Texto a voz con IA: cómo poner voz natural a tus videos (gratis)
Texto a voz con IA para videos: del guion a la voz y a la sincronización, voces gratis en español, precio por minuto y qué es legal al usar voces ajenas.
En esta página
El texto a voz con IA (TTS) convierte un guion escrito en una locución natural que después sincronizas con tu video, sin micrófono ni actor. El proceso tiene tres tiempos: escribes el guion para el oído, generas la voz y la sincronizas con la imagen. Después vienen el montaje, los subtítulos y, si hay un personaje en cámara, el lip sync. Esta guía se centra en ese flujo y en cómo convertir texto a voz sin perder naturalidad; si buscas elegir servicio, la comparativa de voces con IA ordena las opciones por calidad, precio y clonación.
Desde el oficio de la animación, la voz va antes que la imagen: en animación tradicional se graban los diálogos primero y se anima sobre ellos. Con IA conviene hacer igual, porque la duración de la voz decide la duración de cada plano.
¿Qué es el texto a voz con IA y en qué se diferencia del lector clásico?#
Un lector de texto a voz clásico, como los que traen Windows, macOS, Android o iOS para accesibilidad, lee palabra por palabra con una voz sintética reconocible: sirve para escuchar un documento, no para narrar un video. El texto a voz con IA usa modelos entrenados con horas de habla humana que deciden entonación, pausas y énfasis según el sentido de la frase. Si quieres probar Gemini TTS sin programar, la guía de Google AI Studio explica cómo entrar y qué es gratis.
La diferencia práctica está en el control. Los modelos actuales aceptan instrucciones de interpretación en lenguaje natural. En Gemini TTS, por ejemplo, el estilo de cada turno se indica en un campo aparte con frases como «warm and enthusiastic», y las pausas o risas se marcan dentro del texto con etiquetas como <short pause> o <laugh>, según la documentación oficial de generación de voz. Eso convierte al TTS en algo parecido a dirigir a un locutor.
Herramientas de texto a voz comparadas#
Datos de las páginas oficiales consultadas en octubre de 2026. Las cifras de minutos son aproximadas y dependen del modelo de voz.
| Herramienta | Gratis | De pago | Español | Clonar voz | Licencia comercial |
|---|---|---|---|---|---|
| ElevenLabs | 10.000 créditos/mes (≈10 min) | Starter ≈6 USD/mes (≈30 min); Creator 22 USD (≈121 min) | Sí; en doblaje, variantes como es-MX | Desde Starter (instantánea) | Desde Starter, no en Free |
| Gemini TTS (API) | Nivel gratuito en la API | ≈0,014 USD por minuto de audio (3.8 Flash) | Sí, como idioma único | Voice replication en modelos 3.8 | Según términos de la API |
| CapCut | Gratis, más de 200 voces | Pro 19,99 USD/mes para el resto del editor | Sí | No en esta función | Revisa términos de CapCut |
| Kling (texto a voz en Lip Sync) | Con los 66 créditos diarios | ≈1 crédito por segundo | Sí | No | No en el plan gratis |
Dos notas. ElevenLabs Free no incluye licencia comercial, así que no sirve para un video monetizado o para un cliente. Y la página de precios de ElevenLabs mostraba en octubre de 2026 promociones del primer mes, así que el precio de Starter puede variar. HeyGen, Fish Audio, MiniMax y otras opciones están comparadas en los mejores generadores de voz IA.
¿Cuánto cuesta un minuto de voz con IA?#
| Opción | Cálculo | Costo aproximado por minuto |
|---|---|---|
| Gemini 3.8 Flash TTS (API) | 9 USD por millón de tokens de audio × 1.500 tokens por minuto | 0,014 USD (hasta el 31-12-2026) |
| Gemini 3.8 Flash TTS desde 2027 | 18 USD por millón de tokens de audio | 0,027 USD |
| ElevenLabs Creator | 22 USD / ≈121 min | 0,18 USD |
| ElevenLabs Starter | ≈6 USD / ≈30 min | 0,20 USD |
| CapCut | Función gratuita | 0 USD |
El TTS ya no es el costo importante de un video con IA: un minuto de voz cuesta menos que un segundo de video generado. Google anuncia que los precios de Gemini 3.8 TTS se duplican a partir del 1 de enero de 2027; el resto del cálculo de un proyecto completo lo tienes en la calculadora de costo de animación con IA.
Cómo poner voz a un video con IA paso a paso#
- Escribe el guion para el oído, no para leer. Frases cortas, una idea por frase, números escritos como se dicen («mil doscientos pesos», no «1.200 MXN»). Por qué: los modelos leen mejor el texto que se parece al habla.
- Adapta el guion al mercado. Si el video es para México, «computadora» y «celular»; para España, «ordenador» y «móvil». Por qué: una voz con acento mexicano diciendo «ordenador» suena falsa aunque la síntesis sea perfecta.
