Cómo grabar en casa audio de referencia limpio para clonación de voz
Flujo para capturar 3–30 segundos claros con teléfono, portátil o micrófono sencillo sin sobreprocesar la voz.
Detalles de la guía
Una referencia útil para clonación de voz no necesita un estudio. Necesita una grabación en la que un solo hablante sea fácil de identificar y donde la sala, el micrófono y el fondo añadan la menor cantidad posible de información confusa.
Ese matiz importa. Un micrófono caro no corrige por sí solo una habitación con mucho eco, un ventilador junto al dispositivo o una segunda persona hablando al fondo. Un teléfono en una sala tranquila y con superficies blandas puede producir una referencia mejor que un equipo profesional usado en malas condiciones.
IndexTTS Online acepta referencias cortas, así que el objetivo es capturar unos segundos limpios y representativos, no producir un episodio de podcast completo.
Elige la habitación antes que el micrófono
En casa, el sonido de la sala suele ser el primer problema que conviene resolver.
Las cocinas, baños, escaleras y habitaciones casi vacías tienen muchas superficies duras y pueden crear reverberación clara. Cortinas, alfombras, muebles tapizados, ropa de cama y libros suelen absorber más reflexiones.
No hace falta construir una cabina. Entra en dos o tres habitaciones, da una palmada y escucha cuánto tarda en desaparecer el sonido. Después graba la misma frase normal con el teléfono.
Elige el lugar donde las consonantes se entiendan mejor y la voz no deje una cola larga. Lo importante es que la sala interfiera poco con la identidad del hablante.
Elimina el ruido continuo en su origen
La reducción de ruido por software no debería ser el primer paso. Si puedes apagar la fuente, hazlo antes de grabar.
Fuentes frecuentes en casa:
- ventiladores y aire acondicionado;
- tráfico por una ventana abierta;
- ventiladores del ordenador bajo carga;
- frigoríficos y otros electrodomésticos;
- vibraciones de la mesa;
- televisión o música a distancia;
- otras personas hablando.
Escucha durante diez segundos antes de empezar. Un sonido que el cerebro ignora durante el día puede resultar muy evidente con auriculares.
No necesitas mantener la casa en silencio durante una hora. Basta con crear unos minutos de buenas condiciones para grabar una referencia corta.
Un teléfono suele ser suficiente
Los teléfonos modernos pueden capturar una voz clara si la distancia es adecuada.
Apóyalo en una superficie estable si sostenerlo introduce ruido de manos. Mantén libre la zona del micrófono.
Si está demasiado cerca, respiraciones y consonantes explosivas pueden dominar. Si está demasiado lejos, la sala empieza a sonar más que la voz.
Graba la misma frase a dos o tres distancias y quédate con la más cercana que siga sonando natural.
Con un portátil, presta más atención a distancia y ventilador
El micrófono de un portátil puede servir, pero su posición normal suele quedar más lejos de la boca. También puede captar teclado, ventilador y reflexiones de la mesa.
Si lo usas:
- no escribas durante la toma;
- cierra tareas pesadas si el ventilador suena fuerte;
- coloca el equipo en una posición tranquila;
- habla de forma consistente hacia la zona del micrófono;
- compara la misma frase con una grabación de teléfono.
Usa la fuente más limpia. No hay ninguna ventaja en elegir el dispositivo más complejo si suena peor.
Un micrófono externo no arregla una mala habitación
Un USB o XLR ofrece más control, pero también puede revelar más reverberación si es sensible.
Respeta el patrón de captación y la distancia prevista, mantén al hablante en una posición estable y vigila que las sílabas fuertes no saturen.
Si el micrófono suena más “profesional” pero recoge más eco que el teléfono, el teléfono puede seguir siendo una referencia mejor para clonación.
El modelo necesita una señal de identidad clara más que una respuesta de frecuencia costosa.
Habla de forma natural
Usa una voz parecida a la que quieres obtener después.
Para narración neutral, graba habla conversacional normal. Gritos, susurros, canto, llanto o una voz de personaje extrema pueden introducir un estilo que el modelo interprete como parte de la identidad.
Una frase útil incluye dos o tres cláusulas naturales y un ritmo cómodo.
Evita referencias formadas únicamente por:
- números;
- nombres propios;
- abreviaturas;
- palabras cortas repetidas;
- un eslogan memorizado de forma poco natural.
El habla conectada representa mejor la voz habitual del hablante.
Mantén un solo hablante
Una segunda voz puede ser obvia, como en una entrevista, o muy breve, como alguien diciendo “vale” desde otra habitación.
