El modo más común de fracasar al localizar un vídeo de producto es traducir automáticamente el guion chino y generar directamente: la versión en inglés se pasa varios segundos de la imagen, la española lee el número de modelo como otra cadena de caracteres y el tono deja de sonar a la misma marca. La raíz no está en la generación de voz, sino en tratar cuatro tareas como una sola. Poner pistas multilingües sobre un mismo vídeo de producto son en realidad cuatro trabajos separados: primero ordenar un guion fuente localizable, luego preparar una versión coloquial por idioma, después elegir voces según cada idioma y, por último, ajustar la imagen a la duración medida de cada pista. El texto a voz de PixMind cubre un eslabón: convertir el texto final de cada idioma en MP3; la traducción y la revisión se completan antes de entrar en la herramienta.
Abrir texto a voz, pega segmento a segmento el texto final de cada idioma, genera y descarga por segmentos.
Puntos clave
- Cuatro acciones por separado: ordenar el guion fuente, una versión coloquial por idioma, elegir la voz según el idioma y ajustar la imagen a la duración medida.
- Texto a voz solo lee el texto introducido, no traduce; la versión final de cada idioma se completa en un flujo externo de traducción y revisión.
- Las voces se eligen idioma a idioma: priman la pronunciación correcta y un tono acorde a la marca; no se exige que todos los idiomas compartan la misma voz.
- La página conserva un solo resultado cada vez; los MP3 descargados empiezan por pixmind-tts-, renómbralos por idioma y versión antes de archivarlos.
Empieza ordenando un guion fuente localizable
El guion fuente no son «los diálogos en chino», sino la matriz de todas las versiones lingüísticas: se ordena una sola vez y traducción, revisión y locución parten del mismo material, con menos retrabajos después.
La acción central del orden es separar en columnas: distingue el «texto traducible» de los «términos de marca que deben mantenerse». Nombre de producto, modelo, eslogan y empresa pertenecen a lo segundo; fija primero su grafía en cada versión —¿se mantiene el original, se translitera o se adapta localmente?— y aplica esa decisión a todos los segmentos. Las combinaciones de letras y cifras del modelo hay que dejarlas escritas en piedra: el mismo modelo se introduce igual en todas las versiones, para que cada voz no improvise su propia lectura.
El texto traducible se divide por planos. La locución de un vídeo de producto ya es corta y, partida en apertura, demostración y cierre, cada segmento corresponde a una ventana visual: ese es también el esqueleto de la generación y de los subtítulos posteriores. Cada generación tiene un tope de caracteres —100 por vez sin sesión o en el plan gratuito, 10000 para miembros de pago— y los segmentos por plano quedan normalmente muy por debajo.
El guion fuente ordenado es una tabla en la que cada fila contiene el contenido del plano, la duración de la imagen, los términos fijos y el texto traducible. Esa tabla sirve a la vez de base para revisar traducciones y preparar subtítulos.
Prepara una versión coloquial por idioma
Primero, el límite: la página de texto a voz solo procesa el texto que introduces, no traduce por ti. La versión de cada idioma debe salir de tu propio flujo de preparación, con traducción y revisión terminadas, antes de entrar en la herramienta de voz.
La traducción literal rara vez sirve tal cual. Ejemplo con la apertura de un producto en inglés:
- Versión literal: «This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean.»
- Versión coloquial: «Fresh juice in thirty seconds. Cleanup? Just rinse it.»
La literal es gramaticalmente correcta, pero viene de una frase larga china traducida palabra por palabra: se lee de un tirón, sin pausas, y no suena a publicidad nativa. La coloquial cambia a dos frases cortas y usa una pregunta para crear una pausa, y su ritmo encaja mejor con la imagen. Cada idioma debe pasar por este paso: alguien que domine la lengua convierte la literal en «lenguaje hablado», resolviendo de paso la lectura de cifras, las conversiones de unidades y las fórmulas de tratamiento.
La versión final revisada se pega en el cuadro de texto y se genera; la herramienta ya no asume tareas de corrección. La división queda clara: los problemas de texto vuelven al flujo de revisión, y solo los de pronunciación y duración se ajustan en la herramienta.
Elige una voz por cada idioma
Cada idioma se elige aparte en el catálogo de voces; no existe un juego que valga para todos. Abre la ventana «elegir voz», cambia primero el motor arriba y filtra después el idioma con el desplegable «idioma» —las opciones proceden del catálogo del motor activo y cambian al cambiar de motor—. Al pasar el ratón por una tarjeta de voz se escucha la muestra al instante.
En escenarios multilingües hay tres criterios. Primero, acento ajustado al mercado objetivo: el español de Latinoamérica y el de España suenan distintos, y hay que vigilarlo al filtrar y escuchar. Segundo, escucha sobre todo la pronunciación del nombre del producto, el modelo y las cifras: probar con una frase que incluya el producto es más fiable que oír solo la muestra. Tercero, el tono de marca alineado entre idiomas: si la versión china es vivaz, no elijas para la inglesa una voz grave y lenta.