- Elige la voz con una frase de prueba que tenga una pregunta, una exclamación y una palabra en inglés. Ahí se notan los fallos de entonación y pronunciación.
- Genera por bloques, uno por plano o por párrafo. Por qué: si una frase sale mal, regeneras solo ese bloque y es más fácil ajustar el montaje.
- Monta la voz antes que el video. Coloca los audios en la línea de tiempo y corta o genera los planos a su medida. Si aún no tienes los planos, monta un animatic con tu storyboard.
- Añade subtítulos y música a un volumen que no tape la voz. Los subtítulos automáticos con IA se generan desde la propia locución.
- Si hay un personaje que habla en cámara, sincroniza labios con lip sync con IA: Kling Lip Sync acepta tu audio o su propio texto a voz con velocidad de 0,8x a 2x.
En CapCut todo esto ocurre en el mismo editor: escribes el texto, eliges la voz, y el audio aparece en la línea de tiempo junto al video. Más detalles en la ficha de CapCut.
Separar el estilo del texto sigue la recomendación de Google: Gemini 3.8 TTS lee el campo de texto de forma literal, así que las indicaciones de actuación no deben ir mezcladas con lo que se dice.
Texto a voz en español latino y de España: cómo elegir#
El español no suena igual en Monterrey, Bogotá, Buenos Aires o Madrid, y la audiencia lo nota en la primera frase. Para elegir bien:
- Escucha el seseo y la «z»: una voz de España pronuncia distinto «zapato» o «cielo»; para México y la mayoría de Latinoamérica busca voces con seseo.
- Filtra por acento cuando la herramienta lo permite. CapCut deja filtrar sus más de 200 voces por género, edad, estilo e idioma. En doblaje, ElevenLabs admite variantes regionales como es-MX según su documentación de doblaje.
- En Gemini TTS, orienta el acento en el estilo. La documentación lista el español como un único idioma, sin variantes regionales separadas, así que conviene pedir el acento en la instrucción de estilo y verificar el resultado.
- Cuidado con anglicismos y marcas: escribe la pronunciación aproximada si el modelo falla («Kling» puede salir bien; nombres raros, no siempre).
Si vas a llevar un video ya hecho a otro idioma o acento, el flujo es distinto (transcribir, traducir, doblar): lo explicamos en traducir y doblar videos con IA.
Voz de IA y ley: clonar voces y voces de famosos#
La pregunta legal no es «¿puedo usar TTS?», sino de quién es la voz. Las voces sintéticas de catálogo y tu propia voz clonada no plantean problema de identidad; la voz de otra persona, sí.
- México: desde el 14 de mayo de 2026, según reformas publicadas en el DOF a la Ley Federal del Derecho de Autor y a la Ley Federal del Trabajo, usar la voz o la imagen de una persona mediante IA requiere su autorización expresa, previa e informada. La reforma la impulsaron actores de doblaje, según Xataka México.
- España: el proyecto de ley orgánica de 2026 que sustituye a la Ley 1/1982 considera intromisión ilegítima usar la voz de una persona recreada con IA sin autorización con fines comerciales; está en tramitación. El AI Act europeo obliga además a revelar los deepfakes de audio.
- YouTube: su política de contenido alterado no exige etiquetar el uso de tu propia voz clonada para narrar, pero sí el contenido realista en el que una persona real dice algo que no dijo.
Imitar la voz de un famoso para un anuncio o un video que parezca real no es una zona gris: es exactamente lo que estas normas prohíben sin permiso. Si quieres un narrador o un personaje propio, crea una voz original con voice design o clona la tuya. El mismo principio aplica a la cara: lo vemos en face swap en video y en qué es un deepfake.
Dónde falla el texto a voz con IA#
| Síntoma | Causa probable | Solución |
|---|---|---|
| Lee «1/2» o «MXN» de forma rara | Números y siglas sin normalizar | Escríbelos como se dicen |
| Entonación de pregunta en una afirmación | Puntuación ambigua o frase larga | Divide la frase; revisa signos de apertura |
| Mezcla acentos en el mismo video | Voces distintas por bloque o modelo | Fija una voz y no cambies de modelo a mitad |
| Suena monótono en un anuncio | Sin instrucción de estilo | Describe el tono y el ritmo, como a un locutor |
| Los labios no coinciden en el personaje | Audio generado después del video | Genera el video con ese audio o usa lip sync |
| Pronuncia mal un nombre propio | Palabra fuera del entrenamiento | Escríbelo de forma fonética |
Dos límites más. Ningún TTS sustituye la dirección de actores en escenas emocionales largas: funciona muy bien en narración, tutoriales y anuncios, peor en llanto, gritos o ironía sostenida. Y los audios de los planes gratis pueden no tener licencia comercial; antes de publicar para un cliente, revisa el plan. Para el resto de la cadena de producción, vuelve a la guía para crear videos con IA o a la de anuncios en video con IA.