
Cómo crear una voz en off con ElevenLabs: del texto al audio
Aprende a convertir un guion en una narración natural en español con ElevenLabs, elegir el modelo, descargar audio y revisar los permisos.
Enlace de afiliación: Claim26 puede recibir una comisión. La guía describe documentación oficial y no afirma haber probado la narración con una cuenta propia.
Para qué sirve una voz en off generada con texto
Una voz en off explica o narra una historia mientras se muestran imágenes, una presentación o una pantalla. La función Text to Speech de ElevenLabs permite escribir el guion y obtener un audio hablado sin grabarte delante de un micrófono. Es útil para vídeos educativos, presentaciones o instrucciones, siempre que el texto sea tuyo o tengas permiso para utilizarlo.
No confundas esta función con Dubbing, que trabaja con audio o vídeo existente para traducir o sustituir voces, ni con Scribe, que convierte una grabación en texto. En este tutorial imaginaremos un vídeo de cuarenta segundos para una pequeña academia de idiomas en España; es un ejemplo editorial, no una prueba realizada con una cuenta real.
Prepara un guion pensado para escucharse, no solo para leerse
Antes de abrir ElevenLabs, divide tu mensaje en una introducción, un beneficio concreto y una conclusión. Evita frases interminables, acrónimos sin contexto y cifras difíciles de pronunciar. Una narración breve gana claridad cuando cada oración contiene una sola idea que se pueda entender sin volver atrás.
Para el ejemplo de la academia, la primera frase podría ser: «¿Te cuesta encontrar tiempo para practicar inglés? En nuestras clases breves trabajarás conversaciones reales, paso a paso». Después explica qué hará el estudiante y cierra con una invitación verificable, nunca con resultados inventados o promesas como «domina el idioma en siete días».
Ejemplo de guion de unos treinta segundos en español
Puedes usar este texto original de muestra: «Aprender un idioma no tiene por qué ser complicado. Practica diez minutos al día con ejercicios claros y conversaciones del mundo real. Descubre las actividades, elige tu nivel y avanza a tu ritmo. Consulta nuestro programa y decide si encaja contigo». No anuncia una oferta concreta ni refleja una grabación de una empresa real.
Este guion sirve para comprobar pausas entre ideas, articulación de la palabra «ejercicios» y naturalidad del cierre. La duración final depende del ritmo de la voz elegida: no afirmes que dura exactamente treinta segundos hasta medir el archivo generado. Sustituye las frases por información real de tu proyecto antes de publicar.
Paso 1: abre Text to Speech y pega una muestra
En ElevenLabs, entra en Text to Speech dentro del área de creación de voz. Pega primero un fragmento representativo de tu guion, no una narración de veinte minutos. La guía oficial describe este orden: escribir el texto, escoger una voz, ajustar opciones cuando corresponda y pulsar Generate o Generate Speech.
Si el texto contiene un nombre propio o una palabra regional importante, inclúyelos desde la primera muestra. El objetivo es escuchar la pronunciación antes de gastar créditos con el proyecto completo. No des por hecho que ver una previsualización de una voz de catálogo equivale a generar gratuitamente tu texto personalizado.
Paso 2: elige una voz española adecuada para tu público
ElevenLabs ofrece voces con distintos timbres, edades percibidas, estilos y acentos. Para una audiencia española puedes priorizar una voz que suene natural en español de España; para público de México u otros países, escucha si el acento regional encaja con el mensaje y con el vocabulario del guion.
El texto determina el idioma del contenido y la voz elegida influye en la pronunciación y el acento. Comprueba cómo dice nombres propios, números y palabras de otra lengua antes de seleccionar tu voz definitiva. No necesitas clonar la voz de otra persona para crear una narración: empieza por una voz de biblioteca cuyo uso esté permitido.
Paso 3: compara Eleven v4, Multilingual v2 y Flash
La documentación de ElevenLabs presenta Eleven v4 como un modelo expresivo compatible con más de noventa idiomas y apropiado para narraciones. Multilingual v2 se orienta a voces consistentes y proyectos largos; Flash v2.5 prioriza una generación rápida y suele ser interesante cuando importan más la velocidad y el coste que los matices artísticos.
