Clonación de voz con IA

La clonación de voz genera habla nueva con el sonido de una voz concreta: su tono, su textura, su acento y su manera de dar forma a las palabras. Los sistemas anteriores solían necesitar largas grabaciones de estudio y un proceso de entrenamiento. Muchos modelos actuales parten de un clip de referencia corto: escuchan unos segundos de la voz y dicen texto nuevo con una voz que se le parece.

En Mage, una voz clonada empieza como una referencia de audio. Subes un MP3 o WAV, eliges una creación o un sonido guardado, o pegas un enlace de audio o de una red social, decides dónde empieza el clip y Mage conserva hasta 15 segundos bajo un @handle. Menciona ese handle en un prompt de Seed Audio y dirá tu texto con esa voz, en un MP3 con la duración exacta que hayas fijado. No hay paso de entrenamiento: el clip se lee cada vez que lo usas.

La misma voz pasa al video. Guarda un clip como la voz de un personaje y Cherry, Raspberry, Plum, Lemon y MiniMax-H3 la usarán siempre que ese personaje hable; Cherry, Plum, Lemon, MiniMax-H3 y Blueberry también aceptan referencias de audio en un prompt de video. Clona solo tu propia voz o una voz que tengas permiso claro para usar.

El modelo copia lo que oye, incluida la sala. Un clip grabado en una cocina con eco suena como una cocina. Graba en una habitación pequeña con muebles blandos, a una o dos palmos del micrófono, sin música, televisión ni otras voces de fondo. Una nota de voz del móvil en un armario silencioso suele superar a un buen micrófono en una sala vacía.

Habla como quieres que suene la voz después. Una lectura calmada y pareja se clona como narración tranquila; una lectura animada se clona con energía. Usa de diez a quince segundos de habla continua con varias frases distintas, para que el modelo oiga una variedad de sonidos, y evita pausas largas, toses y risas.

Si tu mejor toma está dentro de una grabación más larga, sube el archivo completo y ajusta el tiempo de inicio a los 15 segundos más sólidos. La voz de un personaje conserva 10 segundos, así que, para un personaje, elige los 10 segundos que más se parezcan a él.

• Un solo hablante, una sala tranquila, sin música.
• De diez a quince segundos de habla continua.
• Lee con el tono que quieres obtener.
• Usa el tiempo de inicio para elegir el mejor fragmento.
• Mantén el nivel estable: sin saturar y sin susurrar.

En Seed Audio, menciona la voz con su @handle, pon las palabras exactas entre comillas y describe la interpretación y el espacio: "@ana-voice, cálida y sin prisa, cerca del micrófono en una sala tranquila, dice: …". El handle aporta el sonido de la voz; la descripción da forma a la interpretación.

Elige la duración antes de escribir. Seed Audio devuelve exactamente la duración que elijas, 5, 10, 30, 60 o 120 segundos, rellenando o recortando para ajustarse, así que adapta las palabras a ella. Al ritmo natural, las personas dicen de dos a tres palabras por segundo, lo que da de 20 a 30 palabras para una frase de 10 segundos. La velocidad del habla, el volumen y el tono son ajustes aparte para cuando la lectura necesite un empujón.

Una ejecución de Seed Audio admite hasta tres referencias de audio o una referencia de imagen, no ambas. Para poner sonido a una escena a partir de una imagen, ejecútala sin la voz y añade la voz en un clip aparte.

• Menciona el @handle antes de la frase.
• Pon las palabras exactas entre comillas.
• Describe la interpretación y la sala.
• Elige primero la duración y luego ajusta las palabras.

La vía más sencilla es la voz de un personaje. Al crear o editar un personaje, abre Voz del personaje y sube un MP3 o WAV (se conservan los primeros 10 segundos desde tu tiempo de inicio), o genera una a partir de la imagen del personaje con una descripción opcional; el precio en Gems aparece en el botón. Desde ese momento, Cherry, Raspberry, Plum, Lemon y MiniMax-H3 la usan siempre que ese personaje hable, a menos que desactives las voces de personaje. La guía del generador de personajes con IA explica cómo guardar personajes.

También puedes mencionar una referencia de audio directamente en un prompt de vídeo. Cherry, Plum y MiniMax-H3 admiten hasta tres, Lemon hasta cinco y Blueberry una, y las voces de personaje cuentan para el mismo límite. Cherry necesita al menos una imagen en el prompt, como un personaje o una referencia, cuando adjuntas audio.

Para una frase que tiene que ser exacta, genérala con la voz clonada en Seed Audio y abre después Lipsync con un retrato o un personaje guardado y hasta 15 segundos de ese audio. La guía de la foto parlante con IA muestra todo el proceso.

Clona solo tu propia voz o una voz que tengas permiso claro para usar. En Mage no se permite imitar a una persona real sin su consentimiento, y las normas de la comunidad prohíben suplantar a amigos, famosos, figuras públicas o marcas con fines dañinos, así como cualquier contenido que sea ilegal donde vives. Si alguien te pide que elimines una creación en la que aparece, elimínala.

Consigue el permiso por escrito y que sea específico: de quién es la voz, qué dirá, dónde aparecerá, si el uso es comercial y durante cuánto tiempo. El contrato de un actor de voz debería mencionar expresamente el uso de voz sintética; una autorización general de grabación a menudo no lo cubre.

La ley va en la misma dirección. En EE. UU., la FCC dictaminó en febrero de 2024 que las voces generadas con IA se consideran "artificiales" según la ley de llamadas automáticas, por lo que usar una en una llamada automática sin consentimiento es ilegal, y la ELVIS Act de Tennessee, en vigor desde julio de 2024, prohíbe usar IA para imitar la voz de una persona sin permiso. Esta página no es asesoramiento legal; consulta las normas del lugar donde publiques.

Los proveedores de los modelos de vídeo también analizan el audio. Una ejecución puede rechazarse porque un clip contenga música con derechos de autor o la voz de una persona real, y las ejecuciones rechazadas se reembolsan.

• Tu propia voz: adelante.
• La voz de otra persona: antes, permiso por escrito.
• Figuras públicas y famosos: no sin una licencia.
• Nunca para engañar: sin llamadas, respaldos ni declaraciones falsas.
• Indica que el habla sintética realista lo es cuando la plataforma lo pida.

Clona una voz cuando el hablante tenga que ser alguien concreto: tú, un actor de voz que lo haya aceptado o un personaje al que ya le diste voz. Cuando sirva cualquier buena voz, las voces predefinidas son más rápidas: el texto a voz con IA lee hasta 5000 caracteres con una de las 16 voces de ElevenLabs, y el generador de voz con IA explica cómo dirigir una lectura con etiquetas de audio y describir una voz nueva en un prompt.

Eleven Speech no clona voces en Mage: solo habla con sus voces predefinidas. La clonación funciona con Seed Audio y con los modelos de vídeo que leen referencias de audio y voces de personaje. Los desarrolladores pueden hacerlo todo mediante la API de generación de audio.