadas se guardan en Mis tareas, y el menú Usar en… pasa un resultado a una pestaña vecina o al estudio de vídeo; por ejemplo, una locución a Foto parlante.

1. Cómo hacer una locución con IA a partir de texto

Ideal para: la narración de un clip, diapositivas y lecciones con voz, un anuncio, una audioguía, intervenciones para un pódcast.

Paso 1. Pegue el guion

El modelo lee el texto al pie de la letra, así que escríbalo tal como debe sonar. Escriba los números con letras, desarrolle las abreviaturas y escriba de forma fonética los nombres poco habituales y las palabras de marca si suelen salir mal.

El guion determina el idioma de la narración, así que no hay nada que seleccionar.

Paso 2. Elija un modelo y una voz

El modelo predeterminado es Gemini 3.1 Flash TTS, de Google: 30 voces, 4 créditos por 1.000 caracteres, hasta 500 caracteres por solicitud. Permite ajustar el estilo de interpretación y el ritmo; por ejemplo, Empático y Natural. Para un guion de más de 500 caracteres, cambie a ElevenLabs v4 o v4 Turbo: ambos admiten hasta 10.000 caracteres por solicitud.

Paso 3. Pulse Crear locución

El precio aparece en el botón y depende de la longitud del texto. Puede reproducir la pista terminada y descargarla en MP3 o WAV, según el modelo.

Cómo poner voz a un diálogo con distintas voces

Los diálogos los locutan ElevenLabs v4 y v4 Turbo: el primero es más expresivo; el segundo, más rápido y adecuado para borradores. Añada voces con el botón Añadir voz y empiece cada réplica con el número de la voz.

2. Cómo crear una canción o música de fondo

Ideal para: una base musical para un clip, la sintonía de un pódcast, la introducción de un canal, una canción de regalo con su propia letra.

En la pestaña Música, las pistas las compone Suno v6. La versión Mini es para ideas rápidas y Wild, para experimentar con géneros. El precio parte de 5 créditos por pista, sea cual sea su duración, y una ejecución incluye todas las versiones devueltas.

A partir de una descripción

Describa el género, el tempo, los instrumentos y el ambiente, y el modelo elegirá por sí mismo la letra y la duración. Para una base sin voz, ponga Composición en Instrumental.

Ajustes personalizados

Aquí lo controla todo: una letra de hasta 5.000 caracteres, un estilo de hasta 1.000, un título y una duración de 10 a 360 segundos. Marque las partes de la letra con etiquetas ([Verse], [Chorus], [Bridge]) para que el modelo sepa dónde repetir el estribillo y dónde cambiar el ambiente. En el campo Excluir, indique lo que no debe haber en la pista, por ejemplo «electric guitar, autotune».

Una sola regla lo resume todo: nombre el sonido, no la sensación.

3. Cómo convertir audio en texto

Ideal para: las notas de una reunión, la transcripción de una entrevista, un artículo a partir de un webinar, un mensaje de voz largo.

La pestaña Transcripción admite audio o vídeo: MP3, WAV, M4A, MP4, WEBM, OGG u OPUS de hasta 10 MB. Funciona con Scribe v2, de ElevenLabs: 101 idiomas, marcas de tiempo y etiquetas de hablante.

1. Suba la grabación. El estudio detecta por sí mismo el idioma hablado.
2. Pulse Transcribir. El precio depende de la duración: desde 12 créditos por hora de audio.
3. Corrija el texto y las marcas de tiempo directamente en el estudio, pulse Guardar cambios y descargue TXT, SRT o VTT.

4. Cómo traducir un vídeo y conservar la voz

Ideal para: un clip para espectadores de otros países, una lección en otro idioma, la reseña de un producto para compradores en el extranjero.

La pestaña Traducción traduce lo que se dice y lo locuta con la voz del hablante original. Funciona con Dubbing v1, de ElevenLabs, y admite 86 idiomas.

1. Suba una grabación con voz hablada: MP3, WAV, M4A o MP4 de hasta 10 MB.
2. Seleccione el idioma de origen y el idioma de destino.
3. Pulse Traducir y descargue la pista de audio terminada.

El precio parte de 35 créditos por minuto, y cada idioma es una ejecución aparte. Conviene saber tres cosas de antemano:

• El resultado es una pista de audio, no un vídeo. Colóquela sobre el clip en su editor de vídeo.
• Editar el texto traducido no vuelve a locutar la pista. Para cambiar cómo suena, ejecute la traducción de nuevo.
• Un idioma por grabación. Si en un clip se hablan dos idiomas, divídalo y traduzca cada parte por separado.

