Cómo crear locuciones con IA: guía paso a paso para principiantes

Podemos ganar una comisión si compras a través de nuestros enlaces, sin coste adicional para ti.

Una buena locución antes exigía una habitación silenciosa, un micrófono decente y la confianza para grabarte sin tropezar con tu propio guion. En 2026, nada de eso es necesario. Los generadores de voz de IA ya pueden narrar un vídeo, una lección de un curso o un anuncio con una voz que la mayoría de los oyentes no distingue de una grabación humana, y un principiante total puede producir su primera locución en menos de una hora, gratis.

Esta guía recorre todo el proceso paso a paso: elegir una herramienta, escribir un guion que suene realmente hablado, escoger una voz, generar el audio, editarlo y exportarlo para YouTube, TikTok, un curso o un cliente. Sin estudio, sin micrófono y sin título en ingeniería de audio. Si quieres comparar primero las herramientas, nuestra recopilación de los mejores generadores de voz de IA clasifica las principales opciones con planes gratuitos y veredictos honestos.

¿Qué es exactamente una locución con IA?

Una locución con IA es una narración creada por un motor de texto a voz en lugar de una grabación humana en un estudio. Escribes o pegas un guion, eliges una voz y la herramienta genera un archivo de audio con esa voz leyendo tus palabras. Los motores modernos hacen mucho más que leer de forma plana: controlan el ritmo, el énfasis, las pausas e incluso la emoción —reír, susurrar, sonar entusiasmado— según la puntuación y las pistas de contexto de tu guion.

Hay dos tipos principales de herramientas. Los motores de voz dedicados, como ElevenLabs y Murf, existen solo para crear voces y ofrecen las bibliotecas de voces más amplias, clonación y control preciso. Las funciones de voz integradas en editores como CapCut, Descript y Clipchamp son más cómodas cuando la locución es un paso dentro de un proyecto de vídeo mayor. Los principiantes deberían empezar por el tipo que se ajuste al destino de la locución: una narración independiente pertenece a un motor de voz, mientras que un vídeo de TikTok o YouTube suele ser más rápido dentro del editor que ya usas.

El límite honesto que conviene conocer desde el principio: las voces de IA son excelentes para narración, contenido explicativo y anuncios, y más débiles en todo lo que exige espontaneidad real: una conversación sin guion, una reacción en directo o una actuación con risas auténticas. Si tu contenido tiene guion, la IA está lista. Si no lo tiene, grábate tú mismo.

Paso 1: elige la herramienta adecuada (5 minutos)

No le des demasiadas vueltas a este paso. Para una primera locución, cualquiera de las herramientas siguientes sirve, y todas tienen plan gratuito o prueba gratis. Elige según lo que vayas a crear, no según cuál tenga la lista de funciones más larga.

Los precios cambian a menudo: toma cada cifra de esta guía como una foto del momento y consulta el sitio oficial antes de comprar. La cantidad de créditos gratuitos y las condiciones de uso comercial cambian con frecuencia.

Paso 2: escribe un guion que suene hablado (15–20 minutos)

Este es el paso que la mayoría de los principiantes se saltan a la ligera, y es el que decide si el resultado suena humano. Las voces de IA leen exactamente lo que escribes, incluidas todas las frases torpes, toda la jerga y cada frase monstruosa de 40 palabras que jamás dirías en voz alta. Escribe para el oído, no para la vista.

• Escribe como hablas. Lee cada frase en voz alta antes de pegarla. Si tropiezas al leerla, la IA también tropezará. Las contracciones ayudan: «you'll» suena más natural que «you will», y «here's» supera a «here is».
• Mantén las frases cortas. Apunta a 12–18 palabras por frase en la narración. Las frases largas obligan a la voz a un monólogo plano; las cortas le dan puntos naturales para respirar.
• Usa la puntuación como dirección. Las comas crean pausas cortas, los puntos pausas más largas, los puntos suspensivos vacilación y las exclamaciones energía. Un guion —como este— crea una ruptura brusca. La puntuación es la única indicación escénica que recibe la voz, así que úsala con intención.
• Escribe los números y las abreviaturas tal como deben sonar. Escribe «twenty twenty-six» si quieres que el año se diga así, «ten dollars» en lugar de «$10» cuando el símbolo pueda leerse raro, y «Doctor Smith» en lugar de «Dr. Smith» si la abreviatura falla. Prueba los casos difíciles con una generación corta antes de comprometerte con el guion completo.
• Pon el gancho al principio. Las dos primeras frases deciden si alguien sigue escuchando. Pon el beneficio o el dato sorprendente primero y deja el contexto para después. «Puedes crear una locución profesional en diez minutos, sin micrófono» supera a «En este vídeo, hablaremos del tema de las locuciones con IA».
• Marca el énfasis con palabras, no con formato. La negrita y la cursiva no hacen nada en un motor de texto a voz. Si una palabra debe impactar, ponla al principio o al final de la frase, o añade una frase corta después: «Eso importa. Te explico por qué».
• Calcula unas 150 palabras por minuto. Una locución de 2 minutos son unas 300 palabras; una narración de YouTube de 10 minutos, unas 1.500. Cuenta antes de generar para no gastar créditos gratuitos en un guion dos veces más largo de lo necesario.

