¿Qué es el texto a voz (TTS)?
El texto a voz (TTS), también llamado síntesis de voz, es una tecnología que convierte un texto escrito en audio hablado. El TTS moderno usa redes neuronales entrenadas con grabaciones de voz, así que las voces siguen un ritmo y una entonación naturales. Se usa en lectores de pantalla, asistentes de voz, voces en off y narraciones. En wawie conviertes un guion en voz con más de 1.000 voces en unos 30 idiomas.
Crear una cuenta gratis 5.000 créditos gratis. Sin tarjeta.
Actualizado el 27 de septiembre de 2026
¿Cómo funciona el texto a voz?
El texto a voz funciona por etapas. Primero, la normalización del texto reescribe números, fechas y abreviaturas como palabras, de modo que 10 km pasa a ser diez kilómetros. Después, el sistema convierte las palabras en fonemas, las unidades de sonido de un idioma, y predice la prosodia: dónde hacer pausas, qué sílabas acentuar y cómo debe subir y bajar el tono. A continuación, un modelo acústico neuronal genera una representación del sonido, a menudo un espectrograma, y un vocoder la convierte en una forma de onda de audio. Los modelos más recientes, de extremo a extremo, realizan varios de estos pasos en una sola red. Los sistemas antiguos unían fragmentos de voz grabados, que podían sonar irregulares en las uniones.
¿Para qué se usa el texto a voz?
El texto a voz se usa siempre que un contenido escrito necesita una voz sin pasar por una sesión de grabación. Da a las personas ciegas o con baja visión acceso a las pantallas y permite escuchar en lugar de leer a quienes tienen dificultades con la lectura. Los creadores lo usan para voces en off de vídeos, narraciones de cursos y segmentos de pódcast. Las empresas lo usan para menús telefónicos, demostraciones de producto y avisos que cambian a menudo, porque una frase se puede editar y regenerar en segundos en lugar de volver a grabarla. Las editoriales lo usan para ofrecer versiones en audio de artículos y libros. Con una gran biblioteca de voces, también puedes probar varias voces con el mismo guion antes de elegir una.
- Accesibilidad y lectores de pantalla
- Voces en off para vídeo y redes sociales
- Narración para e-learning y formación
- Audiolibros y artículos en audio
- Menús telefónicos y avisos
¿Qué influye en la calidad del texto a voz?
La calidad del texto a voz depende de la voz, del idioma y del propio texto. Algunas voces suenan naturales en un idioma y planas en otro, así que escúchalas antes de decidirte. Los nombres, las marcas, las siglas y las palabras poco comunes provocan los errores más habituales; un diccionario de pronunciación o una grafía fonética suelen corregirlos. La puntuación controla el ritmo: las comas y las frases cortas crean pausas naturales. Los pasajes muy largos pueden variar de tono, así que generar párrafo a párrafo te da más control. Por último, revisa la licencia: los derechos comerciales sobre el audio generado dependen de las condiciones de cada proveedor, y clonar la voz de una persona real requiere su consentimiento.
Ejemplos de texto a voz
- Un lector de pantalla lee en voz alta una página web para que una persona ciega pueda navegar por ella.
- Un creador de YouTube pega un guion, elige una voz y exporta la narración en MP3 para el montaje.
- Un equipo de e-learning cambia una frase de un curso y regenera solo esa frase en lugar de reservar una nueva sesión de grabación.
- Una app de navegación anuncia cada giro en el idioma que ha elegido el conductor.
Preguntas frecuentes
¿Qué diferencia hay entre texto a voz y voz a texto?
El texto a voz y la voz a texto son procesos opuestos. El texto a voz (TTS) toma un texto escrito y produce audio hablado, por ejemplo una voz en off a partir de un guion. La voz a texto (STT), también llamada reconocimiento de voz, toma audio hablado y produce texto escrito, por ejemplo una transcripción o los subtítulos de un vídeo. Muchos flujos de trabajo usan ambos: el doblaje con IA transcribe la voz con STT, traduce el texto y pone voz a la traducción con TTS.
¿El texto a voz puede sonar como una persona real?
Sí. El texto a voz neuronal moderno puede sonar muy parecido a una persona, con pausas, respiraciones y entonación naturales, sobre todo en pasajes cortos y de extensión media. Es más probable que el público note una voz sintética en contenidos largos, emotivos o muy expresivos, donde un intérprete humano todavía aporta matices. La calidad también varía según la voz y el idioma, así que vale la pena escuchar varias voces. Reproducir la voz de una persona real concreta requiere clonación de voz y el consentimiento explícito de esa persona.
¿Puedo usar audio de texto a voz con fines comerciales?
Depende del servicio. Las condiciones de licencia varían de un proveedor a otro, así que léelas antes de publicar. En wawie, el contenido que generas a partir de tu propio texto es tuyo para usarlo dentro de las condiciones de los proveedores de modelos subyacentes, como ElevenLabs, MiniMax y Fish Audio. Sigues siendo responsable de los derechos del texto que aportas, y necesitas un consentimiento explícito antes de usar la voz de otra persona mediante clonación. El uso comercial está incluido desde el plan Wawie Start, por 4,99 € al mes.
¿Cómo puedo probar el texto a voz gratis?
Muchos servicios de texto a voz ofrecen un nivel gratuito. En wawie puedes crear una cuenta gratis con 5.000 créditos únicos y sin tarjeta. Pega un guion, elige entre más de 1.000 voces en unos 30 idiomas, escúchalas y descarga el resultado en MP3 o WAV. Los créditos se gastan según el uso real, por carácter leído o por segundo de audio generado. Los planes de pago empiezan en 4,99 € al mes cuando necesitas más.
Términos relacionados
- Voz en off: Una voz en off es una narración grabada aparte que suena sobre vídeos, películas, anuncios o presentaciones, normalmente de alguien que no aparece en pantalla.
- Clonación de voz: La clonación de voz crea una copia sintética de la voz de una persona concreta a partir de grabaciones, para generar nuevas frases con esa voz.
- Voz a texto (STT): La conversión de voz a texto transforma el habla en texto escrito para transcripciones, subtítulos automáticos, dictado y asistentes de voz.
Crear una cuenta gratis 5.000 créditos gratis. Sin tarjeta.