Cómo clonar tu voz con ElevenLabs paso a paso en once idiomas

La primera vez que escuché mi voz diciendo una frase que yo no había dicho, se me quedó una cara rara.

No por la calidad, que era buena. Por lo otro. Por darme cuenta de que a partir de ese momento existía una versión de mi voz que podía decir lo que le pusieras delante, en varios idiomas, a cualquier hora y sin mi permiso salvo que yo lo cuidara.

Vamos con el cómo se hace, que es sencillo, y luego con la parte incómoda, que es la que casi nadie cuenta.

¿Cómo se clona una voz con IA?

Le das ejemplos de tu voz y el sistema aprende cómo suenas: el timbre, el ritmo, las pausas, la entonación. Después le escribes texto y lo lee con esa voz.

En ElevenLabs hay dos formas y la diferencia entre ellas es enorme.

Clonado instantáneo. Le das uno o dos minutos de audio y en un momento tienes una voz utilizable. Se parece bastante a la tuya. Un conocido te reconocería, un desconocido no notaría nada raro, pero en frases largas se le nota que es sintética.

Clonado profesional. Le das media hora o más de audio de calidad y el sistema se entrena a fondo con ello. Tarda horas en estar listo. El resultado es de otro nivel: coge tus muletillas, tu forma de acelerar cuando te emocionas, cómo te comes las sílabas al final de las frases.

Con diez minutos de audio bueno ya estás en una zona muy digna. Y el mismo modelo lee ese texto en otros idiomas manteniendo tu timbre, que es la parte que a mí me sigue pareciendo la más impresionante.

Paso 1: grabar el audio de entrenamiento

Todo el resultado depende de esto. Todo.

Lo que necesitas: tu voz sola, sin música, sin nadie de fondo, sin eco de habitación vacía, grabada siempre con el mismo micrófono y a la misma distancia.

Lo que no vale: un trozo de un vídeo con música de fondo, una grabación de móvil en la calle, o dos audios grabados con micrófonos distintos mezclados. Si mezclas fuentes, el clon sale con una textura rara que no sabes de dónde viene.

Y una cosa que se le escapa a casi todo el mundo: graba como vas a querer que suene. Si lees el texto de entrenamiento con voz de locutor de documental, tu clon va a hablar así siempre. Si hablas normal, con tu ritmo y tus pausas, el clon te va a sonar a ti.

Yo grabaría diez minutos hablando de algo que domines, no leyendo. Leer y hablar suenan distinto y se nota.

Paso 2: subirlo y crear la voz

Entras al apartado de voces, creas una nueva, subes los archivos y le pones nombre. En el clonado instantáneo la tienes en un minuto. En el profesional te avisa cuando esté.

Aquí te pide confirmar que la voz es tuya o que tienes permiso para usarla. Léelo y tómatelo en serio, que luego vuelvo a esto.

Paso 3: los ajustes que sí cambian el resultado

Cuando ya tienes la voz, hay tres controles que determinan si suena a ti o a un robot educado.

Estabilidad. Es el que más importa. Bajo significa más expresivo y más variado, con el riesgo de que a veces haga cosas raras. Alto significa constante y plano. La tentación es subirlo para que no falle, y el resultado es una voz aburrida. Para hablar normal yo lo dejo tirando a bajo y asumo tener que repetir alguna frase.

Parecido. Cuánto se pega al original. Casi al máximo, pero no del todo. Al máximo replica también los defectos de tu grabación.

Estilo. Exagera tu forma de hablar. Con poco basta. Pasado de vueltas suena a imitación tuya hecha por alguien que te ha oído dos veces.

Prueba siempre con la misma frase de veinte segundos mientras ajustas. Si cambias el texto y los controles a la vez, no sabes qué ha mejorado.

Paso 4: los otros idiomas

Escribes el texto en el idioma que sea, eliges el modelo multilingüe, y lo lee con tu voz.

Y sí, con acento del hablante nativo pero con tu timbre. Es raro escucharse hablando un idioma que no dominas.

