Los sistemas estándar de síntesis de voz (TTS) suelen fallar en las narraciones de larga duración debido a una entrega plana, acelerada y monótona. Un narrador profesional modula su respiración, introduce pausas dramáticas, suaviza reflexiones secundarias y diferencia el relato de los diálogos de los personajes. En Voicemaker, conseguir una locución con estándar comercial exige articular dos niveles de control: los ajustes globales de voz (Voice Settings) en la barra lateral para definir la personalidad acústica del narrador, y las etiquetas SSML junto con la función Custom Pauses en el editor para esculpir el ritmo, los énfasis y la dicción exacta.
Esta guía detalla el paso a paso para eliminar el sonido robótico y producir narraciones de alto nivel para audiolibros, pódcasts y contenidos audiovisuales.
1. Selección del motor y configuración acústica de base
Antes de aplicar cualquier etiqueta al texto, es fundamental configurar el perfil de voz inicial.
- Seleccionar el motor AI3 Neural: Los modelos heredados carecen de la prosodia necesaria para sostener un relato prolongado. Utilice siempre el motor AI3.
- Elegir voces con el sufijo "E": En Voicemaker, los modelos que llevan el sufijo "E" al final de su nombre (como Jony en inglés estadounidense bajo AI3) admiten Voice Effects (efectos de voz emocionales), tales como calm (calma), sad (tristeza), happy (alegría) o angry (enfado). Las voces sin este sufijo solo admiten modulaciones básicas de tono y velocidad, sin matices dramáticos.
- Calibración de los ajustes globales (Voice Settings):
- Speed (Velocidad): La velocidad predeterminada suele ser demasiado rápida para la narración inmersiva. En la barra lateral derecha, reduzca ligeramente la velocidad hacia un ritmo más pausado que permita al oyente asimilar las descripciones.
- Pitch (Tono): Reducir levemente el tono global otorga a la voz del narrador una presencia más cálida y autorizada. Si más adelante necesita caracterizar personajes jóvenes o enérgicos, podrá elevar el tono en frases específicas.
- Volume (Volumen): Mantenga una ganancia moderada para evitar saturación y preservar rango dinámico para la postproducción en estaciones de audio digital (DAW).
2. Dominio del ritmo y la respiración: Pause SSML frente a Custom Pauses
La señal más evidente de una voz artificial es la ausencia de pausas de respiración naturales. Voicemaker ofrece dos métodos complementarios para gestionar el silencio.
Inserción manual con Pause SSML
Para momentos dramáticos concretos, seleccione el menú desplegable Pause en la barra superior o escriba directamente la etiqueta <break time="..."/>:
- Pausas de atribución de diálogo (200 ms – 400 ms): Para separar las citas textuales de las aclaraciones del narrador (ejemplo:
«No puedo creerlo», <break time="300ms"/> susurró ella.). - Transiciones de escena y suspenso (1000 ms – 2000 ms): Para marcar el cambio de capítulo o anticipar giros cruciales en la trama.
Automatización del ritmo con Custom Pauses
Insertar etiquetas de pausa de forma manual en un capítulo de miles de palabras resulta inviable y sobrecarga el manuscrito. Para solucionarlo, configure el sistema Custom Pauses:
- Haga clic en el icono de Settings (engranaje) en la esquina superior derecha del editor.
- Vaya a la pestaña Pauses y active el interruptor Custom Pauses (ON).
- Defina los tiempos de silencio en segundos para los signos de puntuación:
- Punto (
.): Asígnelo entre0.7sy0.9spara un cierre oracional orgánico. - Coma (
,): Asígnela entre0.25sy0.35spara separar cláusulas con fluidez. - Signos de interrogación y exclamación (
?,!): Configúrelos entre0.6sy0.8spara permitir que el impacto expresivo repose.
- Punto (
- Pausa entre párrafos (Between Paragraph): Si deja una línea en blanco entre párrafos en su texto, Voicemaker aplicará automáticamente una pausa de párrafo (como
1.5s), delimitando los bloques narrativos con gran naturalidad. - Activadores especiales (
@y#): En el panel de Custom Pauses puede asignar duraciones fijas a símbolos como@(0.5s) o#(1.2s). Con solo escribir un símbolo en el texto se ejecutará la pausa sin ensuciar el manuscrito con código XML.
3. Dinámica e inflexión: Emphasis, tono y velocidad localizada
La monotonía fatiga al oyente. La modulación selectiva permite generar contrastes expresivos en palabras y oraciones específicas.
Resaltar conceptos clave con Emphasis SSML
- Seleccione la palabra o frase en el editor y abra el desplegable Emphasis:
- Strong Emphasis: Aumenta el peso y la energía vocal. Aplíquelo con moderación en verbos de acción decisivos o revelaciones clave. El uso excesivo genera un discurso entrecortado.