Si te atascas con el primer borrador, nuestra biblioteca de prompts tiene prompts para guiones, y un chatbot como ChatGPT puede convertir puntos clave en un guion conversacional; solo lee el resultado en voz alta y corta todo lo que suene escrito en lugar de hablado. Los generadores de voz de IA también combinan de forma natural con el vídeo de IA: nuestra guía de los mejores generadores de vídeo de IA cubre la mitad visual del flujo de trabajo.

Paso 3: elige una voz (10 minutos)

Elegir la voz es una decisión de casting, y los principiantes suelen equivocarse al elegir la voz que les gusta a ellos en lugar de la voz en la que confía su audiencia. Una voz cálida y pausada va bien para una app de meditación o un curso; una voz alegre y rápida, para un anuncio de TikTok; una voz neutra y constante, para la formación corporativa. Adapta la voz al trabajo, no a tu gusto.

• Prueba 3–5 voces con la misma frase. Genera la misma frase de 20 palabras —idealmente tu frase inicial real— con varias voces. Las diferencias que no se ven en una lista de voces se vuelven evidentes con tus propias palabras.
• Comprueba que el acento y la edad encajen. La mayoría de las herramientas ofrecen decenas de acentos. Una audiencia estadounidense suele esperar una voz estadounidense para un producto de EE. UU., pero una voz británica puede dar autoridad a una marca de lujo y un acento regional puede aportar cercanía a un negocio local. El acento equivocado es la forma más rápida de sonar como un anuncio de otro país.
• Escucha a velocidad real, con altavoces reales. Previsualiza con el teléfono o los auriculares que usará tu audiencia, no con auriculares de estudio. Una voz que suena rica con auriculares puede sonar apagada en el altavoz de un teléfono.
• No clones una voz que no sea tuya. Clonar tu propia voz es legítimo y útil; clonar a una celebridad, un colega o un cliente sin permiso explícito puede infringir las condiciones de la plataforma y la ley en algunas jurisdicciones. Toda herramienta seria exige consentimiento para clonar.
• Mantén una sola voz por proyecto. Cambiar de voz a mitad de vídeo rompe la confianza al instante. Si un proyecto necesita dos voces —un narrador y un personaje, por ejemplo—, haz que el contraste sea deliberado y constante.

Paso 4: genera el audio (5 minutos)

Con el guion y la voz elegidos, generar es la parte fácil, pero tres ajustes deciden si el resultado suena pulido o plano.

Estabilidad frente a expresividad. ElevenLabs y herramientas similares ofrecen un control de estabilidad. Una estabilidad alta da una entrega constante y calmada; una baja da más variación y emoción, pero arriesga énfasis extraños o titubeos en pasajes largos. Los principiantes deberían empezar cerca del medio y moverse hacia lo expresivo para anuncios y narración de historias, y hacia lo estable para formación y narraciones largas.

Velocidad y pausas. La mayoría de las herramientas permite ajustar la velocidad de habla. Un poco más lento que el valor por defecto —alrededor de 0,95x— suena más autoritario en vídeos explicativos; un poco más rápido va bien para contenido social con energía. Añade pausas explícitas entre secciones con un salto de línea o un silencio corto en el editor, en lugar de confiar en que el motor adivine.

Genera por partes. No generes un guion de 10 minutos de una sola vez. Divídelo en secciones de 200–400 palabras, genera cada una por separado y escúchalas una a una. Un nombre mal pronunciado en la segunda parte cuesta una regeneración; el mismo error en un solo archivo de 10 minutos cuesta todo el archivo, y tus créditos.

