Programas IA para mejorar audio, ir de texto a voz y ¡todo lo que suene!

Hoy es impensable crear productos digitales sin echar mano de las aplicaciones basadas en IA para audios: desde clonar tu voz para narrar tu audiolibro acompañado de una melodía original creada también con inteligencia artificial, mejorar el sonido de tu curso online, hasta convertir el audio de un podcast en una entrada de blog (o viceversa), con las herramientas IA para audios no hay límites para llevar un mismo contenido a varias plataformas. Y, de la mano de tanta versatilidad, aumentar los ingresos.

Respuesta rápida

IA EDITAR Y MEJORAR AUDIO

	Corrige tus errores	Ir a Descript
	Adobe Podcast	Ir a Adobe Podcast
	Fácil y gratuito	Ir a MyEdit

IA DE TEXTO A VOZ

	Audios que respiran	Ir a Play.ht
	Especial para audiolibros	Ir a Murf
	Voces dramáticas	Ir a Blakify
	Cloud Text-to-Speech	Ir a Google Cloud
	Text to Speech	Ir a Azure
	VALL-E clona tu voz	Ir a VALL-E

IA DE VOZ A TEXTO

Traducir y transcribir

Ir a Whisper

Adobe Podcast

Dicho sin muchas vueltas, Adobe Podcast hace que las grabaciones de voz suenen como si se hubieran grabado en un estudio profesional. Parte de la suite de herramientas de Adobe Creative Cloud, Adobe Podcast está disponible para Mac y Windows.

La herramienta Enhance Speech mejora el sonido con inteligencia artificial aumentando la claridad al eliminar el ruido de fondo y agudizando las frecuencias de la voz, de tal forma que suena como si el audio hubiera sido grabado en un estudio profesional.

Hicimos una prueba un poco exagerada con mucho ruido ambiental -¡como si hubiese grabado el audio en medio del tráfico!- y los resultados son más que aceptables. Escucha la prueba con los 5 primeros segundos del sonido original, y luego el audio arreglado con Enhance Speech:

¿Qué tal? Además de esta opción, Adobe Podcast ofrece las siguientes posibilidades:

• Una interfaz intuitiva que permite a los usuarios editar archivos de audio y agregar efectos de sonido de manera sencilla.
• La inteligencia artificial para mejorar audio de Adobe Podcast también ofrece recursos de edición avanzadas como el procesamiento de sonido, la ecualización, la eliminación de ruido y la normalización del volumen.
• Grabar con otros es fácil: tras compartir un enlace, el audio de cada uno se graba en su propio dispositivo y, a continuación, Adobe Podcast lo sincroniza automáticamente en la nube.
• La función Mic Check’d te indicará paso a paso cómo configurar tu micrófono.
• Si eres usuario de Adobe, esta herramienta se integra con otras aplicaciones de la suite, como Adobe Audition, Adobe Premiere Pro, Adobe After Effects.

Planes y precio de Adobe Podcast

Actualmente, el servicio es gratis y únicamente se necesita un navegador web y una cuenta de Adobe. Después de iniciar sesión en tu cuenta de Adobe, carga tu archivo de audio en formatos MP3 o WAV, que no exceda de una hora de duración o 1 GB de tamaño.

Para contar con el resto de prestaciones de Adobe Podcast, deberás agregarte a una lista de espera. Hasta que seas aprobado, puedes probar las funciones Enhance Speech y Mic Check. 

Descript corrige tus errores

Descript es una navaja suiza. Las funcionalidades de esta herramienta “todo en uno” centraliza diversas herramientas de edición de audio y vídeo, desde la transcripción de audio en 22 idiomas, plantillas de video para redes sociales, mejorar la calidad de la voz, hasta la creación de audiogramas si quieres publicar un podcast en YouTube.

Enfocándonos en lo que viene a cuento en esta página, la creación de audio con IA, me llama la atención la posibilidad de cargar o grabar tus archivos multimedia y transcribirlos automáticamente a texto, para luego editar tu contenido como si trabajaras con un archivo de Word.

