Texto a voz con IA

El texto a voz, o TTS, convierte texto escrito en audio hablado. Los TTS antiguos leían las palabras una tras otra con una voz plana. El texto a voz con IA actual lee primero todo el pasaje, así que entiende qué palabra enfatizar, dónde una frase se convierte en pregunta y cuándo una pausa marca la diferencia, y habla con la respiración y el ritmo de una persona.

En Mage, el texto a voz funciona con Eleven Speech, el modelo más reciente de ElevenLabs, Eleven v4. Pegas hasta 5.000 caracteres, eliges una de las 16 voces y obtienes un MP3 que dura exactamente lo que la lectura. Las etiquetas de audio entre corchetes, como [whispers], [laughs] o [excited], dirigen la entonación sin que se lean en voz alta.

Está en la misma cuenta que los modelos de imagen y vídeo de Mage. Una narración puede ir directamente sobre un vídeo, asignarse a un personaje como su voz o llevarse a la app Lipsync para que un retrato la diga.

El texto a voz lee exactamente lo que le das, así que escribe pensando en el oído. Escribe lo que debe decirse tal como debe sonar: «doce horas» en lugar de «12h», «el año dos mil veintiséis» si el número debe leerse como un año, y palabras completas para las abreviaturas que no deben deletrearse. Divide las frases largas en otras más cortas: quien escucha no puede volver atrás.

La puntuación es la forma más sencilla de dirigir el ritmo. Una coma es una respiración corta, un punto una más larga, los puntos suspensivos una duda y una raya una interrupción brusca. Los signos de interrogación cambian la melodía de toda la frase, así que comprueba que las preguntas terminen con uno.

• Escribe los números con letras cuando importe cómo se lean
• Usa frases cortas y en lenguaje hablado
• Usa puntos suspensivos para las pausas y rayas para las interrupciones
• Lee el guion en voz alta una vez antes de generar
• Divide los textos muy largos en capítulos

Las 16 voces cubren los usos más habituales. Para narraciones largas y audiolibros, elige un narrador estable como Darian, Florence o Sawyer. Para noticias, formación y videos explicativos, un presentador claro como Alicia o Eldrin. Para anuncios y video en redes sociales, una voz moderna y alegre como Elowen, Jade o Lawrence. Para juegos, una voz de personaje como Kaelen.

Todas las voces hablan todos los idiomas compatibles, así que un guion en español o japonés funciona con cualquiera de ellas. Genera las dos o tres primeras frases con varias voces, compáralas y luego procesa el guion completo con la que mejor encaje.

Eleven v4 interpreta como indicaciones las etiquetas entre corchetes. [excited], [nervous], [sarcastic] y [softly] cambian la emoción; [whispers] y [shouting] cambian el volumen; [sighs], [laughs] y [gulps] añaden una reacción; [door creaks] o [applause] añaden un sonido dentro de la lectura. Coloca la etiqueta justo antes de la frase que modifica y usa una o dos por frase.

Las etiquetas dan vida a los diálogos y a las frases de los personajes, mientras que una narración simple a menudo no necesita ninguna. Para voces de personajes que deben sonar igual en todos los videos, consulta la guía de generador de voz con IA y, para canciones y bases musicales, la de generador de música con IA.

Las mismas voces funcionan con la API de Mage: envía el texto y una voz a POST /v1/eleven_speech/generate y recibe un MP3, con precio por bloques de 250 caracteres. El página de la API de Mage explica las claves y los precios. Con el servidor MCP de Mage conectado, Claude, ChatGPT y otros asistentes pueden leerte un guion en voz alta en el chat, después de indicarte cuántos Gems cuesta.