Texto a voz con emociones: cómo lograr una voz IA expresiva
El habla plana sirve para un manual, pero una historia, una frase de juego o un tráiler necesitan emoción: entusiasmo, enfado, calma, miedo, sarcasmo. Algunos servicios de texto a voz ofrecen etiquetas de emoción; Supertonic 3, el modelo abierto que usa SuperClonica, no. Su emoción sale de tres cosas que tú controlas.
Esta guía explica cómo conseguir un habla expresiva con honestidad: eligiendo la voz adecuada, entrenando una voz a partir de una grabación interpretada con la emoción que necesitas y escribiendo el texto como debe sentirse. Cada voz se puede probar gratis con tu propia frase.
De dónde viene la emoción
No hay un control deslizante de alegría o enfado, así que planifica la emoción antes de generar el texto.
- La voz: cada voz conserva el estilo de la grabación de la que se hizo, tranquila, viva, sombría o saltarina.
- La referencia: una voz entrenada con una grabación enfadada, susurrada o alegre dice cualquier texto con ese ánimo.
- El texto: la puntuación, la longitud de las frases y las palabras marcan la entonación y la energía.
Elige una voz expresiva
Las descripciones del catálogo dicen cómo entrega cada voz sus frases: uniforme, viva, a saltos, contenida, sigilosa. Para energía, elige voces descritas como vivas o enérgicas, como narradores enérgicos y muchos personajes de juegos y dibujos. Para calma y calidez, voces graves y uniformes. Para amenaza, los villanos de entrega grave y pausada funcionan mejor.
Escribe la emoción en el texto
El modelo lee la frase entera de una vez, así que la puntuación cambia la melodía de la oración, no solo las pausas.
- Entusiasmo: frases cortas y signos de exclamación.
- Calma: frases más largas, puntos, sin exclamaciones.
- Duda o suspense: puntos suspensivos y comas para las pausas.
- Preguntas: el signo de interrogación sube el final de la frase.
- Carácter: las palabras que alguien diría de verdad en ese estado.
Entrena una voz con la emoción que necesitas
Para un ánimo concreto que ninguna voz tiene, graba una referencia limpia de 5 a 10 segundos interpretada con ese ánimo, con su texto exacto, y entrena una voz con ella en el estudio en un ordenador con tarjeta gráfica NVIDIA, o encárgala en la bolsa. Varias voces de un mismo hablante, tranquila, enfadada y susurrada, permiten cambiar de emoción frase a frase.
Prueba y genera sin conexión
En la página de cualquier voz, escribe tu frase de 30 a 100 caracteres y pulsa el botón para oír cómo maneja la emoción. Para muchas frases, descarga el archivo de la voz y usa el motor gratuito SuperClonica: python -m pip install superclonica-cpu, y luego superclonica --text "Fuera. Ahora." --voice villano.json --lang es --output frase.wav. Funciona sin conexión en un procesador normal.