Dos avisos, porque esto se vende mejor de lo que funciona:

Lee lo que le pongas, no traduce. La traducción la haces tú antes, con lo que sea. Si el texto está mal traducido, tu voz va a decir tonterías con una seguridad pasmosa.

Los nombres propios sufren. Nombres de personas, marcas y sitios se pronuncian según el idioma que hayas elegido. Si en un texto en inglés metes un nombre en polaco, sale un destrozo. Se corrige escribiendo el nombre como suena, en plan fonético, hasta que salga bien.

Paso 5: para qué usarla de verdad

Aquí es donde hay que ser honesto, porque la gente monta el clon y luego no sabe qué hacer con él.

Lo que funciona bien:

Las correcciones. Grabas un vídeo de veinte minutos y te has comido una palabra en el minuto ocho. En vez de volver a grabar, generas esa frase con tu voz clonada y la encajas. Nadie lo nota. Esto solo ya paga la suscripción.

Las versiones en otro idioma. Un vídeo que ya funciona en español, doblado con tu propia voz. Es de los pocos casos donde esto abre una puerta que antes estaba cerrada del todo.

Las voces de sistemas que hablan. Si montas algo que responde por teléfono o por audio, aquí es donde encaja de verdad. Lo cuento en automatización y agentes con IA.

Lo que no funciona: sustituirte del todo. Un vídeo entero narrado por tu clon suena bien durante dos minutos y luego cansa. Falta lo que pasa cuando te ríes a mitad de frase o te equivocas y lo dejas.

Lo que se te va a atascar

La puntuación. Es tu único control del ritmo. Los puntos hacen pausa larga, las comas corta, los puntos suspensivos dan aire. Si escribes un párrafo sin puntuar, sale un chorro atropellado. Se escribe para ser leído en alto, no para ser leído.

Los números y las siglas. "2026" puede salir como "dos mil veintiséis" o como "veinte veintiséis" según le apetezca. Si importa, escríbelo con letras.

El consumo. Se paga por caracteres generados al mes y se va rapidísimo probando. Cada vez que le das a generar para escuchar cómo suena, gastas. Prueba con frases cortas hasta tener los ajustes.

El clon que no acaba de ser tú. Si has hecho todo bien y sigue sonando raro, casi seguro es el audio de entrenamiento. Vuelve a grabar diez minutos limpios, con un solo micrófono, hablando normal. Es la solución al noventa por ciento de los casos.

Los precios cuando escalas. Si vas a generar mucho, mira las alternativas antes de atarte, que las hay más baratas para volúmenes grandes. Las tengo comparadas en alternativas a ElevenLabs.

La parte incómoda

Ahora la decisión que decía al principio.

Cuando tienes tu voz clonada, tienes un archivo que puede decir cualquier cosa con tu cara sonora puesta. Eso es útil y también es un riesgo, y no del futuro lejano.

Tres cosas que yo haría desde el primer día:

No compartir los accesos. Las claves de la cuenta donde vive tu voz se tratan como se tratan las del banco.

No subir audio de otras personas. Ni de tu socio, ni de un cliente, ni "para probar". Clonar la voz de alguien sin su permiso explícito no es una travesura técnica.

Decirlo cuando la uses. Si un audio tuyo es generado, que se sepa. Y aquí ojo: no lo digo por moralina, lo digo porque el día que alguien lo descubra por su cuenta, todo lo demás que hayas hecho pasa a estar bajo sospecha. La confianza es lenta de construir y rápida de perder.

Y ahora qué

Empieza por lo más pequeño y lo más útil: clona tu voz, grábate diez minutos limpios, y úsala solo para arreglar frases mal dichas en tus vídeos. Una semana haciendo eso y sabrás si te aporta.

Si te aporta, ya te plantearás lo de los idiomas, que es donde está el salto grande. El resto del circuito de producción lo tengo en las herramientas del creador con IA.

Algunos enlaces de este artículo son de afiliado: si contratas la herramienta, me llevo una comisión sin que a ti te cueste más.

Si no sabes por dónde meterle mano a la IA en lo tuyo, el test te da una ruta concreta según lo que ya haces.

Hacer el test de IA