Cómo hacer que ElevenLabs suene natural: no es el panel

Los dos audios eran el mismo texto. La misma voz clonada, el mismo modelo, la misma tarde. Y uno de los dos sonaba a alguien leyendo en voz alta algo que no había escrito. Cuando pasa eso, todos buscamos lo mismo: cómo hacer que ElevenLabs suene natural. Y lo buscamos en el panel de ajustes, que es justo el sitio donde no está.

Lo que oyes cuando la voz no suena a nadie

Subir la estabilidad. Bajarla. Probar otra voz del catálogo. Hice esa ronda entera durante semanas y el resultado siempre fue el mismo: una locución correcta que no era de nadie. Lo que suena ahí tiene nombre. Es una lectura media.

En Asturias hay alguien en cada pueblo que lee el pregón de las fiestas. Y se nota en la primera frase quién lo escribió y quién solo lo está leyendo. No es la garganta: los dos tienen la misma. Es que uno sabe dónde va el peso y el otro va descubriendo el texto mientras lo dice.

Un modelo de voz hace siempre lo segundo. Le das un texto plano y devuelve la entonación más frecuente para esas palabras. La que valdría para cualquiera que las dijese, en cualquier contexto. Es el promedio automatizado en su versión sonora.

No es un fallo tuyo. Y ahí no hay avería: sin dirección, un modelo solo puede aproximar. La herramienta produce probabilidad. La dirección produce identidad.

En el repaso de los fallos con VEO 3 ya vimos que una herramienta de imagen no salva un vídeo sin dirección. Con el audio ocurre igual, solo que tarda más en verse. Una imagen genérica se detecta. Una locución genérica se nota cuando el espectador ya se ha ido.

¿Cómo hacer que ElevenLabs suene natural?

Partiendo el guion en bloques de cuatro a ocho segundos y declarando en una palabra qué hace cada bloque —corrige, diagnostica, revela, advierte, recompensa— antes de abrir la herramienta. Los parámetros se eligen después, como consecuencia de esa palabra. Una voz suena natural cuando sabe qué está diciendo.

Una partitura no dice qué notas hay. Dice cuáles pesan

Las notas ya están en el texto. Cuando empecé con esto, pegaba el guion entero de una vez, le daba a generar y luego me quejaba de que aquello sonaba a megafonía de estación. La megafonía era yo. Nueve minutos de texto sin una sola indicación de qué hace cada trozo.

Un bloque de diagnóstico no puede sonar igual que un cierre. Y si generas nueve minutos seguidos, no va a sonar distinto: el modelo arrastra el tono del bloque anterior. Eso no es un límite del modelo. Es lo que pasa cuando le pides interpretar un texto que nadie ha dividido.

Las cinco capas de la partitura vocal

Ninguna de las cinco es un ajuste. Cuatro se escriben antes de abrir la herramienta.

• Contexto acústico. Se declara una vez para todo el vídeo. Aquí es siempre el mismo: taller cerrado, sin eco de sala, sin reverb de documental. Si no lo declaras, cada bloque negocia su propio espacio y el vídeo acaba sonando grabado en tres sitios distintos.
• Texto segmentado. Bloques de cuatro a ocho segundos. Ni el guion entero ni frases sueltas.
• Intención por bloque. Una palabra. No dos.
• Parámetros. La única capa con números, que es exactamente el motivo de que casi todo el mundo empiece por aquí. Un bloque de diagnóstico va estable y seco porque el diagnóstico no se interpreta. Un bloque que corrige una creencia va menos estable, porque la corrección necesita relieve. El número es consecuencia de la intención. Nunca al revés.
• Continuidad. Cada bloque declara si sube, baja o mantiene la temperatura respecto al anterior. Con dos reglas duras: no mover la similitud más de una décima entre bloques consecutivos, y no saltar de un extremo de la estabilidad al otro sin un bloque de transición en medio. Si lo haces, quien escucha no sabe por qué, pero nota que la persona ha cambiado.

La decisión que no está en ningún panel

Este canal no tiene una voz. Tiene dos.

La principal es la de siempre. La segunda es más seca y más lenta, y no entra cuando me apetece variar el registro. Entra cuando el guion hace una de tres cosas: diagnosticar, auditar en voz alta, o leer el lado sin dirección de un contraste. Fuera de esas tres, no aparece nunca. Esa frontera describe la voz mejor que cualquier lista de adjetivos sobre cómo suena.

El último vídeo tiene siete bloques. La segunda voz aparece en tres. No por variedad: porque tres de esos siete son diagnóstico. La asignación no se decide en el momento. Está escrita, y por eso es la misma en el vídeo de hace tres meses y en el de la semana que viene.

Y una regla pequeña que evita el error más caro: el cambio de voz ocurre solo en el límite de un bloque. Nunca a mitad de frase. A mitad de frase no se lee como estilo. Se lee como un fallo de montaje.

Los dos audios, otra vez

Los mismos. No toqué nada de la herramienta entre uno y otro. El primero es el texto pegado entero con los parámetros por defecto. El segundo es ese mismo texto en un bloque de ocho segundos, con una intención declarada y la voz que le tocaba a ese bloque. Once palabras escritas antes de abrir ElevenLabs.

Y lo que se oye al comparar no es que el segundo suene mejor. Es que el segundo sabe lo que está diciendo.

Treinta segundos y un papel

Coge los primeros treinta segundos de tu próximo guion. Pártelos en bloques de ocho segundos. Al lado de cada uno escribe una palabra: qué hace ese bloque. Nada más. Y no abras la herramienta hasta tenerlo. Si te atascas, respóndete antes una sola pregunta: ¿qué frases de tu guion no dirías nunca en tono neutro? Lo que descartes ahí es media partitura.

La IA no empieza en el prompt. Empieza en la dirección. Y con el audio tampoco empieza en el panel: empieza en la partitura que ya existe antes de abrirlo. Lo siguiente es dónde vive esa partitura, porque a estas alturas ya no es una nota suelta al margen: es un documento con sitio fijo.