ElevenLabs Audio Tags: cómo usar etiquetas de audio en español
Guía práctica para dirigir emociones, susurros y reacciones en voces de ElevenLabs con etiquetas entre corchetes y ejemplos ilustrativos en español.
Enlace de afiliación: Claim26 puede recibir una comisión. Los ejemplos son ilustrativos: no hemos generado ni escuchado audio real para esta guía.
Qué son las Audio Tags y para qué sirven
Las Audio Tags son instrucciones que se escriben entre corchetes dentro de un guion para orientar la interpretación de una voz generada con ElevenLabs. Permiten indicar curiosidad, entusiasmo, susurros, reacciones vocales o cambios de ritmo. No modifican el significado del texto: aportan información sobre cómo debería pronunciarse una frase.
Las etiquetas no son un filtro que se añade al archivo después de crearlo ni una orden que produzca una emoción idéntica en todas las voces. El resultado depende del modelo, de la voz, de la puntuación y del contexto de la escena. Lo importante es probar un fragmento corto y escucharlo antes de generar una pieza completa.
Compatibilidad: Eleven v3, v4 y v4 Turbo
ElevenLabs documenta las Audio Tags tanto para Eleven v3 como para Eleven v4 y recomienda comenzar por Eleven v4. Eleven v4 Turbo también admite estas instrucciones y está diseñado para usos de respuesta rápida. La compatibilidad debe verificarse en la herramienta o el endpoint que realmente vayas a utilizar.
Los identificadores eleven_v3, eleven_v4 y eleven_v4_turbo son nombres de modelo, no etiquetas que debas incluir en tu guion. Si una instrucción no funciona, comprueba primero el modelo seleccionado. Una voz concreta, una interfaz antigua o una integración de terceros puede imponer restricciones adicionales.
- Eleven v4: modelo recomendado para empezar a explorar las etiquetas.
- Eleven v4 Turbo: opción compatible para aplicaciones de baja latencia.
- Eleven v3: también permite interpretar las Audio Tags.
Escribir la primera etiqueta dentro de un texto
Para usar una Audio Tag, escribe una instrucción corta entre corchetes justo antes de la frase a la que debe afectar. Por ejemplo: [curious] ¿Por qué has cambiado de opinión? El contenido hablado permanece en español y la etiqueta orienta el tono de esa pregunta.
Empieza por una frase y una sola instrucción. Después, si necesitas dos emociones en la misma escena, añade una segunda etiqueta en el momento del cambio. Una secuencia sencilla como [calmly] Todo está bien. [surprised] ¡Espera! es más fácil de revisar que una lista larga de órdenes contradictorias.
Etiquetas de emociones: curiosidad, entusiasmo y tristeza
Las etiquetas emocionales ayudan a construir el carácter de una intervención. [curious] puede señalar interés, [excited] entusiasmo, [sad] tristeza y [thoughtful] una reacción reflexiva. ElevenLabs ofrece ejemplos oficiales, pero no existe una escala fija que convierta cada palabra en una intensidad garantizada.
Procura que la emoción tenga sentido dentro de la frase. Si el texto expresa una noticia alegre, [excited] puede ser coherente; si explica un procedimiento delicado, quizá resulte mejor un tono moderado. La claridad de la intención narrativa importa más que acumular etiquetas.
- [curious] ¿Has descubierto qué ocurrió?
- [excited] ¡La idea ha funcionado!
- [thoughtful] Quizá debamos revisar el plan.
- [sad] Hoy ha sido un día complicado.
Indicar susurros, gritos y cambios de intensidad
Las etiquetas de interpretación explican cómo se emite la voz. [whispers] señala un susurro, mientras [shouts] orienta hacia una intervención fuerte. Otras instrucciones naturales, como [softly] o [slowly], pueden expresar suavidad o lentitud. La intensidad no tiene por qué ser idéntica al cambiar de voz.
Si un personaje primero se esconde y después pide ayuda, separa las instrucciones: [whispers] No hagas ruido. [shouts] ¡Ven aquí! No pidas simultáneamente un susurro y un grito en la misma etiqueta. Cuando el resultado pierda naturalidad, simplifica la indicación y vuelve a escuchar.
Añadir risas, suspiros y reacciones humanas
Las Audio Tags permiten proponer reacciones vocales como [laughs], [sighs], [gasps] o [clears throat]. Estas acciones pueden contribuir a una escena más expresiva si aparecen en un momento comprensible. Una risa tras una broma tiene un sentido distinto al de un suspiro antes de una disculpa.
El uso excesivo de reacciones puede distraer al oyente, especialmente en vídeos educativos o explicaciones profesionales. Comprueba el ritmo de todo el fragmento y no presupongas que cada etiqueta se ejecutará con idéntica duración. Los ejemplos de esta guía son ilustrativos; Claim26 no afirma haber realizado grabaciones de prueba.