5. Cómo hacer subtítulos para un vídeo

Ideal para: clips para redes sociales que se ven sin sonido, lecciones y webinars, subtítulos para subir a una plataforma de vídeo.

La pestaña Subtítulos funciona con el mismo modelo Scribe v2 y cuesta lo mismo: desde 12 créditos por hora de audio. La diferencia está en el resultado. Transcripción le da texto; Subtítulos le da un archivo de segmentos cortos con la sincronización exacta de cada uno.

1. Suba un archivo de vídeo o de audio de hasta 10 MB.
2. Pulse Crear subtítulos.
3. Ajuste el texto, el inicio y el final de cada segmento, guarde los cambios y descargue SRT o VTT.

SRT funciona con casi cualquier editor de vídeo y plataforma, mientras que VTT suele hacer falta para un reproductor web. Los subtítulos se crean en el idioma de la grabación y no se incrustan en el vídeo automáticamente: el archivo se añade en un editor o se sube a la plataforma junto con el clip.

6. Cómo narrar un libro o un curso por capítulos

Ideal para: un audiolibro, clases en audio para un curso en línea, instrucciones para el personal, un pódcast a partir de un guion terminado.

La pestaña Narración larga está pensada para el volumen: hasta 20 capítulos, de hasta 10.000 caracteres cada uno y 50.000 en total. El narrador es ElevenLabs v4, a 7 créditos por 1.000 caracteres.

1. Añada capítulos, póngales título y pegue el texto.
2. Elija una voz, de la biblioteca o la suya propia. Ajuste Interpretación y Parecido de la voz.
3. Pulse Locutar capítulos. Los capítulos se locutan en orden y se unen en una sola pista MP3.

Si un capítulo falla, los terminados se conservan y el fallido puede reintentarse por separado, sin volver a locutar el resto. Una sola voz lee todo el texto; un diálogo con papeles corresponde a la pestaña Locución.

7. Cómo clonar su propia voz

Ideal para: poner voz a clips con su propia voz sin grabar, un audiolibro con su propio timbre, sustituir una frase en un clip terminado.

En la pestaña Voces, se crea una voz privada a partir de una muestra de su voz hablando. Funciona con Instant Voice Cloning, de ElevenLabs, desde 30 créditos por voz. La narración con la voz terminada se cobra aparte, al precio del modelo elegido.

1. Grabe una muestra con el micrófono o suba un archivo. Lo ideal son de uno a dos minutos de habla tranquila, y el mínimo, 30 segundos. Una grabación con micrófono puede durar hasta 3 minutos; un archivo, hasta 5 minutos y 10 MB.
2. Ponga nombre a la voz y confirme las tres declaraciones de consentimiento.
3. Pulse Crear voz. La voz terminada aparece en la lista de voces de Locución y Narración larga.

Solo puede clonar su propia voz, y lo confirma con los consentimientos antes de que se cree la voz. La voz solo está disponible para usted.

La calidad de la muestra importa más que su duración:

• La sala importa más que el micrófono. Un eco resonante estropea una muestra más que un micrófono sencillo. Grabe en una habitación pequeña, amueblada y con cortinas.
• Lea con el tono que necesita. La voz adopta la interpretación de la muestra, tranquila o enérgica.
• Sin música ni efectos. El modelo los tratará como parte de la voz.

8. Cómo eliminar el ruido de fondo de un audio

Ideal para: una entrevista en la calle, una narración grabada en casa, una conferencia grabada en un auditorio, preparar una grabación para transcribirla.

La pestaña Limpieza admite un archivo de audio MP3, WAV o M4A de hasta 10 MB. Voice Isolator, de ElevenLabs, separa la voz y elimina el resto: viento, zumbido del aire acondicionado, tráfico. No hay ninguna intensidad que ajustar. El precio parte de 9 créditos por minuto de audio.

Tras el procesamiento, compare la pista original y la limpia y descargue la que prefiera. Tenga en cuenta tres cosas:

• La música cuenta como fondo. Limpieza también la elimina. Si necesita una base musical, vuelva a añadirla después.
• La pestaña no admite vídeo. Guarde primero la pista de audio como un archivo aparte.
• Lo que se pierde no se recupera. Una frase totalmente ahogada por el ruido queda más limpia, no más clara.

¿Qué modelo de voz con IA conviene elegir?

En resumen: un clip corto va a Gemini, un guion largo o un diálogo va a ElevenLabs, y un libro va a Narración larga. Para conocer mejor las voces, consulte la reseña de ElevenLabs v4.

Cómo montar el sonido de un clip: una ruta en cuatro pasos

Las pestañas funcionan como una cadena. Una ruta típica para un clip corto es esta:

1. Locución: de 15 a 30 segundos de narración.
2. Música: una base instrumental que encaje con el ambiente.
3. Subtítulos: un archivo SRT para quienes lo ven sin sonido.
4. Traducción: una pista en inglés o en cualquier otro idioma que hable su público.

