Qué es la voz con IA y para qué te sirve

Lucía Mendoza coordina el marketing de Tours Alebrije, una agencia pequeña que organiza recorridos culturales en Oaxaca: mercados, talleres de barro negro, mezcalerías y zonas arqueológicas. Cada semana publica tres o cuatro videos cortos en Instagram y TikTok. Hasta ahora los narraba ella misma con el celular, encerrada en el baño de la oficina porque es el cuarto con menos eco. Si se equivocaba en una palabra, repetía toda la toma. Si el dueño cambiaba el precio de un tour, volvía a grabar.

Además tiene dos pendientes que no sabe cómo resolver. La mitad de los clientes de temporada alta son turistas de Estados Unidos y Canadá que no entienden los videos en español. Y el teléfono de reservaciones suena a las once de la noche, cuando ya no hay nadie en la oficina.

En este curso vas a acompañar a Lucía mientras resuelve esos tres problemas con voz generada por IA. Esta primera lección es el mapa: qué es la voz sintética moderna, qué partes tiene ElevenLabs y cuándo vale la pena usarla.

Al terminar podrás:

• explicar con palabras sencillas cómo una IA convierte texto en una voz que suena humana;
• reconocer las tres grandes áreas de ElevenLabs: creación de audio, agentes de voz y API;
• identificar en tu propio trabajo al menos tres tareas donde la voz con IA ahorra tiempo;
• nombrar los límites y riesgos principales antes de publicar audio sintético.

De la voz robótica a la voz que respira

Quizá recuerdas las voces del GPS de hace quince años: cada palabra sonaba pegada a la siguiente, con la misma entonación plana. Esas voces se armaban con pedacitos de grabaciones reales o con reglas fonéticas escritas a mano. Funcionaban para leer "gire a la derecha", pero nadie habría escuchado un audiolibro con ellas.

Las voces actuales funcionan de otra manera. Un modelo de aprendizaje profundo se entrena con muchísimas horas de habla humana y aprende patrones: cómo sube el tono al final de una pregunta, dónde se respira en una frase larga, cómo cambia la voz cuando alguien sonríe mientras habla. Cuando le das un texto nuevo, el modelo no busca grabaciones guardadas. Genera el audio desde cero, decidiendo la entonación a partir del sentido de la frase.

Por eso dos detalles importan tanto en este curso:

1. El texto manda. Un signo de exclamación, unos puntos suspensivos o una frase como "dijo en voz baja" cambian cómo suena el resultado. Escribir para el oído es una habilidad que vas a practicar desde la lección 1.2.
2. Cada generación es un poco distinta. Si generas la misma frase dos veces, obtendrás dos versiones parecidas pero no idénticas. Eso es útil para escoger la mejor toma y molesto cuando necesitas consistencia. Veremos cómo controlarlo.

Qué es ElevenLabs y cómo está organizado

ElevenLabs es una empresa de software de voz con IA. Su plataforma se usa desde el navegador y también desde código. En octubre de 2026 la documentación oficial agrupa su oferta en tres áreas. Los nombres pueden cambiar, pero la división te sirve para orientarte:

Dentro de esas áreas vas a usar varias herramientas a lo largo del curso:

• Texto a voz: escribes, eliges una voz y un modelo, y descargas el audio.
• Voces: una biblioteca con miles de voces compartidas por la comunidad, un diseñador que crea voces nuevas a partir de una descripción y la clonación de voces reales.
• Doblaje: subes un video y obtienes una versión en otro idioma con voces parecidas a las originales.
• Studio: un espacio para proyectos largos, como audiolibros y pódcasts, con capítulos y varias voces.
• Efectos de sonido y música: describes un sonido o una pieza musical y la plataforma la genera.
• Voz a texto: transcripción de audio con modelos de la familia Scribe. Lo usaremos poco, pero conviene saber que existe.
• Agentes: un asistente que contesta con voz, consulta tus documentos y puede pasar la llamada a una persona.

Los modelos: no todos sirven para lo mismo

Cuando generas audio, eliges un modelo: el motor que convierte el texto en voz. ElevenLabs mantiene varios a la vez porque cada uno equilibra distinto calidad, expresividad, velocidad y costo. En octubre de 2026 la página de modelos de la documentación lista, entre otros:

• Eleven v4: el modelo insignia, el más expresivo, con soporte para más de 90 idiomas. Pensado para narraciones, personajes y audiolibros.
• Eleven v4 Turbo: una variante de baja latencia del anterior, pensada para conversaciones en tiempo real.
• Eleven v3: la generación anterior, todavía disponible, también muy expresiva.
• Multilingual v2: un modelo estable y consistente, muy usado en contenido largo.
• Flash v2.5: el más rápido y barato por carácter, con algo menos de matiz. Útil para agentes y para producir mucho volumen.

No necesitas memorizar la lista. Lo importante es la pregunta que te harás cada vez: ¿necesito la mejor interpretación posible o necesito rapidez y bajo costo? En la lección 1.2 harás la prueba con el mismo texto en dos modelos y escucharás la diferencia.