Utiliza el mismo fragmento de guion y la misma voz al comparar modelos disponibles en tu plan. La mayor cifra de idiomas admitidos no garantiza el mejor resultado en una voz concreta. Para un tutorial en español importa más que se comprendan todas las palabras y que el ritmo resulte creíble que el nombre de la versión del modelo.
Paso 4: ajusta estabilidad y similitud sin perseguir un número mágico
Cuando el modelo lo permite, Stability controla la constancia de la interpretación entre generaciones y Similarity la fidelidad al carácter de la voz elegida. Ajustar mucho un control puede cambiar la expresividad o la coherencia; los valores concretos no funcionan igual para todas las voces y todos los modelos.
En Eleven v4 están disponibles estabilidad y similitud, pero no los antiguos controles de velocidad y estilo de otros modelos. Tampoco admite SSML. Empieza con los ajustes propuestos por el sistema y modifica un elemento a la vez para saber si la voz mejora de verdad, en lugar de copiar supuestos valores perfectos publicados sin contexto.
Paso 5: genera el audio y escucha los puntos difíciles
Pulsa Generate Speech cuando el texto, la voz y el modelo estén elegidos. El servicio crea una nueva versión hablada que podrás reproducir desde su interfaz. Escucha el comienzo y el final del archivo, los acentos, la pronunciación de cifras, los nombres de marca y cualquier cambio inesperado de volumen o emoción.
Cada generación puede variar porque estos modelos no son completamente deterministas. Antes de volver a generar toda una página por una sola palabra mal dicha, identifica el fragmento exacto. Cambiar el guion para escribir un número con letras o simplificar una frase suele ofrecer un control más claro de la dicción.
Cómo corregir fechas, siglas y pronunciaciones extrañas
El sistema puede interpretar mal abreviaturas, símbolos y términos poco frecuentes. La propia documentación de Text to Speech recomienda escribir los números con palabras y evitar ciertos caracteres cuando se busca una pronunciación especialmente fiable, aunque el producto también aplica normalización automática en su interfaz.
Si aparece «IA» en un texto técnico, escucha si la voz pronuncia las iniciales o crea una palabra extraña. Puedes reformularlo como «inteligencia artificial» cuando el sentido lo permita. Para apellidos y marcas, prueba la ortografía que necesitas y compara el audio con la pronunciación oficial; no cambies los nombres propios del contenido final.
Controlar pausas, emoción y efectos sin fingir una grabación real
La puntuación, la longitud de las oraciones y los indicios emocionales del texto influyen en la interpretación. Algunos modelos admiten etiquetas de audio como [sighs] para describir reacciones, pero no todas las versiones comparten los mismos controles. Consulta la documentación del modelo activo antes de copiar instrucciones de una guía antigua.
Para una voz en off informativa, una pausa entre dos ideas suele ser más útil que un dramatismo permanente. ElevenLabs también ofrece efectos de filtro, distancia o ambiente en Text to Speech: pueden simular un teléfono o una sala, pero no sustituyen el montaje y la mezcla de sonido de un vídeo.
Descargar la voz: MP3, WAV, M4A y FLAC
Después de generar el archivo, puedes usar el botón de descarga situado en el panel de Text to Speech. Si quieres recuperar una versión anterior o elegir un formato más específico, abre el historial de generaciones y el menú Download. La ayuda oficial menciona MP3 de 128 kbps y WAV como opciones visibles y otros formatos dentro de Advanced.
Para un vídeo destinado a redes sociales, MP3 suele ser una opción práctica. WAV o FLAC pueden encajar mejor si continuarás editando y quieres evitar recomprimir repetidamente la pista. Elige el formato según la compatibilidad con tu editor, la calidad disponible en la cuenta y el uso final; cambiar de extensión no corregirá una mala pronunciación.
Integrar la narración en el montaje de vídeo
Importa la pista generada en el editor que utilices y alinea su comienzo con la secuencia visual. Revisa que la narración no tape música, instrucciones del vídeo o sonidos importantes. Comprueba que la frase final termina antes del cierre de imagen y deja un pequeño margen para que el espectador entienda la llamada a la acción.
Para el ejemplo de la academia, muestra una actividad práctica mientras la voz la explica y no una sucesión rápida de pantallas que contradigan lo narrado. Si cambia el guion durante el montaje, conserva las versiones anteriores con nombres claros y revisa el resultado final tanto con auriculares como con un altavoz normal.
