Ir al contenido principal
Español— Elegir un idioma
Menú

Mejores prácticas para audio

Lección 6 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. La calidad de entrada determina la calidad de salida
  2. Regla 1: Audio limpio
  3. Regla 2: Habla con naturalidad
  4. Regla 3: Evita las muletillas
  5. Regla 4: Duración óptima
  6. El truco interlingüístico
  7. Lista de comprobación previa a la grabación
  8. Puntos clave

Curso actualizado el 3 de noviembre de 2026 para Voxtral TTS 3, basado en la guía Migrate from Voxtral 2 y las páginas de Text to Speech de Mistral: voxtral-mini-tts-2603, obsoleto desde el 31 de octubre de 2026 y retirado el 30 de abril de 2027, se sustituye en los ejemplos por voxtral-mini-tts-3-0. Las voces predefinidas de Voxtral 2 (gb_jane_neutral…) siguen siendo compatibles; Voxtral 3 añade las etiquetas [emotion=…] y [pace=…] en el texto, la configuración expressiveness, la pronunciación personalizada (phoneme_hints) y 35 idiomas. Mistral recomienda volver a medir la latencia tras la migración. Fuentes: Migrate from Voxtral 2 · Speech generation.

La calidad de entrada determina la calidad de salida

La clonación de voz de Voxtral es potente, pero depende totalmente de la calidad de la muestra de audio que proporciones. Una grabación deficiente producirá una voz sintética deficiente, sin excepción y sin posibilidad de corregirlo después. Las siguientes cuatro reglas pueden enunciarse en una sola frase cada una, pero son las que marcan la diferencia entre una voz que la gente disfruta escuchando y otra que silencian a los treinta segundos.

Regla 1: Audio limpio

El entorno de grabación es crítico porque el modelo no puede distinguir tu voz de su entorno: lo aprende todo. El ruido de fondo constante (ventilación, conversaciones en una oficina diáfana, tráfico al otro lado de una ventana) se capturará y reproducirá en cada generación, incluso seis meses después con textos completamente distintos. La reverberación provoca el mismo problema: una habitación vacía con superficies duras, azulejos o ventanales grandes crea un eco que el modelo reproducirá fielmente; es preferible una habitación amueblada o con un tratamiento acústico mínimo. Incluso la música de fondo más tenue se captará y mezclará con la voz. Por último, la muestra debe contener un único hablante: dos voces superpuestas dan lugar a resultados inutilizables.

¿No tienes estudio? No es un impedimento. Un armario lleno de ropa funciona como un excelente aislante acústico y hace el trabajo de costosos paneles de absorción. Un micrófono de auricular de estilo podcast de buena calidad es más que suficiente: la diferencia entre ese y un micrófono profesional es mucho menor que la diferencia entre una habitación silenciosa y una ruidosa. Graba con las ventanas cerradas y las notificaciones desactivadas, y acostúmbrate a hacer una prueba de 5 segundos que escucharás antes de la grabación final: es entonces cuando descubrirás el frigorífico que vibra o el teclado demasiado cerca del micrófono.

Regla 2: Habla con naturalidad

El modelo captura no solo tu timbre, sino también tu estilo al hablar, y aquí es donde fallan muchos primeros intentos. Al colocarse frente a un micrófono, la gente empieza espontáneamente a articular como un presentador de noticias, y la voz sintética hereda ese tono afectado, que suena falso desde la segunda frase. Habla como lo haces normalmente, sin forzar la dicción ni alterar tu ritmo habitual.

Lo contrario también es cierto: una grabación plana y monótona producirá una voz monótona. Varía tu entonación de forma natural y mantén un ritmo constante: ni demasiado rápido, porque el modelo perderá matices, ni demasiado lento, porque obtendrás una voz con aspecto somnoliento. Ten en cuenta que la emoción de tu muestra influye directamente en la emoción de la voz generada: si grabas con entusiasmo, la voz sintética sonará entusiasta; si grabas con calma, sonará calmada. Elige, pues, el estado de ánimo de la grabación en función del uso previsto: un narrador de audiolibros y un agente de soporte no requieren la misma energía.

Regla 3: Evita las muletillas

Las muletillas, esos marcadores de posición que jalonan el habla espontánea, son enemigas de la clonación de voz. Evita los «eh», «este», «bueno» y «o sea» parásitos, y no tosas ni carraspees durante la grabación. Si cometes un error, vuelve a empezar desde el principio en lugar de corregir sobre la marcha: un «perdón, déjame reiniciar» quedará registrado en la muestra.

La razón es sencilla: el modelo no puede distinguir entre tu voz y tus vacilaciones. Las trata como una característica de tu estilo al hablar y las reproduce en cada generación. Un cliente que oiga a su asistente de voz vacilar sistemáticamente a mitad de frase no pensará que es un error técnico; pensará que el servicio es descuidado.

Regla 4: Duración óptima

Como se ha visto en la lección anterior, la duración recomendada es de 10 a 20 segundos, pero ese rango merece matizarse. Por debajo de 5 segundos, el modelo no tiene suficientes datos para captar las variaciones de tu voz y el resultado suena genérico. Voxtral 2 rechazaba muestras de más de 30 segundos; Voxtral TTS 3 acepta hasta varios minutos, pero más allá de unos veinte segundos, lo que mejora el resultado es la variedad del habla, no su longitud. El punto ideal está, por tanto, en torno a 15 o 20 segundos de habla variada y natural: la variedad cuenta tanto como la duración.

El truco interlingüístico

Aquí tienes una técnica avanzada descubierta por los usuarios de Voxtral: la clonación interlingüística te permite crear efectos de acento interesantes. El principio consiste en proporcionar una muestra en un idioma, digamos francés, y luego generar habla en otro, digamos inglés. ¿El resultado? La voz sintética habla inglés con el acento francés del hablante original.

# Crear una voz a partir de una muestra en francés
voice = client.audio.voices.create(
    name="fr-accent-voice",
    sample_audio=french_sample_b64,
    sample_filename="sample_fr.mp3",
    languages=["fr"],
    gender="female",
)

# Generar habla en inglés con esta voz
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello, have you tried that new coffee place on Fifth Street?",
    voice_id=voice.id,
    response_format="mp3",
)

El resultado suena exactamente como si el hablante francés estuviera hablando inglés, con su acento natural. La aplicación más evidente es para marcas que quieren mantener su identidad vocal entre idiomas: un portavoz francés de una empresa conserva su firma sonora en la versión en inglés de una campaña en lugar de ser sustituido por una voz anónima.

Lista de comprobación previa a la grabación

Antes de iniciar tu grabación final, verifica:

  • Entorno silencioso (sin ruido de fondo, sin eco)
  • Micrófono colocado correctamente (10–15 cm de la boca)
  • Notificaciones desactivadas (teléfono, ordenador)
  • Guion preparado o tema en mente
  • Prueba de 5 segundos validada

Puntos clave

  • El audio limpio, sin ruido de fondo ni reverberación, es esencial
  • Habla de forma natural y expresiva: el modelo captura tu estilo
  • Evita las muletillas («eh», «este»), ya que se reproducirán
  • La duración óptima es de 15 a 20 segundos de habla variada
  • La clonación interlingüística permite conservar un acento en otro idioma