Cuando una palabra se pronuncia mal, corrígela antes de regenerar toda la parte: escríbela fonéticamente («read» como «red» para el pasado, «GIF» como «jif» si así quieres que suene), usa el diccionario de pronunciación de la herramienta si lo tiene, o cambia la palabra por un sinónimo. La mayoría de los problemas de pronunciación son problemas de ortografía.

Paso 5: edita y pule (15–20 minutos)

El audio de IA en bruto rara vez está listo para publicar. La pasada de pulido es lo que separa una locución que suena profesional de una que suena generada, y lleva menos tiempo del que la mayoría de los principiantes espera.

• Recorta los bordes. Corta el medio segundo de silencio al principio y al final de cada parte. Herramientas como Descript y CapCut lo hacen en la línea de tiempo; Audacity, que es gratis, lo hace con un solo clic por clip.
• Corrige las respiraciones y las pausas. Las voces de IA a veces dejan huecos incómodos a mitad de frase o se apresuran en una transición. Escucha todo una vez de principio a fin y acorta cualquier pausa de más de un segundo, salvo que sea deliberada. Por el contrario, añade un instante de silencio antes de una frase clave: el silencio es el énfasis más barato que existe.
• Elimina tropiezos y artefactos. De vez en cuando un motor lee mal una palabra o produce un chasquido extraño. Regenera esa frase en lugar de convivir con ella: una palabra mala en una locución limpia es lo que los oyentes recuerdan.
• Nivela el volumen. La narración debe mantener una sonoridad constante. La mayoría de los editores tiene una función de normalización o sonoridad; para YouTube, apunta a unos -14 LUFS, que es el objetivo de la propia plataforma. Si eso suena a jerga, usa la función de nivel automático del editor y comprueba que las partes suaves y fuertes se sientan parejas en el altavoz de un teléfono.
• Añade música de fondo, en voz baja. La música de fondo al 10–15% del volumen de la voz aporta pulido; al 30% compite con la narración. Atenúa la música —bájala automáticamente bajo la voz— si tu editor lo permite. Nuestra recopilación de los mejores generadores de música de IA cubre pistas sin problemas de derechos para justo este trabajo.
• Reduce las eses si hace falta. Un sonido de «s» áspero es el artefacto más común de las voces de IA. La mayoría de los editores tiene un ajuste de de-esser; un clic suele domarlo. Si tu herramienta no lo tiene, un pequeño recorte de frecuencias altas en un ecualizador hace el mismo trabajo.

Para un flujo rápido, haz toda la pasada de pulido dentro del editor donde vive el vídeo —CapCut o Descript— en lugar de exportar el audio a otra app y traerlo de vuelta. Cada viaje de ida y vuelta es una oportunidad de perder sincronización o calidad.

Paso 6: exporta y publica

Los ajustes de exportación importan más de lo que los principiantes creen, porque una locución que suena genial en el editor puede sonar pobre en YouTube si se exporta mal.

• Formato: exporta en WAV para archivar y para cualquier edición posterior: no tiene pérdida. Exporta en MP3 a 192 kbps o más para la entrega final a YouTube, TikTok o una plataforma de cursos; cualquier valor inferior degrada la voz de forma audible.
• Frecuencia de muestreo: 44,1 kHz es la opción universal segura. Las frecuencias más altas añaden tamaño de archivo sin beneficio audible para la palabra hablada.
• Mono o estéreo: las locuciones son mono por naturaleza. Exportar en mono reduce el tamaño del archivo a la mitad y evita el efecto extraño de una voz en un solo oído. Mantén el estéreo solo si hay música y efectos mezclados.
• Nombra los archivos como un profesional: «product-launch-voiceover-v2.mp3» supera a «audio-final-FINAL-3.mp3» cuando vuelves al proyecto un mes después.
• Guarda el guion junto al audio. Guarda el texto final del guion junto al archivo de audio. Cuando necesites actualizar una línea dentro de tres meses, regenerarás esa línea en lugar de volver a grabarlo todo.

Antes de publicar, haz la prueba del teléfono: reproduce el vídeo terminado en tu teléfono, a mitad de volumen, en una habitación algo ruidosa. Si cada palabra sigue siendo clara, está listo. Si tienes que esforzarte, la mezcla está demasiado baja o la música demasiado alta: corrígelo ahora, no después de que lleguen los comentarios.

