Cómo Clonar tu Voz con IA: el Texto que Debes Leer (Guía 2026)

Cómo clonar tu voz con IA: muestra de 15 segundos, 15 sonidos en el texto y unos 880 caracteres por minuto de voz

Clonar tu voz con IA ya no exige un estudio ni horas de grabación: basta con una muestra corta y limpia. Lo que casi nadie explica es qué decir en esa muestra. Esta guía incluye un texto de muestra que recorre todos los sonidos del español, cómo grabarlo, cuántos caracteres son un minuto de voz —la unidad con la que cobran estos servicios— y lo que dice la ley sobre clonar voces.

Respuesta rápida

Para clonar tu voz necesitas una grabación limpia de al menos 15 segundos, con una sola voz y sin música. Lee un texto que pase por todos los sonidos del español —ñ, rr, j, ll, ch, z…— con alguna pregunta y alguna exclamación, súbelo a un clonador y escribe tu guion: un minuto de voz son unos 880 caracteres. Clona solo tu voz o la de alguien que te haya dado permiso.

🎙️ ≥ 15 s de muestra 🔤 15 sonidos + entonación ⏱️ ~880 caracteres / minuto

Clonar una voz no es lo mismo que texto a voz

Las herramientas de texto a voz leen lo que escribes con voces de catálogo: correctas, pero de nadie. La clonación añade un paso previo. A partir de una grabación tuya, el modelo aprende tu timbre, tu acento y tu forma de entonar, y crea una voz que suena a ti y puede leer cualquier texto. Es lo que permite narrar un curso, un audiolibro o los vídeos de un canal sin grabar cada frase, y corregir un error cambiando una palabra del guion en lugar de repetir la toma.

La consecuencia práctica es que la muestra lo es todo. El modelo solo sabe de tu voz lo que oye en ella: si grabas con eco, el clon tendrá eco; si lees con desgana, el clon sonará desganado; y si la muestra no tiene ninguna rr, el modelo tendrá que adivinar cómo la pronuncias.

El texto de muestra: todos los sonidos en 25 segundos

En los laboratorios de voz se usan desde hace décadas frases «fonéticamente equilibradas», pensadas para que en poco tiempo aparezcan todos los sonidos de un idioma. Aplicamos la misma idea a un texto corto en español: 59 palabras que se leen en unos 25 segundos, con una pregunta y una exclamación para que el modelo oiga también cómo sube y baja tu entonación.

Texto para clonar tu voz59 palabras · ~25 s

¿Quién dijo que el viejo perro de mi abuela no sabía nadar? Ayer por la mañana, bajo un cielo gris, se lanzó rápido al río helado persiguiendo una pelota roja. ¡Hasta el último niño de la calle aplaudió! Luego salió feliz, se sacudió y nos mojó a todos: chaqueta, zapatos y bocadillo incluidos. La gente no paraba de reír.

Los 15 sonidos del texto de muestra: ñ, rr, r inicial, r suave, j, ge/gi, ll, y, ch, z, ce/ci, qu, gue/gui, h muda y tildes, más pregunta y exclamación — Cada sonido aparece al menos una vez; la lista se comprueba con un script cada vez que se publica esta página.

Tres cosas a tener en cuenta al leerlo:

Léelo con tu acento, no con el «neutro». Si seseas, sesea; si eres rioplatense y tu ll suena a «sh», deja que suene así. El clon debe sonar a ti, no a un locutor genérico.
Usa el tono que quieres oír después. Si el clon va a narrar vídeos con energía, lee la muestra con energía. Si va a leer un audiolibro, léela pausada.
Si el servicio admite más tiempo, aprovéchalo. Lee el texto dos veces con matices distintos, o añade un párrafo de algo que vayas a narrar de verdad. Más material limpio es más información sobre tu voz.

Cómo grabar una muestra limpia

No hace falta un micrófono de estudio; hace falta evitar los cuatro defectos que más estropean un clon: eco, ruido de fondo, saturación y golpes de aire.

Busca una habitación con cosas blandas. Un dormitorio con cortinas, sofá o un armario abierto tiene mucho menos eco que una cocina o un baño.
Apaga lo que suena. Música, televisión, ventilador, notificaciones. La muestra debe tener una sola voz: la tuya.
Coloca el micrófono a un palmo de la boca y un poco de lado, para que el aire de la p y la b no golpee la cápsula.
Graba en la mejor calidad disponible, en WAV si tu grabadora lo permite, y comprueba que la forma de onda no toca el techo en las exclamaciones.
Haz dos o tres tomas, quédate con la más limpia y recorta los silencios largos del principio y del final.

Clona tu voz y genera el audio

Con la muestra grabada, el resto va rápido. En un clonador de voz con IA como AnyVoice subes o grabas la muestra (MP3, M4A o WAV, de 15 segundos a 4 minutos y hasta 20 MB, con una sola voz), confirmas que la voz es tuya o que tienes permiso para usarla y, en unos segundos, tienes un modelo de tu voz listo para leer cualquier texto en más de 80 idiomas. Tiene una opción para quitar el ruido de fondo de la muestra, cobra 1 crédito por carácter —así que la cuenta de la sección siguiente sirve tal cual para presupuestar— y regala 5.000 créditos al registrarte, sin tarjeta: unos 5,7 minutos de voz en español.

