Tu primer audio: texto a voz paso a paso

Lucía tiene su primera tarea piloto: un Reel de 30 segundos sobre el recorrido "Mercados de Oaxaca", que sale los sábados a las 9 de la mañana. Escribió el guion como escribe un correo, lo pegó en ElevenLabs, eligió la primera voz que vio y presionó generar. El resultado fue correcto, pero sonaba a alguien leyendo un folleto: sin ritmo, con un "9:00 hrs." pronunciado de forma rara y una frase tan larga que la voz se quedó sin aire a la mitad.

El problema no era la herramienta. Era el guion y la configuración. En esta lección vas a generar tu primer audio de la forma correcta y vas a entender qué controla cada ajuste.

Al terminar podrás:

• leer tu saldo de créditos y estimar cuánto cuesta un audio antes de generarlo;
• elegir un modelo y una voz adecuados para un guion corto en español;
• ajustar estabilidad, similitud, estilo y velocidad con un propósito claro;
• reescribir un texto pensado para leerse en un texto pensado para escucharse.

Paso 1: entiende los créditos antes de gastar

Casi todo en ElevenLabs se paga con créditos. Cada plan incluye una cantidad mensual y todas las herramientas comen del mismo saldo: texto a voz, doblaje, efectos, música y agentes. En octubre de 2026 la página de precios indica 10,000 créditos al mes para el plan gratuito; los planes de pago incluyen bastante más.

En texto a voz el costo depende de los caracteres que conviertes y del modelo. Como referencia general, con los modelos de mayor calidad un carácter cuesta alrededor de un crédito, y los modelos rápidos como Flash cuestan menos por carácter. Las equivalencias exactas cambian, así que revísalas en la página de precios. Lo que sí puedes hacer siempre es contar:

• Un guion de Reel de 30 segundos tiene unos 450 a 550 caracteres con espacios.
• Si generas tres tomas para escoger, multiplica por tres.
• Una página completa de texto en Word ronda los 2,500 a 3,000 caracteres.

Lucía hizo la cuenta: con el plan gratuito y modelos de calidad puede probar unas 15 o 20 versiones de su Reel al mes, generando tres tomas de cada guion. Suficiente para aprender, no para producir todo el mes. Por eso en esta etapa conviene probar con frases cortas y generar el guion completo solo cuando ya está pulido.

Paso 2: escribe para el oído

Antes de abrir la herramienta, revisa el guion. Un texto que se lee bien en pantalla no siempre se escucha bien. Estas son las reglas que Lucía apuntó en su archivo de notas:

1. Frases cortas. Una idea por frase. Si necesitas tomar aire para leerla en voz alta, pártela.
2. Escribe los números como se dicen. "Nueve de la mañana" en lugar de "9:00 hrs."; "cuatrocientos cincuenta pesos" en lugar de "$450 MXN".
3. Nada de abreviaturas. "Calle" y no "C."; "por ejemplo" y no "p. ej.".
4. Puntuación al servicio del ritmo. La coma pide una pausa breve; el punto, una más larga; los puntos suspensivos, una pausa con duda o suspenso.
5. Habla a una persona. "Te esperamos en la entrada" funciona mejor que "Se solicita a los participantes presentarse en la entrada".
6. Lee en voz alta antes de generar. Si tú te trabas, la voz probablemente también.

El guion original de Lucía decía:

Recorrido Mercados de Oaxaca: sábados 9:00 hrs., punto de encuentro
Mercado 20 de Noviembre, incl. degustación de chocolate, mole y tlayudas,
duración aprox. 4 hrs., costo $450 MXN p/p. ¡Reserva ya!

Y así quedó después de reescribirlo para el oído:

¿Sabes a qué huele un sábado en Oaxaca? A chocolate recién molido.
Cada sábado a las nueve de la mañana nos vemos en el mercado Veinte
de Noviembre. Probamos mole, chocolate y tlayudas, y conocemos a las
cocineras que los preparan. Son cuatro horas de recorrido, por
cuatrocientos cincuenta pesos por persona.
Escríbenos por WhatsApp y aparta tu lugar.

Tiene casi el mismo número de caracteres, pero ahora hay una pregunta que engancha, frases cortas y números que la voz no puede malinterpretar.

Paso 3: genera tu primer audio

La interfaz cambia con frecuencia, así que describimos el recorrido por funciones y no por posición exacta de botones:

1. Entra a ElevenLabs y abre la herramienta de Texto a voz (Text to Speech).
2. Pega tu guion en el cuadro de texto. Debajo o al lado verás el conteo de caracteres.
3. Elige una voz. Para empezar, usa una de las voces predeterminadas o filtra la biblioteca por idioma español. En la lección 2.1 aprendemos a escoger con calma.
4. Elige un modelo en el menú de configuración.
5. Presiona Generar y escucha el resultado completo, con audífonos si puedes.
6. Descarga el audio con un nombre descriptivo.

¿Qué modelo uso para empezar?

Para un guion corto de redes sociales en español, una buena regla en octubre de 2026:

• Eleven v4 si quieres la interpretación más natural y expresiva.
• Multilingual v2 si priorizas una lectura estable y predecible, por ejemplo en una serie de videos que deben sonar iguales.
• Flash v2.5 para borradores rápidos o mucho volumen, aceptando algo menos de matiz.

