Cómo poner voz a un vídeo corto: genera una narración con el ritmo justo a partir del guion

Al poner locución a un vídeo corto, el problema más común no es la falta de voz, sino que voz e imagen se desincronizan: la narración va todavía con la frase anterior mientras la imagen ya saltó al siguiente plano, o la imagen se detiene en el primer plano del producto cuando la narración terminó hace rato. El orden correcto es el inverso: mira primero cómo está montado el vídeo y decide después qué dice cada segmento y durante cuánto. El texto a voz de PixMind convierte cada segmento del guion en MP3, y que narración e imagen encajen depende del trabajo de despiece que hagas antes de escribir.

Abre texto a voz, ten a mano el vídeo ya montado, genera y descarga cada segmento de locución por separado y llévalo luego al editor.

Puntos clave

• Primero divide la locución según los bloques de imagen y escribe después; cada segmento asume una sola tarea informativa y su duración la marca la imagen.
• Límite de caracteres por generación: 100 sin iniciar sesión y en el plan gratuito, 10000 con suscripción de pago; la página conserva un solo resultado a la vez, así que genera y descarga segmento a segmento.
• La duración la marca el resultado generado: la barra de reproducción muestra la duración total de cada audio; mide primero un segmento y ordena luego todo el vídeo, sin fórmulas de conversión de caracteres a segundos.
• La incorporación de la locución al vídeo es un paso de edición externo; los subtítulos se generan después de cerrar la pista de audio, con la herramienta de vídeo a texto aplicada al montaje final.

Divide primero la locución según el ritmo de la imagen

La primera acción al poner voz no es escribir, es mirar. Repasa dos veces el vídeo montado: en la primera anota el orden de planos; en la segunda, recita en silencio siguiendo la imagen para percibir cuántas frases admite cada bloque; después descompón el vídeo por función de plano.

Con un vídeo de producto de unos 15 segundos como ejemplo, se descompone en apertura, demostración y cierre:

La duración de cada segmento viene de la propia imagen: la locución debe llenar esa ventana, no hacer que la imagen espere. Escribir primero un texto largo y embutirlo después en la imagen suele dejar como única salida acelerar a la fuerza, y la escucha empeora al instante; leer una presentación de 300 caracteres suele durar más que el vídeo entero.

El despiece tiene además un beneficio práctico: cada generación se limita por caracteres —100 como máximo sin iniciar sesión y en el plan gratuito, hasta 10000 con suscripción de pago—. Cada segmento nacido del despiece suele quedar muy por debajo del límite: un segmento, una generación.

Convierte el guion en un texto que se entienda al oírlo

En un vídeo corto, la audiencia escucha la locución, no la lee. En la escritura, dos cosas pesan sobre el resultado.

La primera: elimina lo que la imagen ya explica. Si el plano está mostrando cómo se enrosca la tapa, la locución no necesita decir “a continuación, enrosque la tapa”; si ya hay primer plano del resultado, tampoco hay que repetir “como ve, la textura es muy fina”. La locución dice solo lo que la imagen no puede: nombre, uso y la razón detrás de cada gesto.

La segunda: una idea por frase y la puntuación como control de las pausas. La coma es pausa corta, el punto es respiración; las frases cortas encajan mejor con los cambios de plano y dan al oyente tiempo de asimilar.

Ejemplo con la demostración. Primer borrador: “Este producto es muy sencillo de usar y se completa en tres pasos: primero coloque la fruta en el vaso, luego enrosque la tapa y por último pulse el botón de encendido; en unas decenas de segundos disfrutará de un zumo recién hecho”. Versión reescrita: “Tres pasos y listo. Fruta al vaso, tapa enroscada, botón pulsado. En menos de un minuto, zumo recién hecho”. La reescritura quita adornos, añade pausas y cada frase calza exactamente con un plano de acción.

De paso, escribe los números y las referencias tal como quieres oírlos. Si “3 pasos” debe sonar “tres pasos”, escríbelo con letras; si el encadenamiento de letras y cifras de un modelo suena natural, la referencia final es el resultado generado.

Escucha y elige la voz adecuada

No hay una única voz correcta: cambiar el timbre de un mismo guion transforma el carácter del vídeo. El método de elección es sencillo: con el mismo segmento —aconsejo la frase de apertura—, genera dos versiones con dos voces y decide tras escucharlas.

Compara con dos criterios. Primero, el estilo del contenido: las demostraciones de producto suelen pedir voces vivas y ágiles, y los contenidos explicativos agradecen un tono pausado y sereno. Segundo, la claridad: atiende al nombre del producto, los números y las uniones de palabras; que una voz no se coma sílabas ni suene borrosa importa más que cuál suena más bonita.

La ventana de voces permite filtrar por motor e idioma, y al pasar el ratón sobre cada voz se escucha una muestra; la muestra solo sirve para juzgar el carácter del timbre, y la decisión final se toma con el resultado de tu propio guion. No des por hecho que un motor es el mejor para todas las tareas: prueba un par más y en pocos minutos lo tendrás decidido.