Me explico: para mejorar la calidad de un audio con inteligencia artificial, una vez que lo tienes en formato de texto, ajústalo para que suene más natural, eliminando los errores de pronunciación, insertando pausas y ajustando la velocidad de la voz. Así Descript confirma que sí hay segundas oportunidades en la vida. Entre sus prestaciones también están:

• Transcribe automáticamente el audio de un video a texto.
• La IA para mejorar audio de Descript elimina ruido, mejora la calidad del audio y genera efectos de sonido con un solo clic.
• La posibilidad de clonar tu voz, una amplia biblioteca de efectos de sonido, así como la opción de grabar la pantalla y si tu podcast tiene una grabación de video, utiliza la función de múltiples cámaras de Descript para cambiar entre diferentes ángulos de cámara durante la edición y darle más dinamismo visual a tu creación.

Planes y precio de Descript

La versión gratuita ofrece hasta 1 hora de audio y la opción de almacenar archivos en la nube de hasta 10 minutos, con un límite de 5 GB. A su vez, el plan Creador, por $12 al mes, da acceso a funciones de exportación de archivos por lotes, límites de duración de publicación de vídeo de hasta 1 hora, páginas y enlaces compartibles, y te elimina las marcas de agua en los vídeos exportados.

MyEdit

MyEdit es una herramienta online gratuita a la que se accede directamente desde el navegador web. Una de sus principales ventajas es su facilidad de uso y funcionalidades básicas pero muy prácticas para mejorar audio con inteligencia artificial:

• La herramienta de “Remover Ruido de Fondo “, como si nombre lo indica, elimina cualquier ruido de fondo no deseado de tus pistas de audio.
• Con el Removedor Vocal aísla las voces de una canción, extrae instrumentos o crea una versión de karaoke de cualquier pista de audio sin perder calidad de sonido.
• Su función de “Removedor de Viento” es útil para quienes graban audio en exteriores, ya que elimina el molesto sonido del viento en la post-producción.
• La función de “Cortador de Audio” permite recortar el marco o la longitud de tus archivos de audio directamente en tu navegador.

Aunque la herramienta “Remover Ruido de Fondo ” no es tan potente como la de Adobe Podcast, lo que más me llamó la atención fue la función Modulador de Voz, que cambia el tono y hasta el ¡género del locutor!, buena opción para darles diferentes voces a los personajes de un audiolibro o una entrevista.

Aunque por los momentos el Modulador de Voz de MyEdit no tiene voces en español, sí hay una variedad que lo simula bastante bien. Acá una prueba con los primeros 5 segundos de nuestra locución original masculina, más el resto del audio versionado con la voz femenina de Sachiko:

Planes y precios de MyEdit

MyEdit es completamente gratuito ni tampoco deberás descargar o instalar nada de manera local en el ordenador. La única contra es el límite del sonido, que no debe superar los 10 minutos de duración, y una sola descarga al día.

Play.ht, audios que respiran

Este poderoso editor de texto a audio online cuenta con más de 7000 usuarios que emplean la plataforma para funciones sofisticadas como añadir más de una voz en el mismo archivo de audio para que suene como una conversación real, hasta insertar duraciones de pausa personalizadas para los signos de puntuación.

Acá una breve prueba que he hecho con esta poderosa herramienta que ofrece más de 900 voces en 80 idiomas diferentes:

• Entonaciones que van desde acento retro para narrar contenido dramático, o acento conversacional para narrar contenido de formato largo como audiolibros, webinars y tutoriales.
• Puedes controlar cómo se pronuncian las palabras utilizando el IPA, y guardar estas pronunciaciones personalizadas en tu biblioteca para utilizarlas más tarde.
• Audios descargables en formato MP3 y WAV.
• Derechos comerciales gratuitos para todos los audios creados.
• También ofrece la clonación de tu propia voz, aunque por los momentos el inglés es el único idioma admitido.

Planes y precios de Play.ht

Para la prueba gratuita cuentas con 600 palabras y 3 descargas de audio. Si quiere ascender a Plan Personal, este cuesta $14,25 mensuales para 240.000 palabras al año, voces estándar y vistas previas de audio.

