Clonación de voz: cómo conseguir una voz parecida a una grabación

Primero, derechos y consentimiento

Clona tu propia voz o la de alguien que haya dado su permiso. Al encargar una voz confirmas que tienes los derechos sobre las grabaciones y el consentimiento de la persona que habla. Los autores solo publican voces de grabaciones sobre las que tienen derechos y consentimiento.

La licencia de Supertonic 3, OpenRAIL-M, también prohíbe hacerse pasar por otras personas sin su consentimiento. En la práctica: nada de voces de famosos, compañeros o familiares sin su permiso, y guarda ese permiso junto a las grabaciones originales.

Cómo grabar una buena referencia para clonar la voz

La voz aprende de lo que oye, incluidos el ruido y el eco de la sala. Una grabación corta y limpia vale más que una larga con ruido.

• Graba en una habitación silenciosa con muebles blandos: sin música, ventiladores, tráfico ni eco.
• Una sola persona hablando, sin voces superpuestas ni efectos.
• Mantén la misma distancia al micrófono y un volumen estable, sin saturar en las palabras fuertes.
• Habla como debe sonar la voz: un narrador sereno lee con calma, un personaje interpreta.
• Anota el texto exacto de la grabación palabra por palabra, con repeticiones y errores. La web lo pide con cada referencia.
• Duración: de 5 a 10 segundos por referencia para entrenar en el estudio. En un encargo puedes subir archivos WAV, MP3, FLAC u OGG de hasta 30 MB y 10 minutos cada uno, hasta 20 archivos.

Opción 1: encarga la voz a un autor

Si no tienes GPU NVIDIA o tiempo para entrenar, publica un encargo en la sección de encargos de voces.

• Describe la tarea: timbre, forma de hablar, para qué es la voz y cómo valorarás el resultado. Indica el idioma de la voz, un presupuesto de 0,01 a 10 000 dólares y un plazo en días.
• Añade las grabaciones con su texto exacto, confirma tus derechos y publica el encargo.
• Los autores envían propuestas y tú eliges quién hace el trabajo.
• Reserva el presupuesto en tu saldo. Después el autor empieza y entrega una voz entrenada con una demo de audio.
• Acepta el resultado o pide cambios concretos. El autor cobra solo cuando aceptas, y entonces la voz se descarga como archivo JSON. Si el encargo se cancela, el dinero reservado vuelve a tu saldo.

Opción 2: entrena la voz tú mismo

Entrenar en el estudio es gratis si tienes un ordenador con GPU NVIDIA. Se convierte en tu worker: lo conectas con un token personal y solo entrena tus voces.

• Crea una voz y añade una referencia: una grabación limpia de 5 a 10 segundos con su texto exacto. Las referencias son privadas.
• Pulsa Entrenar en la referencia, elige el número de pasos y empieza.
• Compara los checkpoints por sus demos y su parecido, y sigue entrenando el más prometedor.
• Descarga el JSON gratis en la página del entrenamiento. Si quieres, pon la voz a la venta con portada, descripción y precio.

Qué esperar de una voz clonada

El entrenamiento busca un timbre y una forma de hablar cercanos a tu grabación. Cuenta con una voz reconocible, no con una copia perfecta: cuanto más limpia sea la referencia y más se acerque al sonido que buscas, más se parecerá el resultado. Una voz hecha por encargo es privada y el autor no la publica en el catálogo.

A cambio de la espera obtienes un archivo que funciona sin conexión a toda velocidad. Según nuestra estimación, SuperClonica habla entre 6,4 y 9,7 veces más rápido que el tiempo real en un procesador de sobremesa de 8 núcleos, y cada frase parte del mismo timbre. La voz funciona con los 31 idiomas de Supertonic 3; el chino aún no está disponible.

Si necesitas un clon ya mismo a partir de un fragmento corto, los modelos zero-shot lo hacen sin entrenamiento: Qwen3-TTS con 3 segundos de audio, OmniVoice con 3–10 segundos, Chatterbox con un clip de referencia. Sus licencias y requisitos de hardware son distintos; nuestras páginas de comparación los explican.