Vídeo con IA de personajes que hablan

La voz sale de la misma generación que la imagen

Hay dos formas de hacer que un personaje hable en pantalla. Una es renderizar un vídeo mudo y luego mover la boca con una pista de audio: la vía de la sincronización labial, que requiere un recorte del rostro y un archivo de audio de referencia, y produce una cara que se mueve correctamente pero un cuerpo que no actúa. La otra es generar imagen y sonido a la vez, de modo que la interpretación y la boca son una sola decisión.

Este flujo usa la segunda opción. El nivel de vídeo predeterminado es audiovisual: al modelo se le da la frase, quién la dice, cómo se dice y una referencia de voz, y devuelve un plano con la frase dicha en él. No se cose nada después.

De un vistazo

Las voces se emparejan, no se sintetizan por personaje

A cada personaje se le asigna una voz de una biblioteca de voces del sistema preconstruidas: escuchas una muestra de tres a ocho segundos antes de elegir, puedes reasignar, elegir otra desde el selector o subir tu propia grabación. La razón de emparejar en lugar de diseñar voces por personaje es el coste y la estabilidad: las voces diseñadas varían entre generaciones y tienen coste por personaje, mientras que una voz de biblioteca es la misma voz en el episodio uno y en el doce.

Si un personaje no tiene voz asignada, el plano recurre a una descripción escrita de la voz — edad, textura, registro — que el modelo interpreta. Ese es el valor predeterminado para proyectos nuevos; asignar voces es un paso deliberado, no algo que ocurre automáticamente con cada personaje.

La regla de tiempo y por qué existe

Un plano de cuatro segundos no puede contener dieciséis palabras en inglés. O la interpretación se apura hasta volverse ininteligible o la frase se corta. Por eso los planos con diálogo tienen un mínimo derivado de la frase: número de palabras dividido entre tres para inglés, número de caracteres dividido entre cinco para chino, y a las frases cortas se les añade una pausa en lugar de comprimirlas a su mínimo teórico. Los planos que vuelven demasiado cortos para su frase se marcan y corrigen antes de renderizar nada, lo que es más barato que descubrirlo en el resultado.

Idioma

El idioma del diálogo es un ajuste del proyecto, elegido una vez, y se aplica donde se escriben las frases por primera vez en lugar de traducirse después; así la interpretación se crea en ese idioma en lugar de ser un doblaje. Hay quince idiomas de interfaz disponibles y el diálogo se admite en todos ellos; un par de idiomas pronuncian mal alguna que otra palabra en el nivel de modelo predeterminado, y el selector lo indica cuando ocurre. La página de voces de personajes lo trata con detalle.

Lo que no hará

• Clonar la voz de una persona real. No se ofrece. Puedes subir tu propia grabación como referencia para tus propios personajes.
• Sincronizar labios en un vídeo o foto existente que subas. El habla proviene de la generación, no de animar un fotograma existente.
• Cumplir una duración exacta para una frase. Se aplica el mínimo; la duración precisa de la interpretación depende del modelo.
• Grabar subtítulos en el vídeo. No se renderiza texto en plano. Los subtítulos se añaden tras la exportación.
• Garantizar una pronunciación perfecta de todos los nombres propios. Los nombres inventados, en particular, conviene previsualizarlos antes de comprometer un episodio.

Cuánto cuesta

El habla está incluida en el precio del vídeo: no hay cargo de audio separado. El vídeo empieza en 10 créditos por segundo de salida (aprox. $0.06/s en el precio más bajo por crédito) y llega a $0.47/s en el nivel más nítido; el montaje cuesta 1 crédito por segundo. El emparejamiento de voz desde la biblioteca es gratuito. Las cuentas nuevas reciben 50 créditos y una previsualización gratuita de hasta 5 segundos: suficiente para oír hablar a un personaje antes de decidir. Las tarifas están en la página de precios.

Preguntas frecuentes

Precios·Guías·Ejemplos·Soporte·Privacidad·Términos·Aviso legal·Contacto·© 2026 SceneMixer