Puedes distribuir el audio que hagas o subas a tu tablero de Play.ht en todos los grandes sitios web de podcasts, como iTunes, Spotify y Google Podcasts, tal como lo explica en el siguiente video la propia gente de Play.ht:

Murf, dosifica el dramatismo

Tanto si necesitas la voz de un narrador para cautivar a una multitud como si requieres una narración para un videotutorial, Murf se caracteriza por generar un abanico de voces personalizadas adaptadas específicamente a cada proyecto individual.

Y, por supuesto, acá mi prueba de una de entre las más de más de 110 voces en 15 idiomas que ofrece Murf:

• Murf cuenta con una herramienta de comprobación de la calidad de las locuciones a utilizar incluso con un plan gratuito para probar antes de comprometerte.
• Personalización de la locución añadiendo énfasis a palabras específicas, ajuste del tono, inclusión de pausas y manejo de la velocidad de las voces en off de acuerdo con la situación.
• El software también ofrece una opción para añadir una imagen de perfil a las voces generadas, lo que facilita su personalización.
• Crear segmentos de audio separado para narrar cada escena de un video.

Planes y precios de Murf

La prueba gratuita permite 120 voces 10 minutos de generación de voz 10 minutos de transcripción; y aunque no se requiere tarjeta de crédito, tampoco permite descargas. Ya el Plan Básico, a $13 mensuales, ofrece descargas ilimitadas, acceso a 60 voces básicas y 10 idiomas, 24 horas de generación de voz por usuario/año, así como derechos de uso comercial de 8000 bandas sonoras.

Blakify, especial para audiolibros

Si eres autor o lector y buscas una forma económica de narrar tu libro, Blafiky ofrece 5000 caracteres gratis para probar la herramienta y sus varias prestaciones.

Presta atención un sobrio ejemplo que hice entre el alrededor de 700 voces que hablan en 70 idiomas y acentos diferentes:

• Opciones profesionales para el énfasis en la pronunciación, con voces para cada ocasión, desde tranquilas y profesionales hasta emocionadas y eufóricas.
• Cambiar tu guion pulsando apenas un botón.
• Cargar los archivos en un sistema de Respuesta de Voz Interactiva o IVR, lo que le permitirá tener un mayor control al usar la tecnología de telefonía para interactuar con los clientes mediante el sistema de atención al público mediante menús de voz configurables.

Planes y precious de Blakify

Compra única de $67, con garantía de devolución de dinero de 60 días.

Google Cloud Text-to-Speech

Google Cloud Text-to-Speech es un servicio de Google Cloud para convertir texto en discurso sintético, e integrarlo con otras aplicaciones y servicios mediante una API para automatizar tareas de generación de discurso.

• Más de 220 voces entre las que elegir para alrededor de 40 idiomas y variantes lingüísticas.
• Genera un modelo de sonido único utilizando grabaciones de audio propias para lograr una voz más natural. Así, eliges entre varios perfiles de voz y las adaptas a los cambios necesarios sin grabar más palabras.
• Personaliza el tono de la voz elegida con un rango de hasta 20 semitonos por encima o por debajo de la configuración por defecto.
• Modifica la velocidad de habla para acelerar o desacelerar el discurso.
• Utilizar etiquetas SSML (Speech Synthesis Markup Language) para modificar la pronunciación de palabras y añadir pausas, números, fechas y horas, entre otras opciones.

Text to Speech, de Azure

Azure Text to Speech es un servicio de Microsoft basado en la nube ideal para darle voz a libros electrónicos, podcast y cursos online, permitiendo a los desarrolladores personalizar sus aplicaciones con pronunciaciones a la carta.