El clip en sí se monta en el estudio de vídeo; los pasos están en la guía de vídeo con IA. Si necesita un vídeo que tenga sonido desde el principio, consulte de foto a vídeo con sonido.

¿Cuántos créditos cuesta el audio con IA?

Las cuentas nuevas reciben 5 créditos de bienvenida, suficientes para una locución corta. Después, los planes empiezan en $10 al mes, y el plan Basic incluye 240 créditos. Los créditos se cobran cuando empieza un trabajo, y el importe se ve en el botón de antemano.

Errores habituales y cómo corregirlos

• Dejar los números y las abreviaturas tal como están en el documento. Un modelo puede leer «280 g» de más de una forma. Escriba «doscientos ochenta gramos».
• Locutar todo el guion antes de elegir una voz. Pruebe primero con un párrafo y después ejecute el texto completo.
• Pegar 3.000 caracteres en Gemini. Su límite es de 500 caracteres. Para un texto largo, use ElevenLabs o Narración larga.
• Subir un vídeo completo a Transcripción. Alcanza el límite de 10 MB. Guarde solo el audio.
• Esperar un vídeo terminado de Traducción. El resultado es una pista de audio. Colóquela sobre el clip en un editor.
• Limpiar una grabación cuya música quiere conservar. Limpieza conserva la voz y nada más.
• Grabar una muestra de voz en una habitación vacía. El eco pasa a formar parte de la voz. Use una habitación amueblada.

Más sobre audio, vídeo e imágenes con IA

• Cómo hacer vídeos con IA: 6 formas, paso a paso: adónde van la locución y la música terminadas.
• Cómo usar un generador de imágenes con IA: 5 formas: la portada de un pódcast o el primer fotograma de un clip.
• Actualización de Clipia: tres estudios por tareas: qué cambió el 12 de octubre de 2026.

Preguntas frecuentes

¿Cómo hago una locución con IA?

Pegue su texto en la pestaña Locución, elija un modelo y una voz y pulse Crear locución. La pista terminada aparece en el área de resultados, lista para reproducirla y descargarla en MP3 o WAV.

¿Cuánto cuesta una locución con IA?

Desde 4 créditos por 1.000 caracteres con Gemini 3.1 Flash TTS o ElevenLabs v4 Turbo, y desde 7 créditos con ElevenLabs v4. El importe se muestra en el botón antes de empezar.

¿Cómo consigo que una voz de IA suene más humana?

Escriba el guion como habla la gente: frases cortas, números escritos con letras, pausas marcadas con la puntuación. Elija un modelo expresivo como ElevenLabs v4, o ajuste el estilo de interpretación y el ritmo en Gemini, y compare dos o tres voces con un mismo párrafo antes de locutar todo el texto.

¿Puedo hacer una locución con mi propia voz?

Sí. Cree una voz privada en la pestaña Voces a partir de una muestra de habla de al menos 30 segundos. Cuando esté lista, aparecerá en la lista de voces de Locución y Narración larga.

¿Puedo clonar la voz de otra persona?

No. El estudio solo acepta su propia voz, y usted confirma tres declaraciones de consentimiento antes de que se cree.

¿Cómo pongo voz a un diálogo con distintas voces?

Elija ElevenLabs v4 o v4 Turbo, añada voces con el botón Añadir voz y empiece las réplicas con el número de la voz: «1:», «2:». Cada réplica la lee su propia voz.

¿Cómo hago una canción con IA?

En la pestaña Música, describa el género, el ambiente, el tempo y los instrumentos, elija Con voz o Instrumental y pulse Crear música. Su propia letra va en Ajustes personalizados.

¿Cómo traduzco un vídeo a otro idioma con la misma voz?

En la pestaña Traducción, suba la grabación, seleccione los idiomas de origen y de destino y pulse Traducir. Obtendrá una pista de audio con la voz del hablante, que después colocará sobre el vídeo en un editor.

¿Qué diferencia hay entre la transcripción y los subtítulos?

Transcripción devuelve el texto de una grabación con etiquetas de hablante, para notas y artículos. Subtítulos devuelve un archivo SRT o VTT de segmentos cortos sincronizados, para editores de vídeo y plataformas.

¿Puedo usar una voz de IA en vídeos de YouTube?

Las pistas terminadas se descargan como archivos que puede incluir en sus propios vídeos. Antes de un uso comercial, revise las condiciones del servicio y las normas de la plataforma donde publique, incluidas sus normas sobre el etiquetado del contenido generado por IA.