A partir de ahí, el trabajo vuelve a ser de texto. Escribe el guion como lo dirías, no como lo escribirías: frases cortas, sin paréntesis, con los signos de puntuación donde quieras las pausas. Genera, escucha el resultado entero y, si una palabra suena mal, no repitas la generación a ciegas: reescríbela en el guion. Un nombre extranjero escrito como se pronuncia, o una sigla separada en letras, suele bastar.

Un caso especial son los números. «1.250» puede leerse como mil doscientos cincuenta o, en un modelo multilingüe, como uno coma dos cinco cero. Si la cifra importa, escríbela con letra: el conversor de números a letras lo hace sin errores, incluidos los importes con moneda.

Cuántos caracteres son un minuto de voz

Los servicios de voz con IA no cobran por minuto, sino por carácter. Para saber cuánto texto necesitas para un audio de cierta duración hacen falta dos datos: el ritmo de locución —unas 140 palabras por minuto, en el centro del rango natural de 130 a 150— y cuántos caracteres ocupa una palabra. Lo segundo lo medimos: en las 21.651 palabras de prosa de nuestro propio blog, una palabra española ocupa de media 6,26 caracteres contando el espacio que la separa de la siguiente, y 5,26 sin él.

Regla de conversión: un minuto de voz son unos 880 caracteres y 5.000 caracteres equivalen a unos 5,7 minutos — Locución en español a 140 palabras por minuto, 6,26 caracteres por palabra con espacios.

Duración del audio	Caracteres con espacios	Sin espacios
15 segundos	~220	~180
1 minuto	~880	~740
3 minutos	~2.630	~2.210
5 minutos	~4.380	~3.680
10 minutos	~8.760	~7.360
30 minutos	~26.290	~22.090

Comprueba si tu servicio cuenta los espacios: la diferencia es de un 16%. El contador de caracteres te da las dos cifras a la vez, así que pega el guion antes de generar y sabrás exactamente cuánto vas a gastar. Ten en cuenta también que escribir los números con letra alarga el texto: «1.250» son 5 caracteres y «mil doscientos cincuenta», 24.

Clona solo voces con permiso

La voz es un rasgo personal protegido, y clonar la de otra persona sin su autorización no es una zona gris:

En España, el artículo 7.6 de la Ley Orgánica 1/1982 considera intromisión ilegítima «la utilización del nombre, de la voz o de la imagen de una persona para fines publicitarios, comerciales o de naturaleza análoga» sin su consentimiento.
En la Unión Europea, el Reglamento de IA (artículo 50) obliga desde el 2 de agosto de 2026 a quien difunda audio generado por IA que imite a personas reales a indicar que es artificial.
En Latinoamérica, la protección de la voz y la imagen depende de cada país, pero el criterio prudente es el mismo: tu voz, o la de alguien que te haya dado permiso por escrito.

En la práctica: clona tu voz, pide autorización firmada si clonas la de un colaborador, no imites a personas conocidas y, cuando publiques, di que la voz es sintética. Los clonadores serios ya piden que confirmes el permiso antes de crear la voz. (Esto es información general, no asesoramiento jurídico.)

Preguntas frecuentes

¿Cuántos segundos de audio necesito para clonar mi voz?

Muchos clonadores instantáneos funcionan con 15 segundos de audio limpio, y algunos admiten muestras de varios minutos. Más que la duración importa la limpieza: una sola voz, sin música ni eco, y el mismo tono que quieres oír en el resultado, porque el clon copia la forma de hablar de la muestra.

¿Qué texto debo leer para clonar mi voz?

Uno que pase por todos los sonidos del español (ñ, rr, r suave, j, ll, y, ch, z, ce y ci, qu, gue y gui, tildes) e incluya al menos una pregunta y una exclamación, para que el modelo oiga cómo entonas. El texto de esta guía cumple las dos cosas en 59 palabras, unos 25 segundos de lectura.

¿Cuántos caracteres son un minuto de audio?

Unos 880 caracteres contando los espacios, o unos 740 sin espacios, para una locución en español a 140 palabras por minuto. La cifra sale de multiplicar ese ritmo por los 6,26 caracteres que ocupa de media una palabra española con su espacio, medidos en 21.651 palabras de nuestro blog.

¿La voz clonada puede hablar en otros idiomas?

Sí: los clonadores multilingües generan la misma voz en decenas de idiomas a partir de una sola muestra. Antes de producir un guion largo en otro idioma, genera una frase corta y escúchala, porque la pronunciación de nombres propios y siglas es lo primero que falla.

¿Es legal clonar la voz de otra persona?

Solo con su permiso, y mejor por escrito. En España, usar la voz de alguien con fines publicitarios o comerciales sin consentimiento es una intromisión ilegítima según el artículo 7.6 de la Ley Orgánica 1/1982. En la Unión Europea, además, el Reglamento de IA obliga desde agosto de 2026 a avisar de que un audio que imita a una persona real ha sido generado por IA.

¿En qué se diferencia clonar una voz de usar texto a voz?

El texto a voz convierte un texto en audio con voces de catálogo. La clonación añade un paso previo: crea un modelo de una voz concreta, normalmente la tuya, a partir de una muestra grabada, y luego usa esa voz para leer cualquier texto.