Voz con IA para audiolibros y podcasts: cuánto cuesta de verdad

El audio de formato largo es un problema de presupuesto antes que un problema creativo. Un capítulo no es una frase que regeneras hasta que suena bien; son sesenta mil caracteres que vas a renderizar, escuchar, corregir y volver a renderizar. Así que lo primero que conviene saber sobre la narración en eroq es la unidad de facturación (caracteres, no palabras ni minutos), y lo segundo, cómo gastar menos en borradores. La versión corta está en el caso de uso de audiolibros y podcasts.

Dos motores, las mismas voces

Voz tiene dos modelos de texto a voz, y los dos comparten las voces de estudio y tus clones:

• Voice One: el modelo insignia, el más expresivo, a 3 créditos por cada 100 caracteres, con salida en MP3.
• Voice Turbo: más rápido, a 2 créditos por cada 100 caracteres, con las mismas voces y los mismos clones.

La selección de voces de estudio es pequeña a propósito: Aria es una voz cálida e íntima, Orion una voz grave y tranquila, y entre todas cubren 13 idiomas. La velocidad y la expresividad se ajustan con controles deslizantes, y un Personaje que hayas creado puede hablar con una voz de estudio o con un clon de la tuya.

Las cuentas de un capítulo de 10,000 palabras

La prosa en inglés ronda los seis caracteres por palabra, espacios incluidos, así que un capítulo de 10,000 palabras son unos 60,000 caracteres, es decir, 600 bloques de 100.

• Voice One: 600 × 3 = 1,800 créditos
• Voice Turbo: 600 × 2 = 1,200 créditos

La diferencia es de 600 créditos por capítulo, o unos $6 a la tarifa del paquete de entrada de $10 por 1,000 créditos, y es la razón de la única regla de trabajo que importa aquí: revisa con Turbo, entrega con One. Renderiza el borrador del capítulo con Voice Turbo, escucha si hay un apellido mal pronunciado o una frase que suena a pregunta, corrige el texto y luego renderiza la versión final una sola vez con Voice One.

Un libro de doce capítulos revisado así son 12 × 1,200 = 14,400 créditos de borradores más 12 × 1,800 = 21,600 créditos de versiones finales, es decir, 36,000 créditos: exactamente la asignación mensual del plan Team ($249 por 36,000 créditos). Si solo renderizas versiones finales, el mismo libro son 21,600 créditos: Studio ($149 por 20,000 créditos) más dos paquetes Starter ($10 por 1,000 créditos cada uno), o 20,000 ÷ 1,800 = 11.1 capítulos al mes solo con Studio. Los créditos se acumulan sin límite y nunca caducan, y las generaciones fallidas se reembolsan solas, así que un libro escrito a lo largo de cuatro meses no necesita cuatro meses del mismo plan.

La puntuación es la dirección

No hay una pista de dirección aparte. La interpretación sale de la puntuación y, en cuanto lo sabes, escribes de otra manera: una coma es una respiración, una raya es una pausa con intención, unos puntos suspensivos son una duda y un punto es un aterrizaje. Las frases cortas, con una idea cada una, se leen en voz alta mejor que esas elegantes subordinadas que quedan bien en la página.

Este pasaje está escrito para el micrófono más que para el ojo: se presta a citarse y es una buena prueba para cualquier voz que estés evaluando.

Había ensayado la frase toda la tarde. En el auto. En el ascensor. En la puerta, con la mano apoyada en la madera — y entonces ella abrió antes de que él llamara, y cada palabra que había practicado se fue a otra parte. «Llegas temprano», dijo ella. No llegaba temprano. Llegaba tres años tarde.

Renderízalo con los dos modelos antes de comprometerte con un libro. Sesenta segundos de escucha zanjan una discusión que ninguna ficha técnica puede zanjar.

Clonar tu propia voz

Si el canal es tuyo, la voz también debería serlo. La clonación de voz toma tu propio audio grabado y te da una voz que puedes usar en cualquier lugar donde funcionen las voces de estudio, con cualquiera de los dos modelos y al mismo precio por cada 100 caracteres. Para un podcast, eso significa una intro siempre igual, una frase corregida insertada en un episodio que ya publicaste y regrabaciones sin volver a reservar la cabina.

Una regla, dicha sin rodeos: clona tu propia voz o una voz que tengas permiso por escrito para usar. Las personas reales identificables sin su consentimiento están prohibidas sin excepción, y eso incluye sus voces.

Podcasts, y todo lo que rodea al audio

La narración es uno de los cuatro trabajos de un flujo de podcast, y los otros tres son baratos:

• Guion: Texto con RP+ a 3 créditos por respuesta, o RP mini a 1. El registro Escena escribe prosa inmersiva, que se lee en voz alta mejor que una lista de viñetas. Un guion pulido en seis respuestas son 18 créditos.
• Dos voces: un episodio de diálogo son dos renders, uno por hablante, con Aria y Orion, montados en tu editor. Divide el guion por hablante y además consigues nuevas tomas baratas, porque volver a renderizar solo cuesta el bloque que cambiaste.
• Transcripciones y notas del episodio: Scribe One convierte voz a texto a 1 crédito por minuto de audio, con archivos de hasta 8 MB y detección automática del idioma. Transcribe el episodio terminado para tener marcadores de capítulo, subtítulos y el texto SEO de la página del episodio.

Cada render se guarda automáticamente en tu biblioteca, con el MP3 a mano, así que la intro que hiciste en marzo sigue ahí en septiembre.

Trece idiomas, un solo libro

Las voces de estudio hablan 13 idiomas, así que una edición traducida es un nuevo render y no un nuevo reparto. Las cuentas se trasladan tal cual: un capítulo traducido de 10,000 palabras son más o menos los mismos 600 bloques, o sea, 1,800 créditos con Voice One, y la puntuación que escribiste para la interpretación sobrevive a la traducción mejor que los adverbios.

Cuando el volumen lo justifica, los mismos modelos están disponibles por API. audio/speech recibe el texto y la voz y devuelve el archivo, y la documentación de voz enumera los parámetros. Un script que recorra una carpeta de archivos de capítulos es una noche de trabajo que renderiza un libro entero.

Preguntas frecuentes

¿Cuántos créditos cuesta un minuto de narración?

Se factura por caracteres, no por minutos. El inglés hablado ronda las 150 palabras por minuto, así que un minuto son unos 900 caracteres, o 9 bloques: 27 créditos con Voice One y 18 con Voice Turbo. Un episodio de 40 minutos son unos 36,000 caracteres, así que 360 × 3 = 1,080 créditos con Voice One.

¿Puedo corregir un párrafo sin volver a renderizar el capítulo?

Sí, y deberías. Renderiza por fragmentos (una escena, una sección, el turno de un hablante) y una corrección solo cuesta ese fragmento. Volver a renderizar 500 caracteres con Voice One cuesta 5 × 3 = 15 créditos en lugar de 1,800.

¿Voice Turbo es notablemente peor?

Es más rápido y más barato, a 2 créditos por cada 100 caracteres, con las mismas voces de estudio y los mismos clones. Voice One es el modelo insignia más expresivo, y la diferencia se nota sobre todo en la ficción con carga emocional y mucho menos en una narración informativa sencilla. Prueba tu propio texto con los dos: una muestra de 1,000 caracteres cuesta 30 créditos con uno y 20 con el otro.

¿Tienes un capítulo listo? Abre Voz, pega 1,000 caracteres y renderiza el mismo pasaje con los dos modelos antes de planificar un libro.