Ajusta texto y velocidad con duraciones medidas

Si el largo de la locución encaja o no, no se puede adivinar: lo viable es medir un segmento y ordenar después todo el vídeo.

Generado el segmento de apertura, la barra de reproducción muestra su duración total; al descargar obtienes un MP3 cuyo nombre empieza por pixmind-tts- e incluye marca de tiempo, que puedes comprobar otra vez en tu reproductor o en la pista del editor. Anota la duración de los tres segmentos y compárala con los tiempos de imagen de la tabla de planos:

1. La locución es más larga que la imagen: recorta el texto primero. Eliminar adornos prescindibles e información repetida funciona mejor que tocar la velocidad; lo que se quita es lastre, no claridad.
2. Falta poco: ajusta la velocidad en pequeño. El rango varía según el motor: el control del motor Microsoft va de -100 % a +100 % (0 por defecto), el motor Volcano de 0.8x a 2.0x (1.0x por defecto) y MiniMax de 0.5x a 2.0x (1.0x por defecto). Ajusta a pasos cortos y, con cada cambio, regenera y vuelve a escuchar.
3. La locución es más corta que la imagen: no hace falta ralentizar para rellenar. Dejar uno o dos segundos de imagen sin locución suele funcionar mejor que ir frase a frase pegada a la imagen.

Aquí no damos fórmula de “cuántos caracteres equivalen a cuántos segundos”, porque esas fórmulas no son fiables: cada voz tiene una línea base de velocidad distinta, y las pausas de puntuación o la forma de leer los números alteran la duración real; la misma frase con dos voces puede diferir en un buen trecho. Antes que memorizar fórmulas, mide el segmento de apertura y usa su duración real como referencia.

La generación por segmentos exige además consistencia: todos los segmentos del mismo vídeo con la misma voz y los mismos parámetros, para que el ritmo sea continuo. Al cambiar de motor, velocidad y volumen vuelven a los valores por defecto, así que anota los valores ajustados antes de tocar nada; la página conserva un solo resultado a la vez: genera un segmento, descárgalo y pasa al siguiente.

Integra la locución en el editor y añade subtítulos

El MP3 solo se convierte en vídeo final dentro de un editor; este paso se hace fuera de PixMind, con cualquier software, y el flujo general es este:

1. Crea un proyecto e importa la imagen y los tres MP3 de locución.
2. Alinea cada segmento con su bloque de imagen según la tabla de planos, dejando un pequeño hueco en los cambios de plano para que el corte no trunque la voz.
3. Escucha el conjunto desde el principio y comprueba que el volumen y el ritmo fluyan entre segmentos.
4. Al confirmar, exporta el vídeo final.

Los subtítulos se hacen después de este paso y siempre sobre la pista de audio definitiva. Usar directamente el texto del guion desincroniza los tiempos con el sonido final: tras recortar frases y ajustar velocidades, los puntos de inicio y fin de cada frase ya cambiaron. Lo correcto es entregar el vídeo final con la locución integrada a la herramienta de vídeo a SRT, generar desde el propio montaje el archivo de subtítulos con códigos de tiempo y reimportarlo en el editor para revisar nombres propios y puntuación.

Preguntas frecuentes

Si la locución es demasiado larga, ¿se ajusta primero la velocidad o el texto?

Primero el texto. Eliminar adjetivos decorativos y lo que la imagen ya explica basta en la mayoría de los casos; la velocidad se ajusta en pequeño solo cuando no queda nada por recortar, porque pasarse vuelve apresurada la dicción y difumina lo importante. Regenera tras el cambio y confirma el efecto con la duración que muestra la barra de reproducción.

¿Generación completa o por segmentos?

Por bloques de imagen. Un guion largo de una sola pieza choca con el límite de caracteres por generación —100 por envío sin iniciar sesión y en el plan gratuito, y lo que excede no se genera—; además, la página conserva un solo resultado, así que un texto largo habría que dividirlo y descargarlo por partes de todos modos. Dividir por planos respeta el límite y hace que cada duración coincida con su imagen: en la edición solo se retoca el segmento problemático.

Con la locución generada, ¿en qué paso se hacen los subtítulos?

Después de cerrar la locución e integrar la pista en el vídeo final. Los códigos de tiempo de los subtítulos deben seguir al sonido definitivo: se generan con la herramienta de vídeo a SRT a partir del montaje ya mezclado, nunca desde el guion previo a la generación. Con el archivo en la mano, reimporta en el editor y revisa nombres propios y puntuación.

Empieza por la frase de apertura

No esperes al guion completo. Abre tu vídeo ya montado y escribe solo la apertura: una frase que diga qué es y para quién. Pégala en texto a voz, genera, escucha y mira la duración. Si el primer segmento se sostiene, el resto es repetir el mismo ciclo.

Abre texto a voz.