- Reduced Emphasis: Suaviza la intensidad vocal. Resulta ideal para acotaciones entre paréntesis, soliloquios o pensamientos íntimos.
Ajustes sutiles de tono y velocidad
Los controles SSML de tono y velocidad en Voicemaker están calibrados para ser sutiles y evitar distorsiones:
- Modulación de Pitch: Seleccione una frase interrogativa o diálogo y ajuste el deslizador de Pitch. Una leve elevación al final genera una entonación de pregunta realista; una leve bajada añade gravedad y misterio.
- Modulación de Speed: Acelere ligeramente en secuencias de acción trepidante y reduzca la velocidad en pasajes reflexivos o tensos.
Aplicación de Voice Effects en los diálogos
Si utiliza una voz con sufijo "E":
- Mantenga el ajuste general de Voice Effects en la barra lateral en Default (para que la narración base se mantenga sobria).
- Seleccione exclusivamente las líneas de diálogo del personaje en el texto.
- Haga clic en el botón Voice Effect de la barra superior y elija la emoción correspondiente (whisper para susurros, calm para sosiego, angry para ira).
- El motor sintetizará la narración con tono neutro y el parlamento con la textura emocional elegida.
4. Precisión fonética con Say-As SSML
Los audiolibros suelen tropezar cuando la síntesis de voz lee fechas, horas, medidas o abreviaturas. El conjunto de etiquetas Say-As garantiza lecturas deterministas:
- Say-As Date y Time: Asegura que formatos como
15/04/1930o08:30 PMse pronuncien como fechas y horas estándar en lugar de operaciones numéricas. - Say-As Cardinal y Ordinal: Distingue con precisión entre cantidades cardinales y números ordinales («capítulo 1» frente a «1.º / primero»).
- Say-As Spell-Out / Characters: Obliga al sintetizador a pronunciar las letras una a una (
interpret-as="characters"). Imprescindible para matrículas, códigos militares, siglas o coordenadas. - Say-As Fraction y Unit: Transforma cifras como
1/2o25kmen «un medio» y «veinticinco kilómetros» sin titubeos.
5. Práctica de producción: fragmentación, exportación y presupuesto de créditos
Para completar proyectos extensos sin errores ni costes imprevistos, conviene seguir un flujo de trabajo estructurado:
Fragmentación del manuscrito (Chunking)
Nunca pegue un libro completo de decenas de miles de palabras en una sola conversión.
- Divida el contenido en escenas o bloques de entre 500 y 2.500 caracteres.
- Esto facilita la supervisión de las etiquetas SSML y, si es necesario corregir una sola frase, evita gastar créditos reescribiendo el capítulo entero.
Ajustes de exportación para masterización profesional
Sobre el botón Convert to Speech, haga clic en Change junto a Audio Settings:
- Formato de salida:
- MP3: Óptimo para pódcasts, distribución web y borradores de revisión.
- WAV: El estándar indispensable para audiolibros comerciales. Al ser un formato sin compresión, preserva la totalidad de la información espectral para su tratamiento posterior en DAWs (Audacity, Reaper, etc.).
- Frecuencia de muestreo (Sample Rate):
- 44100 Hz (calidad CD) para plataformas de audio estándar.
- 48000 Hz (calidad de estudio) para cumplir con las especificaciones exigentes de plataformas como ACX y Audible o para sincronización audiovisual.
Modelo de créditos y licencias comerciales
- Voicemaker contabiliza el consumo por conversión (Convert) y no por descarga. Cada generación descuenta créditos según el número de caracteres (los caracteres CJK consumen 2 créditos por unidad).
- Las cuentas gratuitas están limitadas a 250 caracteres por conversión y no incluyen licencia comercial.
- La producción comercial de audiolibros o contenidos monetizados requiere planes como Starter ($5/mes), Creator ($10/mes), Pro ($20/mes) o los paquetes especializados Audiobook Creation Pack, que proporcionan derechos comerciales y mayores límites de ráfaga.
- Pruebe siempre nombres propios complejos o ajustes de pausa en fragmentos de prueba de 50 caracteres antes de procesar el lote definitivo.
Lista de control para una narración profesional
- Voz adecuada: Seleccione una voz AI3 Neural con sufijo "E" para habilitar efectos emocionales.
- Ajustes de base: Disminuya ligeramente la velocidad y asiente el tono en Voice Settings.
- Pausas automatizadas: Active Custom Pauses con comas a ~0,3 s, puntos a ~0,8 s y líneas en blanco entre párrafos.
- Matices dramáticos: Emplee Emphasis para palabras clave, Say-As para datos numéricos y Voice Effects en diálogos.
- Exportación sin pérdidas: Descargue en WAV a 48000 Hz por escenas para facilitar la masterización final.