Generador de voz texto a voz online

1. 1

   Introduce el texto

   Escribe o pega lo que quieras escuchar, o importa un archivo .txt o .md.

2. 2

   Elige un motor

   Instantáneo usa las voces del sistema y reproduce al momento. Estudio ejecuta una voz neuronal en tu dispositivo y se puede descargar.

3. 3

   Elige una voz

   Selecciona entre 28 voces de Estudio o entre las que ofrezca tu sistema operativo.

4. 4

   Ajusta el ritmo

   Cambia la velocidad de lectura si el valor por defecto va demasiado rápido o lento.

5. 5

   Genera

   Estudio sintetiza el audio en tu dispositivo y muestra el progreso por secciones.

6. 6

   Descarga

   Guarda el resultado como WAV, MP3, M4A, OGG o FLAC.

Detrás de un mismo cuadro de texto hay dos motores, porque lo que la gente quiere de la conversión de texto a voz tira en dos direcciones opuestas.

• Instantáneo — usa las voces ya instaladas en tu ordenador o teléfono. Empieza a hablar en cuanto pulsas reproducir, no descarga nada y admite los idiomas de tu sistema. No se puede guardar en un archivo.
• Estudio — ejecuta un modelo neuronal de voz en tu dispositivo. Tarda un poco más y produce una onda real, lo que significa que se puede descargar y usar en un vídeo, un pódcast o una presentación.
• Un solo cuadro de texto — el texto, la velocidad y la lista de voces son comunes, así que cambiar de motor no obliga a empezar de nuevo.
• Nada se sube — ambos motores funcionan en local. El texto que pegas y el audio generado se quedan en el dispositivo, algo que no ocurre con las herramientas online que envían tu texto a un servidor.

Esta es la parte que la mayoría de herramientas gratuitas se reserva, y la razón de ser del motor Estudio.

• WAV — la salida exacta del modelo, sin comprimir, a 24 kHz. Elígelo cuando el audio vaya a un editor de vídeo o audio y se vaya a procesar de nuevo.
• MP3 — el archivo compatible más pequeño y la opción por defecto para compartir, subir o incrustar. Se codifica en tu dispositivo.
• M4A — AAC en un contenedor MP4: la opción nativa de Apple y muy bien admitida en herramientas de vídeo.
• OGG y FLAC — Opus en OGG para la web con tamaños pequeños, y FLAC cuando quieras un archivo sin pérdidas bastante más ligero que WAV.
• Por qué Instantáneo no se puede guardar — las voces del sistema suenan directamente por la salida de audio y no exponen ningún flujo que grabar. Es una limitación del sistema operativo, no de esta herramienta, y por eso existe el motor neuronal.

El motor Estudio incluye 28 voces. Se diferencian en más que el tono: cada una se entrenó por separado y algunas son bastante más nítidas que otras.

• Inglés estadounidense — 20 voces, 11 femeninas y 9 masculinas. Son la coincidencia exacta con el diccionario de pronunciación y la mejor opción para la mayoría de los textos.
• Inglés británico — 8 voces. Hablan con acento británico usando vocales americanas, porque el diccionario que las alimenta es americano. La diferencia se nota en palabras como «bath» o «dance».
• Cómo elegir — las voces están ordenadas de mejor a peor. Si una voz suena fina o inestable con tu texto, sube en la lista en vez de tocar la velocidad.
• Otros idiomas — cambia al motor Instantáneo, que ofrece lo que tenga tu sistema operativo: normalmente un conjunto mucho más amplio.

Aquí es donde las herramientas de texto a voz suelen delatarse, así que merece la pena ser concretos.

• Números enteros — 1.234 se lee como «mil doscientos treinta y cuatro», no como cuatro dígitos sueltos.
• Años — en inglés, «in 1999» se lee «nineteen ninety nine», mientras que «1999 items» se lee como una cantidad. Lo decide el contexto.
• Dinero — $1.234,56 se lee como dólares y centavos. Las libras, los peniques y los euros se tratan igual.
• Decimales y versiones — 1,5 es «uno coma cinco». 2.0 se lee «dos», porque así se dice en voz alta.
• Ordinales y rangos — 3º, 21º y 102º se leen como ordinales, y un rango como 128-192 se lee como dos números en lugar de omitirse.
• Símbolos — 25% es «veinticinco por ciento», & es «y», @ es «arroba». Las siglas como ISO, PDF o UTF-8 se deletrean letra a letra en vez de pronunciarse como palabras.

La calidad del habla es sobre todo un problema de diccionario, no de modelo. Una voz perfecta que pronuncia los sonidos equivocados sigue estando mal.

