¿Cuánto debe durar una muestra de voz para un buen clon con IA?

Todas las preguntas sobre clonación de voz acaban siendo preguntas sobre la muestra, porque la muestra es el clon. El motor no tiene ni idea de cómo suenas en un buen día: conoce los noventa segundos que le diste, incluido el refrigerador de la habitación de al lado. Esto es lo que debes grabar, cuánto, y el puñado de hábitos que arruinan sin hacer ruido una toma que, por lo demás, estaría bien.

El rango, y por qué es un rango

El formulario de clonación del estudio de Voz lo dice sin rodeos: de 30 segundos a 3 minutos de habla natural y continua. No treinta segundos montados a base de fragmentos, sino treinta segundos de ti hablando de verdad.

Por debajo de treinta segundos, el motor ha oído una sola cadencia y un solo rango de tono, y los reproducirá encantado tal cual, para siempre. Por encima de tres minutos, sobre todo estás añadiendo más de lo que ya aprendió, y las probabilidades de que algo salga mal en el archivo (una tos, la vibración de un teléfono, una frase en la que te alejaste del micrófono) aumentan con cada minuto extra.

La otra mitad de la recomendación importa más que las cifras: lo limpio gana a lo largo. Un minuto limpio rinde más que diez con ruido. Si tienes que elegir entre una toma de tres minutos con un zumbido y una de cincuenta segundos sin él, sube los cincuenta segundos.

La sala decide más que el micrófono

La clonación de voz copia lo que oye, y no tiene ningún concepto de «esa parte era la sala». La reverberación se aprende como parte de tu timbre, y por eso un clon grabado en una cocina suena como si viviera para siempre en una cocina.

• Elimina primero las fuentes de ruido obvias: aire acondicionado, ventilador, refrigerador, una ventana abierta a la calle.
• Graba en un sitio blando. Cortinas, una cama, un sofá, un armario lleno de abrigos. Las superficies duras y paralelas son las que producen eco.
• Pon el teléfono en modo avión. La vibración de una notificación a través de un escritorio suena más fuerte en la grabación que en la habitación.

Una sola voz, una sola distancia

El formulario también es claro aquí: solo una voz, sin voces que se crucen, sin entrevistador, y el micrófono lo bastante cerca como para que la sala deje de oírse.

Elige una distancia y mantenla durante toda la toma. Acercarte en las frases íntimas y alejarte en las fuertes es buena técnica de micrófono para una lectura en directo y una entrada pésima para un clon, porque el motor oye dos voces distintas y las promedia. Colócate ligeramente fuera del eje para que las oclusivas pasen junto a la cápsula en lugar de golpearla.

Lee algo que tenga registro

Esta es la parte que casi todo el mundo se salta, y es la diferencia entre un clon que sabe actuar y uno que solo sabe anunciar. El motor clona una manera de hablar, no solo un timbre. Lee un párrafo plano y obtendrás una voz plana.

Dale una afirmación, una pregunta, una lista, algo bajito y algo cortante. Aquí tienes un guion que lo cubre todo en unos noventa segundos: léelo a tu ritmo normal al hablar y no lo interpretes.

Bien, voy a hacerlo como es debido. Me llamo Mara, y esto es una muestra para un clon de voz, que es una frase rara de decir en voz alta.

Primero, una afirmación sencilla. El agua hirvió hace diez minutos y nadie ha preparado el té.

Ahora una pregunta: ¿de verdad crees que eso va a funcionar?

Una lista, leída como de verdad leo una lista. Llaves, billetera, cargador y lo único que siempre se me olvida.

Esta es la tranquila. No quería decirlo así. Lo digo de todos modos.

Y la cortante. No. Eso no es lo que acordamos, y lo sabes.

Una última frase para terminar, sin prisa, como leerías el final de un capítulo a alguien que ya casi se ha dormido.

