Dirección de voz con la puntuación: aquí no hay SSML

En eroq no hay SSML. Ni <break time="400ms"/>, ni marcado de prosodia, ni etiquetas de énfasis, ni reglas de fonemas. El lenguaje de dirección es la puntuación que ya conoces, dos controles y, en Voice One, unas pocas palabras entre corchetes para lo que la puntuación no puede decir. Casi todo el mundo llega esperando una limitación y se va tratando la puntuación como una disciplina, porque un guion que funciona cuando lo lee una persona es un guion que funciona cuando lo lee el motor. Las etiquetas son el toque final, nunca la estructura.

A continuación, los seis signos que cambian una lectura, cada uno mostrado dos veces.

Seis signos, seis trabajos

Los puntos suspensivos sostienen una pausa

Antes: Acércate, todavía no he terminado contigo.

Después: Acércate… todavía no he terminado contigo.

La coma es una respiración. Los puntos suspensivos dejan la voz en suspenso. También ralentizan las palabras que tienen a cada lado, y por eso el límite es uno por párrafo: una voz que se queda colgando en cada frase suena insegura de todas.

La raya corta el ritmo

Antes: Iba a esperar, pero ¿para qué?

Después: Iba a esperar — pero ¿para qué?

Una coma une dos oraciones. Una raya interrumpe una. Úsala para un cambio de idea a mitad de frase, una autocorrección, un pensamiento que llega tarde y aparta de un empujón al anterior.

Los signos de interrogación elevan la frase

Antes: De verdad pensaste que me olvidé de ti.

Después: ¿De verdad pensaste que me olvidé? ¿De ti?

Una pregunta sube al final. Dos preguntas seguidas suben dos veces, y el fragmento se queda con la segunda subida para él solo. Partir una frase en una pregunta más un fragmento es la forma más barata de añadir una actitud que ningún control te da.

Los signos de exclamación disparan la energía

Antes: Quieto ahí. Perfecto, quédate justo así.

Después: ¡Quieto ahí! Perfecto — quédate justo así.

El volumen y el ritmo suben un punto. La razón para racionarlos es aritmética, no de gusto: si tres frases seguidas gritan, ninguna grita, y la línea suena como un tono y no como una reacción.

La longitud de la frase controla el ritmo

Antes: Baja el ritmo y respira, y luego podremos empezar como es debido.

Después: Más despacio. Respira. Bien — ahora sí podemos empezar.

Las frases cortas suenan contundentes porque cada punto es una parada en la que la voz tiene que aterrizar. Las frases largas encadenadas con comas fluyen. Es la palanca más potente de la lista, y la última a la que recurren los guionistas, porque implica reescribir en vez de añadir un signo.

Las comas alrededor de una palabra la hacen destacar

Antes: Y ese es exactamente el problema.

Después: Y eso, justo eso, es exactamente el problema.

Aislar una expresión entre comas hace que la lectura se apoye en ella. Es lo más parecido al énfasis por palabra que existe y, a diferencia de una etiqueta, sobrevive a que la lea en voz alta una persona, lo que significa que puedes probarlo sin gastar un crédito.

Los seis están en el menú Sintaxis del estudio de Voz: al tocar uno, su ejemplo se inserta en el editor, para que oigas la diferencia en lugar de fiarte de mi palabra.

Saltos de línea y párrafos

Un punto detiene una frase; un salto de párrafo separa ideas, y la lectura lo trata como el mayor de los dos silencios. Corta donde un lector respiraría de verdad (entre el planteamiento y el remate), no donde la página quede más ordenada. Un muro de seis frases se renderiza como un muro.

Lo que la puntuación no puede hacer

Conviene saberlo antes de pasarte una tarde intentándolo:

• No hay pausas cronometradas. No puedes pedir 400 milisegundos. Si un silencio tiene que ser exacto (un compás montado sobre la imagen, un hueco para un efecto de sonido), renderiza las dos mitades por separado y colócalas en tu editor.
• No hay etiqueta de énfasis. Las herramientas son las comas alrededor de una expresión, o reescribir para que la palabra importante caiga al final de una frase corta.
• No hay signo de estado de ánimo. Ninguna puntuación hace que una voz susurre, ría o solloce. Ese es el único trabajo que queda para las etiquetas, más abajo.
• No hay forma de forzar la pronunciación. Un acrónimo o un nombre poco común que sale mal se arregla escribiéndolo como suena («ese cu ele» o «Kés-ler»), no con una etiqueta de fonemas.

Etiquetas para lo que la puntuación no puede decir

En Voice One, una o dos palabras entre corchetes dirigen la lectura, y la voz las interpreta en lugar de decirlas. Escríbelas en inglés, tal como las inserta el menú Sintaxis:

[whispering] Acércate. Tengo algo que contarte.

[laughing] Bueno, bueno — me descubriste.