• Un diccionario de 183.562 palabras — cada entrada indica los sonidos exactos y qué sílaba lleva el acento.
• Terminaciones por regla — «rendered» no está en el diccionario pero «render» sí, y las reglas de -s, -ed e -ing construyen el resto. Por eso las formas flexionadas suenan bien.
• Palabras que cambian según su función — «use» se pronuncia distinto como sustantivo y como verbo, igual que «record», «content», «present» y unas setecientas más. Lo decide la frase que las rodea.
• Contexto entre palabras — «the» antes de vocal no suena igual que antes de consonante, y «to» tampoco. Fallar aquí hace que cada frase suene sutilmente extranjera aunque cada palabra sea correcta por separado.
• Palabras desconocidas — los nombres propios y los neologismos pasan a un pequeño modelo neuronal que predice la pronunciación a partir de la ortografía, de modo que una palabra desconocida se pronuncia en vez de omitirse.

El texto a voz es peculiar entre las herramientas de conversión: lo que pegas suele ser justo lo que menos te apetece entregar a un desconocido.

• No se sube nada — el modelo de voz baja una vez a tu navegador. A partir de ahí, ni el texto ni el audio salen de la máquina.
• Funciona sin conexión — una vez el modelo está en caché, la herramienta sigue funcionando sin red.
• Sin control de cuotas — no hay nada que contar en un servidor, porque no hay nada en un servidor.
• El precio — hay que descargar el modelo una vez, y la síntesis usa tu procesador en lugar del de otra persona. Ese es el coste de que el texto no vaya a ninguna parte.

El trabajo ocurre en tu dispositivo, así que la respuesta honesta a «cuánto tarda» depende del dispositivo. Esto es lo que puedes esperar.

• Primer uso — el motor Estudio descarga unos 93 MB: el modelo de voz, el diccionario de pronunciación y una voz. Después queda en caché.
• Después — la conversión empieza al instante. Los textos largos se dividen en secciones y varias se sintetizan a la vez en los núcleos de tu CPU.
• Gratis — 5.000 caracteres por conversión, de uno en uno. Son unos seis minutos de locución, más de lo que permiten la mayoría de herramientas gratuitas.
• Pro — sin límite de caracteres, hasta 25 documentos a la vez, entregados en un único archivo comprimido.
• Lo que nunca se limita — todas las voces, todas las velocidades y todos los formatos de salida, incluido MP3, están en el plan gratuito. El eje de pago es la escala, no la calidad.

La síntesis se ejecuta en tu dispositivo usando varios núcleos a la vez, así que la velocidad escala con tu hardware y nada espera a un servidor.

Casi todo lo que hace que una voz sintética suene bien se decide antes de pulsar generar.

• Puntúa bien — las comas y los puntos son pausas. Un texto sin ellos se lee de un tirón y sin respirar.
• Separa los párrafos — una línea en blanco se convierte en una pausa más larga, que es lo que separa las secciones de un guion.
• Escribe los números en palabras cuando importe — si quieres que un año se lea de una forma concreta en un contexto que la herramienta interpretaría como cantidad.
• Reescribe los nombres difíciles — la ortografía fonética en la entrada es la forma más rápida de arreglar un nombre mal pronunciado, y siempre gana.
• Baja un poco la velocidad para narrar — un ritmo algo por debajo de 1× resulta más pausado, lo que va bien para explicar. Déjalo en 1× para diálogos.
• Prueba antes con un extracto corto — genera un párrafo, escúchalo, ajusta y luego lanza el documento entero.

Es mejor herramienta para unos trabajos que para otros, y conviene decir dónde están los límites.

• Interpretación emocional — el modelo lee con claridad y de forma uniforme. No actúa, y no dará un chiste o una frase dramática como lo haría una persona.
• Idiomas distintos del inglés — el diccionario de Estudio es de inglés estadounidense. Usa el motor Instantáneo para otros idiomas, o un servicio pensado para ellos.
• Clonar la voz de una persona concreta — no está permitido, deliberadamente. Las 28 voces son las que hay.
• Documentos enormes en dispositivos modestos — un texto del tamaño de un libro en un teléfono antiguo no encaja. Divídelo o ejecútalo en un portátil.

• Voz a texto
• PDF a texto
• Imagen a texto
• Conversor de imágenes
• Dividir texto
• Conversor de mayúsculas
• Conversor de audio
• Unir audio
• Cortar audio
• Volumen de audio
• Editor de audio
• Sustituir audio de vídeo