Cambia el nombre, conserva la forma. Si el clon está destinado a un trabajo concreto (narración tranquila, la lectura de un anuncio, un personaje que muerde), inclina el guion hacia ese trabajo, pero deja al menos una frase de contraste para que el clon sepa que la voz puede moverse.

Los cuatro hábitos que arruinan una muestra

1. Música o ambiente bajo la voz. No hay forma de separarlos después. Una pista de fondo pasa a formar parte del clon.
2. Procesado. Compresores, puertas de ruido, de-essers y el interruptor de «mejorar voz» de una app de grabación eliminan información que el motor quería. Lo crudo es mejor entrada que lo pulido.
3. Una sola emoción durante tres minutos. Entra plano, sale plano.
4. Silencio muerto en los extremos. Recorta el silencio antes de tu primera palabra y después de la última. No hace daño, simplemente es presupuesto desperdiciado.

Cómo subirla y qué pasa después

El formulario de clonación acepta MP3, WAV, M4A, FLAC, MP4, MOV, WEBM, WEBA, OPUS y MID, hasta veinte muestras y 1 GB en total, que es muchísimo más margen del que la recomendación sugiere usar. Ponle al clon un nombre que reconozcas dentro de seis meses («Mara, narración» es mejor que «prueba 3»).

La clonación en sí es gratis y síncrona. El clon aparece en tu biblioteca de voces junto a las voces del catálogo, Aria y Orion, y funciona en los dos modelos de voz. La parte de pago es el audio que generas con él: 3 créditos por cada 100 caracteres en Voice One y 2 en Voice Turbo.

Escúchalo antes de fiarte

Renderiza la misma frase en los dos modelos antes de comprometer un proyecto. Algo con una pausa, una pregunta y un final seco trabaja más que una frase bonita:

Esperé. Dos horas bajo la lluvia, ¿para eso? No, no me expliques. Solo dime una cosa verdadera y me voy.

Esa frase tiene 104 caracteres, y la facturación cuenta bloques de 100 empezados, así que son dos bloques: 6 créditos en Voice One y 4 en Turbo. Si vuelve sonando como un desconocido, la solución casi siempre está en la muestra y no en los ajustes: vuelve a grabar en una sala más blanda, más cerca, con más variedad, y clona de nuevo. La guía de clonación de voz cubre el resto del flujo, y Voice One vs Voice Turbo explica con qué modelo renderizar la versión final.

Preguntas frecuentes

¿Una muestra de voz más larga siempre es mejor?

No. La recomendación es de 30 segundos a 3 minutos, y dentro de ese rango la limpieza gana a la duración. Un minuto limpio rinde más que diez con ruido, porque cada minuto extra es otra oportunidad de grabar una tos, un zumbido o una frase en la que te alejaste del micrófono.

¿Puedo combinar varias grabaciones cortas en un solo clon?

Puedes subir hasta veinte muestras, pero el habla natural y continua gana a un montón de fragmentos cortos. Si los fragmentos se grabaron en salas distintas o a distancias distintas, el motor oye una voz incoherente y la promedia. Una lectura sin cortes es mejor entrada.

¿Sirve un teléfono como micrófono para clonar una voz?

Sí, si lo tratas como un micrófono. Sostenlo a una distancia fija, graba en una sala blanda, desactiva cualquier procesado de «mejorar voz» en la app de grabación y no uses el altavoz ni grabes dentro de un vehículo. Un teléfono dentro de un armario gana a un buen micrófono en una cocina.

¿Y si el clon no suena como yo?

Vuelve a grabar en lugar de tocar los controles deslizantes. La velocidad y la expresividad alejan la lectura de la muestra, así que, si la identidad no es la correcta, no pueden arreglarla. Una muestra más cercana, más silenciosa y más variada es la verdadera reparación.

¿Todo listo para grabar? Abre el estudio de Voz, clona desde la biblioteca de voces y gasta los primeros créditos en una frase de prueba en lugar de en un guion entero.