Escucha la referencia completa antes de subirla. Si aparece otra persona, vuelve a grabar o recorta el archivo hasta dejar únicamente al hablante autorizado.
Es una cuestión de calidad y también de derechos. Usa solo tu propia voz o una voz para la que tengas permiso claro.
Graba varias tomas cortas
No intentes que la primera toma sea perfecta.
Puedes grabar tres versiones:
- entrega normal;
- un poco más lenta, pero natural;
- otra toma normal después de una breve pausa.
Compáralas con auriculares. Busca claridad, consistencia, poco eco, poco ruido y volumen estable, no la toma con más “carisma”.
Elige la que represente mejor la voz habitual del hablante.
Vigila el clipping
El clipping ocurre cuando la entrada supera lo que el sistema puede capturar. Los picos se aplanan y las sílabas fuertes pueden sonar ásperas o crujientes.
Si una palabra fuerte distorsiona, aléjate un poco o reduce la ganancia si tienes ese control.
Bajar el volumen después no reconstruye la forma de onda perdida. Es preferible repetir la toma.
En el extremo contrario, una grabación demasiado baja puede exigir amplificación y elevar también el ruido. Busca un nivel cómodo con margen.
Deja inicios y finales limpios
La referencia no debería comenzar a mitad de una consonante ni terminar dentro de una palabra.
Deja un poco de tono de sala antes de la primera palabra y después de la última, y recorta únicamente el silencio excesivo.
Evita clics, teclado, movimientos de silla o ruido al tocar el dispositivo en los extremos del archivo.
No añadas música de fondo
Una cama musical puede funcionar en el vídeo final, pero es una mala referencia para el modelo.
La referencia es una entrada de voz. La música añade otra señal que el modelo no necesita. Graba la voz seca y añade música después de generar el audio sintético.
Lo mismo se aplica a efectos, reverberación, filtros de radio y compresión fuerte.
Sé conservador con la reducción de ruido
Una limpieza ligera puede ayudar con un ruido estable pequeño. Una separación agresiva puede crear bordes metálicos, consonantes perdidas o textura acuosa.
Siempre que sea posible, compara:
- la toma original más limpia;
- una versión con procesamiento ligero.
Usa la que conserve mejor la voz natural. Si ambas son malas, vuelve a grabar. Diez minutos mejorando la fuente pueden ahorrar muchas regeneraciones posteriores.
Exporta un archivo simple y conserva un master
Cuando el producto lo admita, WAV o MP3 son formatos prácticos para una referencia corta.
Evita transcodificar repetidamente entre formatos con pérdida. Guarda una copia maestra del archivo elegido con un nombre claro, por ejemplo:
narrator-reference-clean-01.wav
Usar la misma referencia en pruebas futuras hace que las comparaciones A/B tengan sentido.
Valida con dos frases normales
Antes de guardar la referencia como base del proyecto, genera un texto corto de dos frases.
Escucha:
- si la identidad permanece estable;
- si las consonantes son claras;
- si aparece el eco de la sala en el resultado;
- si la voz adquiere textura metálica o zumbante;
- si la entrega parece forzada.
Si el resultado es malo, mantén el texto y el modelo y cambia solo la referencia. Así podrás saber si la grabación es la causa probable.
Checklist de grabación en casa
Antes de subir el archivo, confirma:
- habitación tranquila y, cuando sea posible, con superficies blandas;
- sin ventilador, música, televisión ni conversación cercana;
- un solo hablante autorizado;
- distancia de micrófono estable;
- entrega conversacional natural;
- sin clipping evidente;
- inicio y final limpios;
- sin efectos innecesarios;
- varias tomas comparadas;
- la mejor toma validada con una generación corta.
La meta no es la perfección de estudio. La meta es dar al modelo una respuesta clara a una sola pregunta: ¿cómo suena normalmente este hablante?
Con equipo sencillo y decisiones cuidadosas, eso se puede conseguir perfectamente en casa.
Guías relacionadas
Guías relacionadas
Cómo elegir mejor audio de referencia para clonación de voz con IA
Lista práctica para evaluar ruido, eco, múltiples hablantes, clipping y naturalidad en una referencia de voz.
Leer guíaCómo probar la duración del audio de referencia para clonación de voz
Método controlado para comparar referencias cortas y largas sin inventar una duración universal “óptima”.
Leer guíaCómo clonar una voz con IndexTTS Online: guía práctica de principio a fin
Un flujo práctico para preparar el audio de referencia, generar voz, revisar la calidad y evitar errores comunes de clonación.
Leer guía