Para qué le sirve a un negocio

La voz con IA no reemplaza todo el trabajo de audio, pero cubre muy bien ciertos casos. Lucía hizo una lista de lo que hace cada semana y la marcó así:

Otros usos frecuentes en México y Latinoamérica:

• Educación y capacitación: cursos internos con narración que se actualiza sin regrabar.
• Accesibilidad: versiones en audio de artículos, menús o instrucciones para personas con baja visión o que prefieren escuchar.
• Comercio local: mensajes de espera telefónica, anuncios para perifoneo o audio para pantallas en tienda.
• Medios y creadores: pódcasts con varias voces, audiolibros independientes, cápsulas informativas.
• Soporte: agentes que resuelven preguntas repetidas (horarios, estatus de pedidos, requisitos) y transfieren lo demás.

Lo que la voz con IA no hace bien (todavía)

Antes de emocionarte, conoce los límites. Te van a ahorrar sustos:

• Nombres propios y palabras locales. "Teotitlán del Valle", "tlayuda" o "Mitla" pueden salir mal pronunciadas, sobre todo con voces entrenadas en otro acento. En la lección 1.3 aprendes a corregirlo.
• Números, fechas y siglas. "$1,250 MXN" o "15/03" pueden leerse de formas inesperadas. Conviene escribirlos como se dicen.
• Consistencia en textos largos. En un audio de veinte minutos la voz puede cambiar ligeramente de energía entre párrafos. Studio y una buena configuración lo reducen.
• Emoción exacta. Puedes guiar la emoción, pero no siempre obtienes la interpretación que imaginas a la primera. Generar dos o tres tomas es normal.
• Errores de traducción. El doblaje traduce automáticamente y a veces elige mal una palabra o pierde un chiste. Revisar es parte del trabajo.

Y hay límites que no son técnicos, sino éticos y legales:

• No puedes usar la voz de otra persona sin su permiso. Ni de un famoso, ni de un locutor, ni de tu compañero de trabajo. En México, la reforma de 2026 a la Ley Federal del Derecho de Autor reforzó este punto para artistas e intérpretes. Lo vemos a fondo en la lección 2.2.
• No engañes a tu audiencia. Si una voz sintética podría hacer creer a alguien que habla una persona real, avisa. Esto es especialmente importante en llamadas telefónicas.
• Revisa la licencia de tu plan. Según las condiciones de ElevenLabs, el audio generado con el plan gratuito no puede usarse con fines comerciales y requiere atribución. Para un negocio necesitas un plan de pago. Lo detallamos en la lección final.

Cómo vas a trabajar en el curso

Todo lo puedes hacer desde el navegador, en la página de ElevenLabs. Para las primeras lecciones basta el plan gratuito, que incluye una cantidad mensual de créditos para experimentar. Más adelante, algunas funciones (clonación, doblaje sin marca de agua, uso comercial) piden un plan de pago; cuando lleguemos ahí te diremos qué parte puedes practicar gratis y qué parte solo leer.

Un consejo de método: crea desde ya una carpeta llamada voz-con-ia en tu computadora con tres subcarpetas: guiones, audios y notas. Guarda ahí cada guion que escribas, cada audio que descargues (con un nombre que diga modelo y voz, por ejemplo reel-mercado_v4_voz-sofia.mp3) y un archivo de notas con lo que funcionó y lo que no. Al final del curso ese archivo será tu manual de estilo de voz.

Práctica

Dedica 20 minutos.

1. Haz una lista de diez tareas de tu trabajo o proyecto que impliquen voz o audio: grabar, narrar, contestar, explicar, anunciar.
2. Para cada tarea, marca "Sí", "Sí, con revisión" o "No", como hizo Lucía, y escribe en una línea por qué.
3. Elige la tarea marcada como "Sí" que más tiempo te quita cada semana. Esa será tu tarea piloto durante el curso.
4. Entra a elevenlabs.io, crea una cuenta gratuita y recorre el menú principal sin generar nada todavía. Ubica dónde están Texto a voz, Voces, Doblaje y Agentes. Si los nombres son distintos a los de esta lección, anota cómo se llaman ahora.
5. Busca en la configuración de tu cuenta dónde se muestra el saldo de créditos del mes y anótalo en tu archivo de notas.

Resumen

• Las voces actuales no pegan grabaciones: un modelo genera el audio desde cero y decide la entonación a partir del sentido del texto, por eso lo que escribes cambia cómo suena.
• ElevenLabs agrupa su oferta en creación de audio (ElevenCreative), agentes de voz (ElevenAgents) y API (ElevenAPI).
• Hay varios modelos; Eleven v4 es el más expresivo, Flash v2.5 el más rápido y barato, y Multilingual v2 destaca por su estabilidad.
• La voz con IA funciona muy bien para guiones cortos y cambiantes, doblaje revisado y preguntas repetidas; no sirve para testimonios ni para mensajes que deben ser tuyos.
• Usar la voz de otra persona sin permiso, engañar a la audiencia o publicar con fines comerciales desde el plan gratuito son errores que debes evitar desde el primer día.

Quiz