• 400 voces neuronales en 140 idiomas y dialectos, con estilos diferentes de hablar: desde lectores de texto con tonos expresivos hasta bots de chat de atención al cliente.
• Desarrolla una voz más realista para interfaces conversacionales naturales utilizando la funcionalidad Custom Neural Voice, a partir de 30 minutos de audio.
• Aumenta el dramatismo ajustando la velocidad y el tono con el lenguaje de marcado SSML (Lenguaje de marcado de síntesis de voz).
• La opción de ejecutar Text to Speech ya sea en la nube, en el entorno local o en contenedores.
• A la par, el set de aplicaciones de Azure también ofrece la herramienta Speech to Text, para convertir la voz en texto; Speech Translation, para traducir; y Speaker Recognition, recurso para identificar a las personas que hablan en determinado audio.

Precio Text to Speech

Pagas en función del número de caracteres que conviertas en audio.

VALL-E, clonador de voces

Como se ve, Microsoft no piensa quedarse atrás en el tema y lanzó al ruedo VALL-E, una inteligencia artificial generativa que imita la voz de cualquier persona a partir de solo 3 segundos de audio.

El modelo replica el tono vocal y el entorno acústico del audio original, lo que permite confundir las voces originales y generadas por la IA. Entrenada con LibriLight, una biblioteca proporcionada por Meta con 60.000 horas de grabaciones pertenecientes a 7.000 personas, la aplicación aún no está abierta al público.

Whisper, IA transcribir y traducir audio

Docenas de horas, ¡días enteros de trabajo! me ha ahorrado Whisper al momento de transcribir audios para la creación de libros por contrato. Esta herramienta de inteligencia artificial para transcribir y traducir entrevistas, podcasts o conversaciones, desarrollada por OpenAI, detecta el idioma en el que cualquier persona hable y transcribe el audio a la misma lengua o al idioma que se elija.

Whisper es más que un desgrabador de audio: entrenada con más de 680.000 horas de audio, la red neuronal Speech-to-Text de Whisper analiza el contexto de los datos de entrada y aprende patrones a traducir en la salida del modelo. Además:

• Whisper puede reconocer a quién habla en el audio y etiquetar el texto generado con el nombre de la persona.
• Se integra en una variedad de aplicaciones, como videoconferencias, grabaciones de entrevistas, etc., facilitando la accesibilidad y la comprensión a través de distintos idiomas.
• Además de estas funciones principales, Whisper también brinda opciones avanzadas como soporte para varios idiomas, control de volumen y velocidad de reproducción, más la posibilidad de personalizar la configuración para adaptarse a las necesidades específicas del usuario.

Planes y precios de Whisper

Whisper es una herramienta OpenSource a la que puedes acceder en Google Colab. Para familiarizarte con esta aplicación, échale un ojo al estupendo video del canal de YouTube Dot CSV, la mejor referencia informativa en español sobre inteligencia artificial y sus imparables novedades:

IA gratis para audio

AudioGen: IA para generar efectos de sonido

Basta introducir un breve prompt en inglés para generar en segundos el sonido que deseemos, desde una puerta chirriando lluvia sobre el tejado o, como te pongo en el siguiente ejemplo, el ladrido de un perro.

Voicebox, voz clonada en segundos

Voicebox puede imitar la voz y emociones de una persona a partir de solo tres segundos de audio. Además, Voicebox puede editar audio pregrabado, eliminar ruidos no deseados como bocinas de carros o lluvia, sin alterar el contenido ni el estilo del audio.

También es posible utilizar un texto en cualquier idioma junto con un clip de audio en tu propio idioma. Voicebox “te hará decir” esa frase en tu idioma nativo, como si fuera tu propia voz.

No obstante, Meta aún no ha puesto Voicebox a disposición del público, ya que quieren continuar investigando en IA y sus inconvenientes para la creación de deepfakes ya que esta tecnología podría ser utilizada para crear engaños, como clonar la voz de alguien para pedirles dinero por teléfono.

Aclara tus dudas sobre IA para audio

Recursos para podcast

Cástor E. Carmona

Periodista egresado de la Universidad del Zulia (LUZ) y comunicador visual. Diplomado en Marketing de Empresas por la Universidad Central de Venezuela. Gerente de Escarpia Producciones y creador de miinfoproducto.com. Autor de los libros La risa se desnuda, Crónicas de lo crónico, El Manual de la Malicia.