Dónde funcionan mejor las locuciones con IA (y dónde no)

Narración de YouTube y canales sin rostro. El mayor caso de uso en 2026. Los vídeos explicativos, documentales, listas y tutoriales funcionan bien porque el guion se escribe por adelantado y la voz es constante en todos los episodios. Si tu canal depende del tráfico de búsqueda, combina la locución con un buen SEO en la página: nuestra guía de las mejores herramientas de SEO con IA cubre las herramientas que ayudan a posicionar vídeos y artículos.

Cursos en línea y formación. Mantener una voz constante en 40 lecciones es difícil para un humano y trivial para la IA. Actualiza una lección regenerando un guion, no volviendo a grabar un módulo.

Anuncios y vídeo social. Cortos, directos y repetibles. Genera cinco variaciones de voz del mismo anuncio en una tarde y prueba cuál convierte, algo que ninguna sesión humana puede hacer a esa velocidad ni a ese coste.

Introducciones, anuncios y segmentos narrados de pódcast. ElevenLabs lidera en calidad aquí, y Descript lidera en flujo de trabajo para presentadores que también editan. La conversación completa sin guion sigue siendo trabajo humano.

IVR, avisos y accesibilidad. Los menús telefónicos, los anuncios en tienda y las versiones en audio de documentos son ideales: con guion, repetitivos y valorados por su claridad más que por su carisma.

Donde no funciona: entrevistas sin guion, actuaciones emocionales, comedia que depende del ritmo y todo aquello en lo que la audiencia espera que una persona real reaccione en tiempo real. La IA puede imitar una actuación; no puede tener una reacción.

Gratis o de pago: lo que obtienes en realidad

Todas las herramientas principales ofrecen un plan gratuito, y la pregunta honesta es qué te cuesta lo «gratis». Los créditos gratuitos de ElevenLabs cubren unos 10 minutos de audio al mes: suficiente para aprender y publicar algunos vídeos cortos, pero no para un canal. El plan gratuito de Murf es una evaluación real del Studio, no una asignación de producción. El texto a voz de CapCut es la excepción: realmente gratis para vídeo social corto, porque la voz es una función de un editor gratuito y no el producto en sí.

La línea que importa es el uso comercial. La salida del plan gratuito suele tener licencia solo para uso personal o de evaluación, mientras que los planes de pago conceden derechos comerciales para trabajo con clientes, vídeos monetizados y anuncios. La decisión de actualizar es sencilla: en el momento en que una locución toque dinero, paga el plan. Es el seguro más barato del flujo de trabajo, y los planes de pago también desbloquean las mejores voces, la clonación y límites más altos que agilizan la producción.

Antes de pagar por nada, revisa las ofertas actuales de IA: las herramientas de voz aparecen allí con regularidad. Y recuerda que los precios cambian a menudo. Toma cada cifra de esta guía como una foto de noviembre de 2026 y verifícala en el sitio oficial antes de comprar.

7 errores de principiante (y la solución para cada uno)

1. Usar un guion escrito, no hablado. Solución: léelo en voz alta primero; corta cada frase con la que tropieces.
2. Generar todo el guion de una vez. Solución: divídelo en secciones de 200–400 palabras para que un error cueste una sola regeneración.
3. Elegir una voz de la lista, no con tus propias palabras. Solución: prueba las voces con tu frase inicial real.
4. Ignorar la licencia comercial. Solución: revisa la licencia antes de que la locución genere ingresos, no después.
5. La música demasiado alta. Solución: mantenla al 10–15% del volumen de la voz y atenuarla bajo la narración.
6. Publicar sin la prueba del teléfono. Solución: escucha con el altavoz del teléfono en una habitación ruidosa antes de subirlo.
7. Clonar una voz sin permiso. Solución: clona solo voces que sean tuyas o para las que tengas consentimiento explícito.

¿Cuánto tarda tu primera locución?

Un presupuesto realista para una primera locución de 2–3 minutos: 5 minutos eligiendo la herramienta, 20 minutos escribiendo y leyendo el guion en voz alta, 10 minutos probando voces, 5 minutos generando por partes y 20 minutos editando y mezclando. Eso es alrededor de una hora de principio a fin. La segunda lleva la mitad, porque la herramienta, la voz y los ajustes de exportación ya están decididos. Para la quinta, el proceso ya es un hábito: guion, generación, pulido y publicación.

Empieza a propósito en pequeño. Crea una locución de 60 segundos para un solo vídeo antes de comprometerte a narrar un documental de 20 minutos. Las habilidades son las mismas; el riesgo es menor, y aprenderás más terminando una pieza corta que perfeccionando una larga que nunca se publica.