No se exige que todos los idiomas compartan hablante. Voz femenina en chino y masculina en inglés es perfectamente válido, siempre que el tono de cada idioma apunte a la misma marca. Buscar «exactamente la misma voz» entre idiomas suele sacrificar la calidad de pronunciación en alguno, y eso nunca fue el estándar de una locución multilingüe.
Fijada una voz por idioma, anótala: motor y nombre de la voz. Todos los segmentos de ese idioma usan esa misma voz, sin cambios a mitad de camino.
Gestiona las diferencias de duración entre idiomas
La misma locución traducida dura distinto según el idioma: en uno cabe en cinco segundos, en otro hacen falta siete. La misma ventana visual resulta desigual: esa es la mayor diferencia entre una locución multilingüe y una monolingüe.
El orden de trabajo: medir primero, luego ajustar el guion y solo al final tocar la velocidad:
- Genera los segmentos idioma por idioma y anota la duración total que muestra la barra de reproducción, registrando en la tabla fuente cada segmento junto a la duración de su imagen.
- Si una versión excede la imagen, corrige primero el guion: elimina adornos prescindibles, parte las frases largas y gobierna las pausas con la puntuación. Recortar texto quita peso innecesario sin borrar ni una información imprescindible, y funciona mejor que acelerar la voz.
- Si ya con el guion mínimo sigue faltando un poco, usa la velocidad para un ajuste fino. El rango del control varía según el motor y los parámetros se reinician al cambiar de motor —las voces de cada idioma suelen venir de motores distintos—, así que anota la velocidad ajustada en la tabla fuente y restáurala al generar cada segmento.
La línea roja: las acciones clave del producto no ceden ante la duración. En tomas como enroscar la tapa, pulsar un botón o el primer plano del resultado, mejor recortar la locución y mantener una velocidad natural que aplastar la dicción o cortar el plano. Si una frase no cabe de verdad, muévela al plano siguiente: queda más natural que estrujarla en este.
La página conserva un solo resultado cada vez: con varios idiomas y segmentos, lo correcto es generar, descargar y anotar por segmentos; no esperes llevarte todas las pistas de una vez.
Exporta las pistas y organiza los archivos por versión
El MP3 descargado se nombra con el prefijo pixmind-tts- seguido de la marca de tiempo de generación. Con varios idiomas y segmentos, la marca de tiempo no distingue cuál es cuál: renombra de inmediato por idioma y versión, por ejemplo:
- Pistas:
product-demo_zh_opening_v2.mp3,product-demo_en_opening_v2.mp3 - Subtítulos:
product-demo_zh_v2.srt,product-demo_en_v2.srt
Cualquier convención fija funciona: proyecto, código de idioma, segmento y versión, siempre que todo el equipo acuerde lo mismo.
La mezcla de las pistas en el vídeo se hace en un editor externo, el que sea; cada idioma repite el mismo flujo:
- Duplica la línea de tiempo por idioma (o crea un proyecto nuevo) e importa la imagen y todas las pistas de ese idioma.
- Alinea cada segmento de locución con la imagen según la tabla fuente, comprobando sobre todo que la voz no pise los momentos clave.
- Escúchala entera una vez; con volumen y transiciones de ritmo correctos, exporta la versión final de ese idioma.
Los subtítulos se hacen por separado en cada idioma y deben basarse en el sonido real del vídeo final de ese idioma, no en el guion fuente: la traducción cambió, las pausas se ajustaron y la velocidad se adaptó, así que la línea de tiempo original ya no cuadra. Genera los subtítulos de cada versión final con vídeo a SRT y, con el archivo en mano, repasa nombres propios y cortes de frase en el editor.
Preguntas frecuentes
¿La herramienta traduce automáticamente el guion que introduzco?
No. Texto a voz solo lee el texto introducido; las versiones lingüísticas se preparan fuera, en el flujo de traducción y revisión, y se pegan ya finalizadas. Dentro de la herramienta se ajustan voz, velocidad y volumen, pero el texto no cambia.
¿Pueden todos los idiomas mantener exactamente la misma voz?
No hace falta, y normalmente no se consigue que pronunciación y tono sean óptimos a la vez. Las voces se eligen por idioma —el desplegable procede del catálogo de cada motor— y que distintos idiomas usen voces distintas es lo normal. El criterio es pronunciación correcta y tono de marca coherente, no «que se reconozca a la misma persona».
¿Qué hago si la locución traducida no cabe en la duración de la imagen?
Trata en orden: elimina primero los adornos del guion y ajusta las pausas; si aún falta un poco, completa con un leve cambio de velocidad; si sigue sin caber, desplaza la frase al plano siguiente o ajusta apenas el ritmo de la imagen para esa versión. Las acciones clave de la demostración no se recortan por esto.
Empieza por la apertura en dos idiomas
No hace falta montar el vídeo entero de una vez. Elige el segmento de apertura: ordena términos fijos y texto traducible, produce las versiones coloquiales en dos idiomas, elige una voz por idioma, genera una pista por cada uno y compara sus duraciones reales con la ventana visual. Con ese tramo dominado, los demás segmentos e idiomas son solo repetir el mismo ciclo.
