Una voz con IA para TikTok suena a robot casi siempre por el texto, no por la voz: frases largas, números en cifras, abreviaturas y signos pensados para leer. Si reescribes el guion para el oído (frases de menos de 22 palabras, números en palabras, una idea por frase) y ajustas la velocidad a unas 185 palabras por minuto, cualquier voz decente en español suena natural.
¿Por qué la voz con IA en español suena a robot?
Los motores de texto a voz actuales pronuncian bien. Lo que delata a la máquina es que leen exactamente lo que les das, y casi todos los guiones están escritos para leerse en pantalla, no para escucharse. Estos son los seis culpables más comunes:
- Frases largas con subordinadas. En papel se entienden; en voz, el oyente olvida el sujeto antes de llegar al verbo, y la entonación se aplana.
- Números en cifras. "1.700" puede leerse como "uno punto setecientos" o "mil setecientos". "3/4" o "2021-2022" son una lotería.
- Abreviaturas y siglas. "aprox.", "km/h", "EE. UU." o "s. XIX" dependen de cómo las interprete el modelo.
- Signos para leer. Los dos puntos, paréntesis, guiones y comillas organizan la lectura visual. En voz se convierten en pausas raras o desaparecen.
- Monotonía. Si todas las frases tienen el mismo largo y estructura, la voz repite el mismo patrón de entonación durante un minuto entero.
- Sin remate. Un guion que termina en resumen ("y así fue como…") baja la energía justo cuando debería subir.
¿Cómo escribir un guion para que la voz con IA suene natural?
Estas son las reglas que usa Clipiku en su generador de historias, aplicadas a cada narración antes de pasarla a voz:
- Máximo 22 palabras por frase. Si una frase pasa de ese largo, se parte en dos. Narrado a ritmo de TikTok, 22 palabras son unos siete segundos.
- Una idea por frase. El oído procesa en orden. Dos ideas en la misma frase compiten y la entonación no sabe a cuál dar peso.
- Números escritos en palabras. "Mil novecientos diecinueve", no "1919". Así controlas cómo se dice, y de paso te obliga a usar menos cifras.
- Sin dos puntos ni paréntesis. Lo que va entre paréntesis se convierte en otra frase o se elimina.
- Siglas y abreviaturas desarrolladas. "Estados Unidos", "kilómetros por hora", "siglo diecinueve".
- Variar el largo. Alterna frases de seis u ocho palabras con otras de quince a veinte. El contraste crea ritmo.
- Remate concreto. La última frase es un dato, una imagen o una consecuencia, nunca un resumen ni una pregunta genérica.
Antes y después: frases reescritas para la voz
| Escrito para leer | Problema | Escrito para escuchar |
|---|---|---|
| El 15 de enero de 1919 (un día inusualmente cálido) un tanque de melaza explotó en Boston. | Fecha en cifras y paréntesis | Era el quince de enero de mil novecientos diecinueve. Hacía un calor raro en Boston. Y entonces el tanque explotó. |
| El barco, de aprox. 400 m de eslora, quedó atravesado en el canal durante 6 días. | Abreviatura, cifras, inciso | El barco medía casi cuatrocientos metros. Quedó atravesado en el canal. Seis días sin que nada pudiera pasar. |
| Según los registros de la NASA, el error se debió a una confusión de unidades: libras vs. newtons. | Dos puntos, "vs.", fuente al inicio | El error fue absurdo. Un equipo usaba libras. El otro, newtons. Y nadie lo notó. |
| Existen múltiples teorías al respecto, aunque ninguna ha sido confirmada por los historiadores. | Abstracta, sin imagen | Hay tres teorías. Ningún historiador ha podido confirmar ninguna. |
| Fue construido entre 1248 y 1880, lo que equivale a más de seis siglos de obras. | Rango numérico y cálculo | La primera piedra se puso en mil doscientos cuarenta y ocho. La última, seis siglos después. |
| Y así fue como un pequeño error cambió la historia para siempre. | Cierre-resumen | Hoy la sala de control tiene un cartel. Dice una sola palabra: unidades. |
| ¿Sabías que el puente de Tacoma colapsó por el viento? | Muletilla de plantilla | El viento soplaba a sesenta kilómetros por hora. Suficiente para que un puente entero empezara a bailar. |
Fíjate que la versión para escuchar casi siempre tiene más frases y menos palabras por frase. Esa es la señal de que vas bien. El último ejemplo de la tabla es ilustrativo: inventa un detalle para mostrar el estilo; en un video real, cada detalle tiene que estar verificado.
¿A qué velocidad debe hablar una voz con IA en TikTok?
Más rápido que en un audiolibro. En Clipiku la narración se genera a 1,15× la velocidad normal de la voz, lo que en voces enérgicas en español da unas 185 palabras por minuto. Con ese ritmo puedes calcular el guion antes de grabar:
| Duración del video | Palabras aproximadas a 185 por minuto |
|---|---|
| 30 segundos | Unas 90 |
| 61 segundos (justo pasa el minuto) | Unas 190 |
| 75 segundos | Unas 230 |
| 90 segundos | Unas 280 |
Las voces calmadas son más lentas: el mismo guion de 230 palabras puede durar cerca de 95 segundos. Si necesitas pasar del minuto para programas como TikTok Creator Rewards, agrega contenido (un dato, una consecuencia) en lugar de bajar la velocidad o meter silencios.
