Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Text-to-music

El text-to-music (texto a música) es la tarea de generar audio musical a partir de una descripción escrita, como el género, el estado de ánimo, los instrumentos y el tempo. Algunos sistemas también escriben y cantan letras.

También llamado: AI music generation, music generation, AI song generator

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Describes lo que quieres, por ejemplo "piano lo-fi lento con lluvia suave, 70 bpm", y el modelo devuelve un clip de audio. Servicios centrados en canciones como Suno y Udio pueden generar temas completos con voz a partir de un prompt y una letra.

Cómo funciona

Dominan dos familias. Los enfoques basados en modelos de lenguaje convierten el audio en tokens discretos con un códec neuronal y luego predicen los tokens uno a uno, como un modelo de texto predice palabras. MusicGen de Meta es un ejemplo abierto: un único transformer que trabaja con varios flujos de tokens de audio y puede condicionarse con texto o con una melodía. Los enfoques de difusión, como Stable Audio 3 Medium, generan audio eliminando ruido, de forma parecida a un modelo de difusión de imágenes.

Usos

Música de fondo para vídeos, podcasts y videojuegos, maquetas rápidas para compositores y variaciones sobre un tema. Algunas herramientas pueden alargar un clip, separar pistas o seguir una melodía tarareada.

Términos relacionados

El text-to-music es pariente del text-to-speech: ambos generan audio, pero los modelos de voz buscan palabras claras y los de música buscan ritmo, armonía y timbre.

Límites

Las piezas largas pueden perder estructura, y las letras pueden salir confusas. Los derechos no están resueltos: entrenar con grabaciones protegidas por copyright ha dado lugar a demandas, y las condiciones para el uso comercial de la salida varían según el servicio, así que léelas antes de publicar.

Términos relacionados

Text-to-speech
El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.
Modelo de difusión
Un modelo de difusión (diffusion model) es un modelo generativo que aprende a convertir ruido aleatorio en datos, como una imagen, eliminando un poco de ruido cada vez a lo largo de muchos pasos.
Modelo autorregresivo
Un modelo autorregresivo genera una secuencia pieza a pieza, prediciendo cada token siguiente a partir de todos los tokens anteriores y volviendo a introducir esa salida. La mayoría de los modelos de lenguaje grandes funcionan así.
Clonación de voz
La clonación de voz (voice cloning) es el uso de IA para que un sistema de text-to-speech hable con la voz de una persona concreta, aprendida a partir de una grabación de esa persona. Algunos sistemas solo necesitan una muestra corta.
Licencia del modelo
La licencia del modelo (model license) son los términos legales bajo los que se pueden usar, modificar y compartir los pesos de un modelo, y a veces su código y sus datos. Van desde licencias abiertas permisivas hasta licencias no comerciales o restringidas a medida.

Fuentes