Cada modelo tiene un límite de caracteres por generación. Según la documentación, Eleven v4 y Multilingual v2 aceptan hasta 10,000 caracteres por petición, Eleven v3 hasta 5,000 y Flash v2.5 hasta 40,000. Para un Reel nunca vas a acercarte a esos límites, pero importa en textos largos.

Haz este experimento: genera el mismo guion con Eleven v4 y con Flash v2.5, con la misma voz. Escucha los dos sin ver cuál es cuál y anota cuál prefieres y por qué. Muchas personas notan la diferencia en las pausas y en la emoción de la pregunta inicial, no en la calidad del sonido.

Paso 4: los ajustes de voz, uno por uno

En el panel de configuración encontrarás varios controles. Los nombres pueden variar un poco según el modelo, pero la idea es la misma:

Algunos modelos recientes muestran la estabilidad como un selector con pocas opciones en lugar de una barra; por ejemplo, Eleven v3 ofrece modos del tipo creativo, natural y robusto. La lógica es la misma: más estable significa más predecible y menos expresivo.

Una configuración de partida razonable para narración de redes sociales:

• estabilidad en el punto medio;
• similitud alta, alrededor del 75 %;
• exageración de estilo en cero o muy baja;
• velocidad normal (1.0), o 1.05 si el formato es muy dinámico.

Cambia un solo ajuste a la vez y genera de nuevo. Si mueves tres barras juntas no sabrás cuál produjo la mejora. Lucía terminó con la estabilidad un poco por debajo del medio porque quería más emoción en la pregunta inicial, y la velocidad en 1.05 para que el Reel entrara en 28 segundos.

Paso 5: escucha con método

Escuchar "a ver qué tal suena" no basta. Usa esta lista cada vez que revises un audio:

• Pronunciación: ¿hay alguna palabra mal dicha? Anota cuál.
• Ritmo: ¿respira donde debe? ¿alguna frase suena atropellada?
• Entonación: ¿las preguntas suenan a pregunta? ¿la última frase cierra o queda en el aire?
• Energía: ¿corresponde al tono de tu marca? ¿es demasiado de anuncio de radio o demasiado plana?
• Artefactos: ¿hay ruidos raros, cortes, sílabas repetidas o cambios bruscos de volumen?
• Duración: ¿cabe en el formato? Un Reel con narración de 34 segundos y video de 30 no sirve.

Si encuentras un problema de pronunciación, no gastes créditos regenerando todo a ciegas. En la lección 1.3 aprendes a corregirlo en el texto. Si el problema es de interpretación (tono, energía), genera dos o tres tomas y quédate con la mejor. Es la misma lógica que un locutor humano que repite una frase.

Paso 6: guarda tu configuración

Cuando encuentres una combinación que te guste, regístrala. Lucía creó esta ficha en su archivo de notas:

FICHA DE VOZ: Reels Tours Alebrije
Voz: (nombre de la voz elegida)
Modelo: Eleven v4
Estabilidad: un poco por debajo del medio
Similitud: 75 %
Estilo: 0
Velocidad: 1.05
Notas: escribir horarios y precios con letra; evitar frases de más
de 20 palabras; la pregunta inicial siempre con signos de apertura.

Esta ficha es lo que hace que tus videos suenen como una misma marca semana tras semana, aunque los produzca otra persona del equipo.

Errores comunes

• Pegar el texto tal como se escribió para Instagram, con emojis, hashtags y abreviaturas. La voz intentará leerlos o hará pausas extrañas. Quítalos del guion de audio.
• Regenerar el guion completo por una sola palabra mal dicha. Primero corrige el texto de esa palabra y prueba solo esa frase.
• Cambiar de voz en cada video. Tu audiencia se acostumbra a una voz. Cambiarla constantemente hace que tu marca suene improvisada.
• No revisar el idioma. Si la voz elegida fue creada en inglés, puede leer el español con acento extranjero. Filtra por idioma y acento.

Práctica

Dedica 25 minutos.

1. Toma la tarea piloto que elegiste en la lección 1.1 y escribe un guion de 30 a 45 segundos (unos 450 a 650 caracteres).
2. Reescríbelo para el oído con las seis reglas del paso 2. Léelo en voz alta y corrige donde te trabes.
3. Genera el audio con la misma voz en dos modelos distintos. Escucha sin mirar cuál es cuál y elige.
4. Con el modelo ganador, cambia solo la estabilidad (más alta y más baja) y compara.
5. Revisa el audio final con la lista del paso 5 y anota cada problema.
6. Crea tu ficha de voz y anota cuántos créditos gastaste en total en la práctica.

Resumen

• Todo se paga con créditos de un saldo mensual compartido; en texto a voz el costo depende de los caracteres y del modelo, así que cuenta antes de generar.
• Un buen audio empieza con un guion escrito para el oído: frases cortas, números con letra, sin abreviaturas y con puntuación pensada para el ritmo.
• Eleven v4 da la interpretación más expresiva, Multilingual v2 la más estable y Flash v2.5 la más rápida y barata.
• Estabilidad, similitud, estilo y velocidad se ajustan de uno en uno; registra la combinación ganadora en una ficha de voz.
• Escucha con una lista de revisión: pronunciación, ritmo, entonación, energía, artefactos y duración.

Quiz