¿Qué voz elegir según el nicho?
No hay una voz "mejor": hay una voz adecuada para cada tipo de historia. Elige una y mantenla en toda la serie, porque la audiencia aprende a reconocerla.
| Nicho | Tono de voz | Por qué |
|---|---|---|
| Historia y crónicas | Grave, pausada, con autoridad | Transmite que lo que cuentas está documentado |
| Curiosidades y ciencia | Enérgica, clara, cercana | Sostiene el ritmo de datos sorprendentes |
| Misterios sin resolver | Baja, íntima, con pausas | Crea tensión sin necesidad de música dramática |
| Videojuegos y cultura pop | Rápida, informal, con humor | Encaja con el tono de la comunidad |
| Explicadores de actualidad | Neutra, firme, estilo presentador | Prioriza la claridad sobre la emoción |
Un detalle que se olvida: el acento. Si tu audiencia es mayoritariamente de un país, una voz con acento neutro latinoamericano suele funcionar en toda la región; un acento muy marcado puede alejar a parte del público.
¿Cómo hacer que la IA pronuncie bien nombres y palabras extranjeras?
- Escribe como suena. Si el modelo dice mal "Moisseiff", prueba con una grafía fonética solo en el guion de voz, y deja el nombre correcto en los subtítulos.
- Presenta a las personas por su rol. "Un químico de la empresa" se entiende mejor al oído que un nombre que nadie conoce. Reserva los nombres propios para quien de verdad importa.
- Revisa siglas y marcas. Decide si se dicen letra por letra ("ene-a-ese-a") o como palabra, y escríbelo así.
- Escucha antes de publicar. Una pasada completa con audífonos detecta el noventa por ciento de los tropiezos.
Música y voz: cómo mezclarlas sin tapar la narración
La música instrumental ayuda a que una voz sintética se sienta producida, pero solo si queda por debajo. La técnica se llama ducking: la música baja automáticamente unos 20 dB mientras la voz habla y vuelve a subir en las pausas. En el gancho de los primeros segundos y en los últimos cinco segundos puede estar un poco más alta para marcar la entrada y el cierre. Evita música con letra: compite con la narración.
¿Hay que etiquetar una voz con IA en TikTok?
Depende de qué voz uses. TikTok pide etiquetar el contenido realista generado o muy editado con IA, y en particular el audio que imita la voz de una persona real (anuncio oficial de TikTok sobre las etiquetas de IA). Una voz sintética genérica que narra una historia no imita a nadie, pero clonar la voz de un famoso, de un streamer o de cualquier persona sin su consentimiento es justo lo que la plataforma busca frenar: no lo hagas aunque la herramienta lo permita. Ante la duda, usa la etiqueta de IA de TikTok. Tienes el detalle caso por caso en nuestra guía de contenido con IA y monetización.
Checklist antes de generar la voz
- Ninguna frase supera las 22 palabras.
- Todos los números, fechas y medidas están en palabras.
- No quedan dos puntos, paréntesis, barras ni abreviaturas.
- Cada frase tiene una sola idea.
- El largo de las frases varía.
- El cálculo de palabras coincide con la duración que buscas.
- Los nombres difíciles tienen grafía fonética en el guion de voz.
- El cierre es un dato o una imagen, no un resumen.
- La voz no imita a ninguna persona real.
Si prefieres no hacerlo a mano, Crónicas de Clipiku escribe el guion pensado para el oído, aplica estas reglas y genera la narración con subtítulos sincronizados. El resto del proceso, del tema al video, está en la guía de videos de historias con IA.
Preguntas frecuentes
¿Cuál es la mejor voz con IA en español para TikTok?
La que encaja con tu nicho y se mantiene en toda la serie. Una voz media bien escrita suena más natural que la mejor voz con un guion pensado para leer.
¿Por qué mi voz con IA lee mal los números?
Porque los recibe en cifras y tiene que adivinar cómo decirlos. Escríbelos en palabras en el guion de voz y deja las cifras para los subtítulos si quieres.
¿Cuántas palabras necesito para un video de un minuto?
Unas 185 a ritmo enérgico. Para pasar con margen del minuto, apunta a 200 o más palabras.
¿Puedo clonar la voz de un famoso para mis videos?
No sin su consentimiento. TikTok exige etiquetar el audio que imita a personas reales y puede retirar el contenido engañoso aunque esté etiquetado.
¿La música tapa la voz con IA?
Solo si no la bajas. Con ducking de unos 20 dB bajo la voz y música instrumental, la narración queda clara.
¿Cómo hago que la narración no suene monótona?
Alterna frases cortas y largas, abre con un gancho de una sola idea y termina con un remate concreto. El ritmo sale del texto.