Tres familias cubren casi todo:

• Interpretación y emoción: [whispering], [shouting], [soft], [excited], [sad], [angry] (susurrando, gritando, suave, emocionado, triste, enojado), o cualquier descripción breve como [warm and teasing] (cálido y burlón). Una etiqueta de interpretación se mantiene hasta la siguiente etiqueta o el siguiente salto de línea, así que un solo [whispering] cubre un párrafo entero.
• Sonidos: [laughing], [sighing], [gasping], [clear throat] (risa, suspiro, jadeo, carraspeo). Ocurren una sola vez, donde los pones.
• Pausas: [pause] y [long pause] caen como un silencio breve, igual que unos puntos suspensivos. Siguen sin ser un silencio medido.

Dos hábitos las hacen fiables. Pon la etiqueta justo antes de las palabras que tiñe, y dale a la voz un solo estado de ánimo a la vez: [sad][whispering] se combina con naturalidad, [whispering][shouting] tira hacia los dos lados a la vez. Las etiquetas necesitan Voice One; Turbo lee las palabras y se salta los corchetes.

Después, los dos controles

La puntuación da forma a la interpretación; los controles fijan el registro en el que ocurre.

Velocidad va de 0.70× a 1.30× en pasos de 0.05, con 1 como ritmo natural. Expresividad va de 0, una lectura cercana y estable, a 100%, teatral, y determina cuánto se apoya el motor en la puntuación que escribiste. Los dos funcionan igual con las voces del catálogo y con tus propios clones, y los dos son parámetros reales del motor, no posprocesado.

Tres combinaciones que funcionan:

• Narración de audiolibro: velocidad 0.95, expresividad 30%. Uniforme, sin prisas, sin nada que opine sobre el texto.
• Diálogo de personajes: velocidad 1.00, expresividad 70%. Los signos actúan; el control se lo permite.
• Locución publicitaria: velocidad 1.10, expresividad 55%. Con empuje, sin llegar a la caricatura.

Ajusta uno cada vez y, si una voz clonada deja de sonar como su dueño, baja la expresividad antes de tocar la velocidad. La muestra es el ancla, y los dos controles tiran para alejarse de ella.

Un párrafo, antes y después

Antes

No puedo creer que de verdad hayas vuelto después de todo lo que pasó la última vez, y la verdad es que no sé qué decirte, así que quizá deberías sentarte y contarme lo que viste antes de que alguien se dé cuenta de que la puerta está abierta.

Después

Volviste. No pensé que lo harías… no después de la última vez.

Siéntate — no, en serio, siéntate. Tenemos unos diez minutos antes de que se den cuenta de la puerta.

Bueno. Cuéntame lo que viste.

La misma información, cuatro segundos más larga, y suena a una persona y no a un párrafo. No se usó ninguna etiqueta. Todo el cambio son cinco puntos, unos puntos suspensivos, una raya y un salto de párrafo.

Itera con el modelo barato

Reescribir la puntuación es un bucle, y los bucles deberían ser baratos. Haz los borradores en Voice Turbo, a 2 créditos por cada 100 caracteres, y la versión final en Voice One, a 3: el mismo catálogo, los mismos clones, el mismo MP3 de salida. Una línea de 200 caracteres cuesta 6 créditos en Voice One y 4 en Turbo, así que una docena de pasadas a una frase rebelde cuesta menos que un café. La excepción es una línea con etiquetas: Turbo se las salta, así que pruébalas en Voice One. Voice One vs Voice Turbo explica dónde se nota el crédito extra.

En la API, los mismos dos controles son speed y expressiveness en POST /v1/audio/speech, documentados en la referencia de voz, y el texto de entrada es la dirección tal cual, igual que en el estudio. Para colocar el resultado bajo una imagen, Voz en off con IA para video sigue donde termina esta guía.

Preguntas frecuentes

¿eroq admite SSML o etiquetas de voz?

SSML no: ni etiqueta de pausa con duración, ni marcado de prosodia. Voice One sí lee etiquetas cortas entre corchetes, como [whispering], [laughing] o [pause], y las interpreta en lugar de decirlas; Turbo se las salta. La puntuación, la estructura de las frases y los controles de velocidad y expresividad hacen el resto.

¿Cómo consigo una pausa de una duración exacta?

No se puede pedir. Unos puntos suspensivos producen una pausa en suspenso y un salto de párrafo un silencio mayor, pero ninguno de los dos es medido. Cuando un silencio tiene que caer en un fotograma concreto, renderiza las dos mitades como líneas separadas y colócalas en una línea de tiempo en tu propio editor.

¿Por qué mi frase suena plana la configure como la configure?

Casi siempre porque el texto es plano. Las frases largas encadenadas con comas y sin puntos no le dan al motor dónde aterrizar, y subir la expresividad sobre un guion plano produce un monótono enfático. Pártelo primero en frases cortas y vuelve a renderizar.

¿Estos signos funcionan igual con una voz clonada?

Sí. La puntuación, la velocidad y la expresividad se comportan igual con las voces del catálogo y con tus clones, porque el clon aporta el timbre y la manera de hablar, y el guion aporta la interpretación. Si un clon deja de sonar como él mismo con mucha expresividad, baja el control, no el texto.

¿Quieres oír las seis frases en lugar de leerlas? Abre el estudio de Voz, abre el menú Sintaxis y toca cada una para insertarla en el editor.