Eventos de audio y diferencia con los efectos sonoros
Las listas oficiales incluyen indicaciones de situaciones o eventos sonoros que pueden influir en la interpretación de una escena. Por ejemplo, un contexto de pasos, una puerta o una tormenta puede ayudar a describir la situación. Aun así, una indicación dentro de Text to Speech no sustituye necesariamente a una pista de sonido separada.
Si necesitas sincronizar un portazo con un fotograma o mezclar el volumen de un ambiente, compara la solución con la herramienta especializada Sound Effects de ElevenLabs. Las Audio Tags son útiles para dirigir la interpretación; no garantizan un archivo independiente con duración, volumen y comienzo precisos.
Dónde colocar las etiquetas cuando cambia el tono
Coloca cada instrucción inmediatamente antes del texto que deba interpretarse de otra manera. Si una historia pasa de la calma al miedo, reparte las etiquetas en los puntos donde se produce el cambio. De este modo, el guion refleja la progresión emocional y no obliga al modelo a adivinarla.
Utiliza siempre corchetes de apertura y cierre. Evita mezclar paréntesis, comillas y símbolos sin motivo, porque una indicación mal escrita puede terminar tratándose como texto ordinario. Cuando evalúes el resultado, mantén la voz y el modelo constantes y cambia un elemento por intento.
Ejemplo en español: una escena de misterio
Imagina a una persona que recorre un pasillo oscuro. Un guion ilustrativo puede ser: [quietly] La puerta estaba entreabierta. [whispers] No deberíamos entrar. [startled] ¡Alguien se ha movido! La sucesión marca tres momentos claros sin obligar a cambiar la voz del narrador.
Para comprobarlo, empieza con una única frase. Después añade el segundo cambio emocional y escucha el conjunto. Si una reacción resulta exagerada, modifica solo su etiqueta o su redacción. No atribuyas a ElevenLabs un resultado concreto sin escuchar el audio generado con la voz seleccionada.
- [quietly] La puerta estaba entreabierta.
- [whispers] No deberíamos entrar.
- [startled] ¡Alguien se ha movido!
Ejemplo en español: anuncio y explicación didáctica
En un anuncio breve puedes usar [confident] Prepara tu próxima idea con claridad. Después añade [excited] ¡Empieza a crear hoy! La etiqueta no hace que el mensaje convierta mejor por sí mismo, pero ayuda a indicar la intención de la locución.
Para una lección, suele ser preferible una expresión más contenida: [warmly] Primero veremos el problema. [thoughtful] Después compararemos las soluciones. Comprueba que los nombres propios y las cifras se pronuncian correctamente antes de concentrarte en los matices emocionales.
¿Hay que escribir las Audio Tags en inglés?
ElevenLabs presenta las etiquetas como instrucciones en lenguaje natural y publica numerosos ejemplos en inglés. Esto no demuestra una obligación universal de escribirlas solamente en ese idioma. Tampoco significa que cualquier traducción literal al español vaya a funcionar exactamente igual.
Para una primera prueba, utiliza una etiqueta documentada como [whispers], [curious] o [laughs] y escribe la frase que se pronunciará en español. Después compara una indicación personalizada en español con otra en inglés, conservando la misma voz y el mismo texto. Elige la formulación que produzca la interpretación más comprensible.
Combinar instrucciones sin contradicciones
Es posible reunir indicaciones compatibles dentro de los mismos corchetes, separadas por comas, por ejemplo [whispering, nervous]. Así puedes describir una voz que susurra y al mismo tiempo transmite nerviosismo. Antes de combinar dos matices, prueba si cada uno funciona bien por separado.
Evita instrucciones que compitan entre sí, como exigir tranquilidad absoluta y un grito muy fuerte en el mismo instante. Si el personaje cambia de actitud, divide su intervención en dos frases. Acumular palabras no convierte las Audio Tags en controles exactos de un mezclador de audio.
Pausas y puntuación: Audio Tags frente a SSML
ElevenLabs indica que Eleven v3 y Eleven v4 no admiten las etiquetas SSML break utilizadas con algunos modelos anteriores. Para orientar las pausas puedes usar puntuación natural, frases más cortas e indicaciones documentadas como [short pause] o [long pause]. La duración resultante no debe considerarse un cronómetro garantizado.
Si tienes un guion antiguo que depende de instrucciones SSML, comprueba el modelo antes de reutilizarlo. Para v3 o v4 conviene adaptar el texto a su sistema de Audio Tags y escucharlo de nuevo. Revisa las pausas delante de números, nombres propios y cambios de interlocutor.
Probar las etiquetas en Text to Speech
En la herramienta Text to Speech de ElevenLabs, selecciona una voz y un modelo compatible, pega un fragmento breve y añade las indicaciones entre corchetes. Genera una muestra y escúchala. La documentación también menciona la función Enhance, que propone etiquetas automáticamente para el texto.
