¿Qué es el texto a voz? Una guía en lenguaje sencillo

El texto a voz (TTS), también llamado síntesis de voz, es un software que lee texto en voz alta. Le das una frase y te devuelve un archivo de audio o una transmisión en directo de una voz que la pronuncia. Esa voz no es la grabación de una persona leyendo tus palabras exactas: la genera en el momento un modelo informático que ha aprendido cómo una voz concreta pronuncia sonidos, palabras y frases.

Casi seguro que ya has oído TTS: en las indicaciones del GPS, en los menús telefónicos, en los lectores de pantalla que usan las personas ciegas o con baja visión, en la función de "leer en voz alta" de los libros electrónicos y, cada vez más, en narraciones de YouTube y vídeos cortos.

La mayoría de los sistemas actuales trabajan en tres grandes fases. Nunca las ves, pero conocerlas te ayuda a entender por qué cierto texto da problemas.

1. Leer y normalizar el texto

Primero, el sistema averigua qué hay que decir realmente. "S." puede ser "san" o "sur"; "1/2" puede leerse "un medio" o "uno de febrero"; "5 €" se convierte en "cinco euros". También divide el texto en frases y decide cómo se pronuncia cada palabra escrita, lo que es más difícil de lo que parece: la "x" no suena igual en "México" que en "taxi".

2. Planificar el sonido

Después, una red neuronal predice cómo debe sonar la frase: qué sílabas llevan el acento, dónde sube y baja la entonación, cuánto dura cada sonido y dónde van las pequeñas respiraciones. Esta melodía y este ritmo se llaman prosodia, y son la principal diferencia entre una voz que suena humana y otra que parece una máquina leyendo una lista.

3. Generar el audio

Por último, otro modelo (a menudo llamado vocoder) convierte ese plan en una onda sonora real que puedes reproducir. Los sistemas antiguos pegaban diminutos fragmentos de voz pregrabados, y por eso sonaban entrecortados. Los sistemas neuronales generan la onda directamente, y por eso las voces actuales suenan fluidas.

• Prosodia. Un ritmo y una entonación naturales importan más que la calidad de audio en sí. Una voz limpia pero plana sigue sonando artificial.
• Idioma y acento adecuados. Una voz entrenada para un idioma suele tener problemas con palabras de otro. Elige una voz que coincida con el idioma de tu texto y, si es posible, con el acento que esperan tus oyentes.
• El propio texto. Las abreviaturas, los nombres poco comunes, la falta de puntuación y las frases muy largas son las causas más habituales de resultados extraños. Nuestra guía sobre cómo escribir guiones para texto a voz explica cómo solucionarlo.
• Ajustes de velocidad y tono. Los cambios pequeños ayudan mucho; los ajustes extremos hacen que cualquier voz suene rara.

• Accesibilidad. Escuchar en lugar de leer ayuda a personas con baja visión, dislexia, fatiga u otras dificultades de lectura. Consulta texto a voz para la accesibilidad.
• Narración de vídeos. Los creadores usan TTS para vídeos explicativos, tutoriales y vídeos cortos de YouTube cuando no pueden o prefieren no grabar su propia voz. Consulta cómo hacer una locución para YouTube.
• Aprender idiomas. Escuchar una frase en una voz con acento nativo, a menor velocidad, ayuda con la pronunciación. Consulta texto a voz para aprender idiomas.
• Revisar textos. Escuchar en voz alta lo que has escrito es una de las formas más rápidas de detectar frases torpes y palabras que faltan.
• Audiolibros y escucha de textos largos. Consulta cómo narrar un audiolibro con TTS.

Incluso las buenas voces de IA pueden pronunciar mal nombres poco comunes, nombres de marcas y palabras tomadas de otros idiomas. No entienden tu texto como lo haría un narrador humano, así que los chistes, el sarcasmo y las emociones intensas suelen sonar neutros. Y como las voces sintéticas ya son realistas, nunca deben usarse para imitar a una persona real ni para engañar a quien escucha.

La solución práctica a la mayoría de estos límites es editar el texto, no pelearse con la voz: escribe los nombres difíciles tal como suenan, divide las frases largas y añade puntuación donde quieras una pausa.

En el Estudio puedes pegar hasta 2000 caracteres cada vez, elegir entre 583 voces en 76 idiomas, ajustar la velocidad y el tono, escuchar el resultado y descargarlo. No necesitas cuenta. Si no sabes con qué voz empezar, lee cómo elegir la voz de IA adecuada.