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 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
IA EDITAR Y MEJORAR AUDIO
	Corrige tus errores	Ir a Descript
	Adobe Podcast	Ir a Adobe Podcast
IA CREAR MÚSICA
	Crea tu propia música	Ir a Mubert

Aclara tus primeras dudas sobre audio IA

Inteligencia artificial texto a voz

Muy, muy atrás quedaron aquellas voces sintéticas tipo Loquendo, tan automatizados que hasta para risa daban. Hoy la inteligencia artificial Text‑to‑Speech o conversión de texto a voz natural (T2T) genera muy creíbles voces en off mediante el uso de técnicas de procesamiento del lenguaje natural y de aprendizaje automático.

Acá no están todas las que son ni son todas las que están (¡poner todas las actuales aplicaciones llevaría una web completa!), sino las mejores herramientas de inteligencia artificial de texto a voz, que potenciarán tu productividad como infoproductor o creador de contenidos y productos digitales:

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.

• Play.ht 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.

• Más de 110 voces en 15 idiomas.
• 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:

• Biblioteca en crecimiento de más 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.

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.

Inteligencia artificial audio a texto

Además de brindar una mayor accesibilidad para personas con discapacidad auditiva y resolver la duda de cómo convertir un audio de voz en texto, los programas de inteligencia artificial Speech-to-Text o de audio a texto (A2T) ofrecen muchos beneficios para los creadores de contenido e infoproductores como la transcripción automática de entrevistas y discursos, generación de subtítulos automáticos para videos de cursos online creados también con IA, tutoriales y contenido multimedia, así como trascripción de podcast para crear artículos de blog.

Whisper, IA transcribir y traducir audio

Whisper es una herramienta de inteligencia artificial para transcribir y traducir entrevistas, podcasts o conversaciones, desarrollada por OpenAI y cuya eficacia destaca entre las aplicaciones para transcribir audios. Este modelo de ASR (Automatic Speech Recognition) 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 para mejorar audio

Las utilidades de la inteligencia artificial para mejorar el audio va desde la eliminación de ruido ambiental (si grabas un podcast en un café o en la calle, la IA elimina el ruido de fondo y los ecos para obtener un sonido más claro y profesional), hasta aplicar efectos para obtener un sonido más nítido y claro. A continuación los recursos IA más resaltantes en este campo… por el momento.

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, 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: una vez que tienes tu audio o video en formato de texto, puedes ajustarlo para que suene más natural, eliminar los errores de pronunciación, insertar pausas y ajustar 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.
• Elimina ruido, mejora el habla y genera efectos de sonido con un solo clic.

Planes y precio de Descript

La versión gratuita de esta aplicación ofrece una buena de empezar a dominarlo y disfrutar de hasta 1 hora de audio y almacenar archivos de hasta 10 minutos, con un límite de almacenamiento en la nube de 5 GB.

Si estás listo para llevar tu chispa creativa al siguiente nivel, 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, además de ausencia de marcas de agua en los vídeos exportados.

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.

• Una interfaz intuitiva que permite a los usuarios editar archivos de audio y agregar efectos de sonido de manera sencilla.
• 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.
• Se integra con Enhance Speech para aumentar la claridad al eliminar el ruido de fondo y agudizar las frecuencias de la voz, de tal que forma que suena como si el audio hubiera sido grabado en un estudio profesional.
• 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

Aun en fase beta, deberás acceder a tu cuenta de Adobe.

IA para crear música

Las opciones con que los creadores de contenido pueden aprovechar las herramientas IA para crear música van desde un podcaster o creador de curso online que desee añadir una banda sonora personalizada para su programa o curso, el autor de audiolibros que quiera generar música que se ajuste al contenido de su obra, o un desarrollador de aplicaciones móviles para crear sonidos y melodías para un juego o aplicación. En general, ¡las posibilidades son casi infinitas!

Mubert

Mubert es un software de inteligencia artificial diseñado específicamente para la generación automática de música, para lo que recurre a la técnica llamada aprendizaje profundo con el fin de analizar y comprender patrones y características musicales, y luego generar melodías y arreglos de forma autónoma.

Con el Generador de Mubert puedes crear tu propia pista original desde cero introduciendo un mensaje de texto o seleccionando un modo, género y duración, hasta un estado de ánimo más una breve descripción de tu contenido. Otra opción creativa es a partir de imágenes creadas con IA.

No necesitas ser un músico profesional: puedes inspirarte con la herramienta «Buscar por referencia» (beta), que se conecta a cualquier vídeo de YouTube y crea canciones basadas en esa fuente. A la vez, la plataforma ofrece listas de reproducción exclusivas, e incluso la opción de generar colecciones similares.

• Mubert genera música en tiempo real basada en un conjunto de reglas y parámetros especificados, es decir, posibilita crear melodías y arreglos de manera autónoma, y cambiar los parámetros para generar nuevos estilos y sonidos.
• Personaliza la música generada mediante la configuración de parámetros como el género, el ritmo y la tonalidad, así como configura el tiempo de la música generada y la complejidad de las melodías.
• Se integra con una variedad de servicios, como plataformas de streaming y aplicaciones móviles, para generar música en tiempo real en respuesta a los usuarios y las acciones.
• Mubert también proporciona una interfaz para programadores que quieran añadir música a sus aplicaciones.

Planes y precios de Mubert

Con la versión de prueba generarás hasta 25 pistas mensualmente, aunque se requiere atribución (incluido el hashtag #mubert). Ya para empezar más formalmente, el plan Creador parte con $14 mensuales para crear 500 pistas en ese mismo lapso.

MuseNet, del revolucionario OpenAI

De la mano del ahora gigante OpenAI, MuseNet se jacta de su red de aprendizaje profundo capaz de generar infinitas composiciones musicales de 4 minutos utilizando 10 instrumentos diferentes.

Con su capacidad para combinar los estilos desde los compositores clásicos hasta la música country moderna, MuseNet crea música original sin ninguna intervención o interferencia humana.

¿Cómo lo consigue? Bueno, MuseNet echa mano de una tecnología similar a la GPT-2. Tras estudiar cientos de miles de archivos MIDI, aprende patrones relacionados con la armonía, el ritmo y el estilo de composición, lo que permite a la IA crear piezas musicales desde cero.