Créditos: por qué conviene trabajar con muestras pequeñas
Generar audio consume los créditos aplicables al plan y al modelo, incluso si al escuchar el resultado decides no descargarlo. ElevenLabs describe condiciones para ciertas regeneraciones gratuitas en la interfaz web, pero no debes suponer que todas las pruebas o cambios de texto serán gratis.
Antes de convertir un curso entero en narración, consulta el saldo, la estimación mostrada por la herramienta y las reglas de regeneración de tu cuenta. Divide proyectos largos en capítulos coherentes y guarda el guion usado en cada versión. Un audio mejor preparado reduce el riesgo de consumir créditos por corregir detalles previsibles.
Plan gratuito y licencia comercial: no confundas ambas cosas
La documentación actual de ElevenLabs diferencia el uso personal gratuito del uso comercial disponible mediante planes de pago sujetos a sus condiciones. Si una voz en off se utiliza en publicidad, un curso vendido, una marca o un vídeo monetizado, revisa la licencia que corresponde a la generación concreta antes de publicar.
No compres un plan solo porque una captura antigua presenta una función como premium: consulta las condiciones vigentes y asegúrate de que la licencia cubre tu caso real. Aunque el servicio genere el archivo, también debes tener derechos sobre el guion, las imágenes, la música y cualquier voz clonada; nunca uses una identidad vocal ajena sin autorización.
Cuándo utilizar Studio, Dubbing o Scribe en lugar de Text to Speech
Text to Speech resuelve la creación de una pista hablada desde un texto. Si estás preparando una narración de muchos capítulos, las funciones editoriales de Studio pueden facilitar otro tipo de proyecto. Dubbing se centra en traducir audio o vídeo existente, y Scribe en transcribir una grabación a texto.
En un flujo de trabajo real puedes transcribir primero un vídeo, corregir su guion y crear después una narración nueva, pero cada paso puede consumir recursos distintos. Elige una única función cuando tu necesidad sea sencilla: para una voz en off de cuarenta segundos, empezar por Text to Speech evita complejidad innecesaria.
Lista de control antes de publicar la voz en off
Comprueba que el guion dice la verdad, que todas las palabras se entienden, que no aparecen nombres alterados, que la pista está sincronizada, que el archivo descargado es compatible con tu editor y que el volumen final es razonable. Verifica también las reglas de privacidad y las licencias comerciales antes de distribuirlo.
Este tutorial se basa en documentación oficial de ElevenLabs consultada el 10 de noviembre de 2026. El ejemplo de la academia es ficticio y Claim26 no ha generado ni evaluado un audio de prueba en una cuenta real. Por eso no se atribuye a la herramienta una calidad garantizada ni se presentan comparaciones auditivas propias.
Dudas sobre las voces en off con ElevenLabs
¿ElevenLabs puede generar una voz en off en español?
Sí. El español figura entre los idiomas de los modelos multilingües. Elige una voz adecuada para el público y revisa su acento y pronunciación.
¿Qué modelo usar para una narración?
Eleven v4 está orientado a narraciones expresivas; Multilingual v2 puede encajar en proyectos largos y Flash v2.5 prioriza rapidez. Compara una misma muestra.
¿Eleven v4 tiene control de velocidad?
La documentación indica que Eleven v4 ofrece estabilidad y similitud, pero no los deslizadores de velocidad y estilo de otros modelos.
¿Puedo descargar la narración en WAV o FLAC?
Sí. Las descargas se encuentran en Text to Speech y su historial. Según la interfaz puedes seleccionar MP3, WAV y formatos avanzados como FLAC o M4A.
¿Puedo utilizar una voz en off de ElevenLabs comercialmente gratis?
No des por supuesta una licencia comercial con el plan gratuito. ElevenLabs vincula el uso comercial de los audios generados a planes de pago y a sus condiciones.
¿Generar una prueba de audio gasta créditos?
Normalmente sí. La generación consume créditos aunque no descargues el archivo, con ciertas condiciones particulares para regeneraciones desde la web.
Convierte un guion corto en una voz en off que puedas revisar.
Empieza con unas frases, comprueba su pronunciación y descarga el audio solo cuando el resultado y la licencia se ajusten a tu proyecto.
Crear mi voz en off con ElevenLabsEnlace de afiliación: Claim26 podría recibir una comisión. Consulta el aviso de afiliación.