Por qué la voz traducida suena robótica, muy rápida o no se parece a ti

Este artículo trata sobre la locución en Traducir audio, con una sección separada para Traducir video. Todas las opciones de locución se modifican en la configuración: toca el icono de ajustes (deslizadores) en la esquina superior derecha y abre la pestaña Locución.

Revisión rápida: síntoma, causa y solución

La mayoría de los problemas se deben a dos motivos: la traducción fue leída por una voz estándar, o la voz lee el texto traducido a su propio ritmo sin seguir el original.

Si la voz suena robótica o plana

Un sonido robótico generalmente significa que la traducción fue leída por una voz estándar de ElevenLabs u OpenAI. Estas voces son iguales para todos y no imitan al hablante. La voz de OpenAI es neutra por diseño.

• Abre la pestaña Locución y elige una opción debajo de Con clonación: MiniMax (la app la describe como la más precisa en timbre y emoción) o Qwen 3. Luego toca reproducir otra vez.

• Para obtener el resultado más natural, elige ElevenLabs Dubbing v2. Dobla la grabación original directamente, manteniendo su ritmo y timbre. Cuesta 4.4 tokens por segundo, por lo que un mensaje de un minuto cuesta alrededor de 264 tokens.

• Un clon creado a partir de una grabación con música, ruido de la calle o varias voces también sonará poco natural. Usa una grabación donde una sola persona hable con claridad durante el primer minuto.

Si la traducción es muy rápida o muy lenta

La locución lee el texto traducido al propio ritmo de la voz. No estira ni encoge el habla para que coincida con la duración del original, por lo que una traducción puede terminar antes o después que el audio original.

• MiniMax: en el bloque de MiniMax abre Ajustes y baja la Velocidad a menos de 1.0x. El rango va de 0.5x a 2.0x.

• Qwen 3: elige Lento en Estilo de habla. El estilo de habla funciona únicamente con Clonar de archivo, no con una voz guardada.

• Las voces estándar de ElevenLabs y OpenAI no tienen ajuste de velocidad en Traducir audio.

• Para seguir el ritmo del original, elige ElevenLabs Dubbing v2.

Después de cambiar la velocidad o el estilo, toca reproducir otra vez. Con MiniMax, repetir la locución del mismo resultado no vuelve a cobrar los 180 tokens de la clonación.

Si no se parece a ti ni al hablante

Clonar de archivo copia la voz de quien hable en la grabación. Si el resultado no se parece a esa persona, revisa estas causas en orden.

1. Se usó una voz estándar. Esto sucede si respondiste Usar voz de IA en el cuadro de diálogo ¿Clonar voz? (con No volver a preguntar la app seguirá haciéndolo), si elegiste ElevenLabs u OpenAI en los ajustes, o si seleccionaste un idioma no compatible con ninguna opción de clonación. Elige MiniMax o Qwen 3 en la pestaña Locución.

2. La grabación era demasiado corta: Qwen 3 necesita al menos 3 segundos y MiniMax al menos 10. En ese caso, la app usa una voz estándar y muestra «Audio muy corto para clonar voz, se usó voz estándar».

3. La clonación falló y la app indicó «La clonación de voz no está disponible en este momento. Se usó una voz estándar». Toca reproducir de nuevo más tarde o elige MiniMax.

4. Se seleccionó una voz guardada en lugar de la grabación. Si Mi voz de MiniMax o Mi voz de Qwen está activa, la traducción se leerá con esa voz guardada. Selecciona Clonar de archivo.

5. Los primeros 60 segundos tienen ruido. MiniMax y Qwen 3 toman la voz únicamente del primer minuto del archivo. Si hay música, otra persona o ruido de fondo fuerte en ese fragmento, el clon será menos parecido.

Si quieres poner tu voz en el mensaje de otra persona, por ejemplo para responder, guarda tu voz una vez en Ajustes → Mis voces y selecciónala como Mi voz de MiniMax o Mi voz de Qwen. Encuentra sugerencias para una buena muestra en Consejos para la mejor calidad de clonación de voz.

Si el acento o dialecto es incorrecto

Traducir audio no permite definir un acento ni una variante regional. La lista de idiomas tiene una sola entrada por idioma: portugués sin opción de Brasil o Portugal, inglés sin opción de EE. UU. o Reino Unido.

• Un clon mantiene el timbre del hablante y a menudo su propio acento. Una persona que habla inglés generalmente sonará como extranjera al hablar portugués, incluso con una traducción correcta.

• La voz estándar es la misma voz fija para todos los idiomas, y no puedes elegir otra en Traducir audio.

Lo que puedes hacer:

• Copia la traducción, abre Texto a voz y elige una voz de ElevenLabs usando los filtros por idioma y acento. La voz será la de otra persona, pero con la pronunciación que necesitas.

• Para un video, usa Traducir video: su lista de idiomas incluye variantes regionales como portugués (Brasil) e inglés (Estados Unidos).

Si se pierden las emociones

MiniMax y Qwen 3 copian el timbre de la voz, pero locutan el texto traducido, por lo que la entonación de cada frase no se toma del original. El modelo la deduce a partir del texto, a menos que tú la configures.

• MiniMax: ajusta Emoción a Feliz, Triste, Enojado, Con miedo, Sorprendido, Calmo o Con disgusto. Se aplica una sola emoción a toda la traducción. Automático (recomendado) deja que el modelo decida.

• Qwen 3: Estilo de habla Calmo, Enérgico, Amistoso, Suave o Profesional.

• ElevenLabs Dubbing v2 trabaja directamente sobre la grabación original y es el que más se acerca a su interpretación.

Si dos personas hablan con la misma voz

En Traducir audio, todas las opciones excepto Dubbing v2 leen toda la traducción con una sola voz. MiniMax y Qwen 3 generan un único clon a partir del inicio del archivo, por lo que en una conversación ambas personas tendrán la misma voz, creada a partir del primer minuto de la grabación.

Para darle a cada interlocutor su propia voz, elige ElevenLabs Dubbing v2. Este detecta a los hablantes y clona a cada uno por separado.

Si no se respetan las pausas

MiniMax, Qwen 3 y las voces estándar leen la traducción como un solo texto continuo, por lo que las pausas largas del original desaparecen. Traducir audio no tiene una opción para mantenerlas. ElevenLabs Dubbing v2 dobla sobre la línea de tiempo original y conserva los tiempos.

En Traducir video

Traducir video tiene sus propios ajustes: toca el icono de configuración en la esquina superior derecha de Traducir video antes de comenzar.

• Una misma persona fue doblada con dos voces, por ejemplo masculina y femenina. Con HeyGen y Número de hablantes configurado en Automático, HeyGen decide cuántas personas hablan y puede detectar dos. Cambia Número de hablantes a 1 y traduce de nuevo.

• La voz suena robótica o muy distinta a la original: con HeyGen activa Clonación mejorada (el doble de precio), o elige ElevenLabs, que clona a cada interlocutor y respeta sus tiempos. Si el original tiene ruido, activa Mejorar calidad de voz.

• Dialecto incorrecto: elige la variante regional en la lista de idiomas, por ejemplo portugués (Brasil).

Todas las opciones de Traducir video se detallan en Cómo funciona Traducir video.

Cuándo contactar al equipo de soporte

Si nada de esto resolvió el problema, toca ¿No te gustó el resultado? en el bloque de comentarios debajo del resultado y describe lo que escuchas. El formulario adjunta la tarea para que soporte pueda escuchar la misma grabación. El formulario general está disponible en vocalingo.app/support.