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.
También llamado: voice clone, voice replication, custom voice
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Una voz clonada permite que un modelo de text-to-speech lea cualquier texto de forma que suene como la persona de la muestra. Entre sus usos están el doblaje, los audiolibros narrados por su autor, restaurar la voz de alguien que ha perdido la capacidad de hablar y los agentes de voz de marca.
Cómo funciona
Investigadores de Baidu describieron en 2018 los dos enfoques principales. La adaptación del hablante hace fine-tuning de un modelo multihablante con unos pocos clips de la nueva voz. La codificación del hablante entrena una red aparte que convierte un clip en un embedding de hablante, una descripción compacta de la voz, que luego sigue el modelo de habla. La codificación no necesita entrenamiento adicional por cada voz, así que es más rápida y barata. Los modelos de TTS zero-shot modernos amplían la idea de la codificación. Servicios alojados como ElevenLabs y modelos abiertos como Chatterbox ofrecen clonación.
Consentimiento y mal uso
Un clon convincente puede usarse para fraudes, como una falsa llamada de un familiar o de un directivo, o para poner palabras en boca de una figura pública. El audio clonado combinado con vídeo es una forma habitual de deepfake. Muchos proveedores piden a los usuarios que confirmen que tienen el permiso del hablante, y algunos añaden marcas de agua al audio. Las leyes sobre el uso de la voz de otra persona varían según el país, así que consulta las normas que te aplican.
Límites
Los clones hechos con muestras cortas pueden no captar el acento, la emoción y los patrones de respiración, y la calidad baja si el audio de origen tiene ruido.
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.
- Deepfake
- Un deepfake es un contenido de imagen, audio o vídeo creado o alterado con IA de forma que muestra de manera convincente a una persona, un lugar o un hecho reales tal como no ocurrieron, y que podría pasar por auténtico.
- Marca de agua de IA
- La marca de agua de IA (AI watermarking) consiste en incrustar una señal oculta y detectable por máquinas en texto, imágenes, audio o vídeo en el momento en que un modelo de IA lo genera, para que un software pueda identificar después ese contenido como generado por IA.
- Modelo speech-to-speech
- Un modelo speech-to-speech (de voz a voz) recibe audio hablado y produce audio hablado directamente, sin convertir antes la voz en texto y de vuelta. Se usa para conversación por voz en directo y para traducción.
- Agente de voz
- Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.