No aceptes todas las sugerencias sin revisarlas. Una prueba corta evita gastar créditos en una narración larga con instrucciones equivocadas. Guarda la versión del guion, la voz y el modelo para poder comparar dos intentos sin perder de vista qué elemento cambió.
Text to Dialogue: una voz por intervención
En Text to Dialogue puedes dividir una conversación en turnos de varias personas. La documentación actual describe esta función con Eleven v3 y Eleven v4. Cada intervención mantiene su propia voz mediante voice_id y admite etiquetas dentro del texto del turno correspondiente.
Por ejemplo, Marta pregunta [curious] ¿Cómo terminó la reunión? y Diego responde [sighs] Todavía quedan asuntos por resolver. Las etiquetas orientan la forma de hablar, pero no sustituyen voice_id ni convierten un guion preparado en una conversación interactiva que pueda responder a preguntas nuevas.
Utilizar Audio Tags desde la API de ElevenLabs
En la API de Text to Speech, las etiquetas forman parte del campo de texto enviado a los endpoints de generación compatibles. Se colocan en línea con el guion, no en un parámetro independiente inventado. La documentación oficial muestra identificadores como eleven_v4 y eleven_v3 para los modelos compatibles.
Para un diálogo con varias voces, el texto de cada turno puede incluir sus propias indicaciones y un voice_id. Si programas una integración, conserva las claves API en el servidor o en un almacén de secretos; no las publiques en el navegador. Controla también los errores, el consumo de créditos y las condiciones del modelo elegido.
Soluciones si una etiqueta se pronuncia en voz alta
Cuando se escucha literalmente el nombre de una etiqueta, comprueba que el modelo sea compatible y que el texto esté bien delimitado por corchetes. Asegúrate de que la aplicación no haya cambiado los caracteres, añadido escapes o enviado las instrucciones al campo incorrecto.
Si la etiqueta se ignora sin pronunciarse, prueba primero una instrucción corta que aparezca en la documentación. Cambia una sola variable y compara. La compatibilidad de un modelo no implica una obediencia perfecta con todas las voces y situaciones: simplificar el guion suele ser más útil que añadir muchas instrucciones nuevas.
Licencias, créditos y revisión antes de publicar
Las Audio Tags describen la interpretación, pero no conceden derechos sobre una voz ni sobre el contenido. Antes de distribuir un podcast, un anuncio o un audiolibro, consulta las condiciones del plan, los derechos sobre el guion y los permisos asociados a la voz utilizada. Que una plataforma genere un archivo no demuestra que puedas explotarlo comercialmente en cualquier contexto.
Escucha el archivo final y guarda la versión aprobada del texto, la voz y el modelo. Comprueba las cifras, los nombres, las transiciones y las reacciones. Los ejemplos de este artículo son ficticios y no representan resultados obtenidos por Claim26 en una cuenta de pago.
- Confirma el modelo y la voz adecuados para el español.
- Compara cada indicación con la misma frase y la misma voz.
- Revisa créditos, permisos y condiciones de licencia.
- Escucha el audio final antes de publicarlo.
Preguntas sobre las Audio Tags
¿Eleven v3 y Eleven v4 admiten Audio Tags?
Sí. ElevenLabs confirma compatibilidad con Eleven v3 y Eleven v4 y recomienda v4; Eleven v4 Turbo también admite etiquetas en aplicaciones rápidas.
¿Todas las etiquetas deben estar en inglés?
No existe una obligación general documentada de escribirlas exclusivamente en inglés. Los ejemplos oficiales son principalmente ingleses; empieza por ellos y compara después formulaciones personalizadas en español.
¿Por qué ElevenLabs pronuncia [whispers] literalmente?
Comprueba que utilizas un modelo compatible, los corchetes correctos y el campo de texto apropiado. Simplifica la frase y vuelve a probar con una etiqueta documentada.
¿Audio Tags y SSML son intercambiables?
No. Eleven v3 y Eleven v4 no admiten SSML break tags. Utiliza las instrucciones de pausa compatibles y la puntuación, y comprueba el audio.
¿Puedo colocar etiquetas en Text to Dialogue?
Sí. Cada turno puede incluir etiquetas; voice_id continúa identificando la voz del personaje. La documentación actual describe Eleven v3 y Eleven v4.
¿Puedo utilizar el resultado en un anuncio?
Depende de la licencia, del plan, de los permisos de la voz y de los derechos del contenido. Las Audio Tags por sí solas no conceden derechos comerciales.
Prueba una etiqueta antes de generar un guion completo.
Elige una voz en español, conserva el mismo texto y modifica una sola indicación cada vez. Comprueba el resultado y la licencia antes de distribuir el audio.
Aplicar etiquetas de audio con ElevenLabsEnlace de afiliación: Claim26 puede recibir una comisión. Consulta el aviso de afiliación.