Cómo pronunciar siglas, marcas y palabras inusuales en TTS

El TTS se vuelve más difícil cuando la escritura y la pronunciación dejan de seguir las reglas normales del idioma. Siglas, empresas, herramientas para desarrolladores, versiones, nombres de usuario, nombres extranjeros y marcas inventadas pueden parecer evidentes en pantalla y seguir siendo ambiguos para un modelo de voz.

El hábito de producción más fiable es separar dos objetivos: conservar la forma escrita correcta en el texto visible y dar al modelo una representación hablada que produzca la pronunciación deseada.

Así evitas convertir el guion en una colección de trucos fonéticos y signos de puntuación difíciles de mantener.

Decide primero si el término es una palabra o una secuencia de letras

Algunas siglas se pronuncian como una palabra, por ejemplo:

Otras suelen deletrearse:

Un modelo puede acertar con los casos comunes, pero una abreviatura menos conocida puede interpretarse de varias formas.

Pruébala dentro de una frase natural:

Si la pronunciación falla, compara una versión hablada más explícita:

Los espacios pueden influir en el resultado, pero no siempre de manera consistente. Si no basta, usa una representación que exprese claramente los nombres de las letras en el idioma de destino.

Lo importante es probar antes de aplicar un reemplazo global.

Separa el texto visible del texto destinado a voz

Supongamos que el nombre oficial es IndexTTS2. La web, las capturas y los subtítulos deberían conservar esa forma, aunque el guion hablado use una representación diferente que produzca mejor pronunciación.

No renombres el producto en todas partes únicamente para facilitar el TTS.

Mantén dos capas:

• display text: escritura oficial del producto o término;
• speech text: representación validada para producir la pronunciación objetivo.

Esto es especialmente útil en vídeos, recorridos de producto, podcasts y artículos que también se convierten en guion de audio.

La pantalla puede transportar la ortografía exacta mientras la voz optimiza la comprensión.

Prueba nombres que mezclan letras y números

GPT-5, iPhone 17, HTTP/2 o IndexTTS 2.5 obligan al modelo a tomar varias decisiones:

• si las letras se leen una a una;
• cómo se pronuncia el número;
• si la puntuación tiene significado;
• dónde debe aparecer una pausa entre nombre y versión.

Prueba siempre el término completo dentro de contexto.

Si hace falta, en un guion inglés podrías usar una forma como:

pero no copies una representación letra por letra inglesa a todos los idiomas. Los nombres de letras y la pronunciación natural del producto cambian entre locales.

Las marcas pueden tener una pronunciación oficial no evidente

Una marca inventada puede pronunciarse de una forma distinta de la que su ortografía sugiere.

Si existe una guía oficial, úsala. Si no existe, define un estándar interno antes de producir muchas piezas; de lo contrario, distintos vídeos pueden pronunciar la misma marca de varias maneras.

Un registro simple puede ser:

Guárdalo en el guion de producción o en la guía de estilo. No dependas de que la siguiente persona recuerde cómo se resolvió en el clip anterior.

Evita trucos aleatorios con puntuación

A veces se añaden puntos, guiones, barras o apóstrofes hasta conseguir una pronunciación aproximada.

El problema es que la puntuación también modifica pausas y ritmo. Un truco que funciona una vez puede sonar mal en otra frase.

Si tienes que usar un workaround, pruébalo en varios contextos:

• al comienzo de la oración;
• en medio de la oración;
• antes de un número;
• junto a otra puntuación.

Una solución que solo funciona en una línea es frágil. Una representación hablada clara suele ser más mantenible.

Divide compuestos difíciles en unidades audibles

Muchos términos técnicos combinan partes conocidas en una palabra nueva.

El modelo puede tener problemas con el compuesto completo y pronunciar bien cada componente al separarlo. Antes de crear una ortografía fonética compleja, prueba espacios o una formulación más explícita.

Esto aparece con frecuencia en:

• herramientas internas;
• alias de modelos;
• nombres de repositorios;
• dominios;
• comandos.

Si el usuario necesita conocer la ortografía exacta, puedes decir primero el nombre de forma natural y luego mostrarlo o deletrearlo.

Convierte los dominios en algo fácil de escuchar

Un dominio como indextts.online es visualmente claro, pero el punto puede resultar incómodo en una narración.

Si el oyente necesita la dirección exacta, una forma orientada a voz podría ser:

Si el dominio aparece en pantalla, la locución puede ser incluso más sencilla porque la imagen ya proporciona la ortografía exacta.

Evita leer URLs largas, parámetros de seguimiento o enlaces de autenticación salvo que sean realmente útiles. Empeoran el audio y, en algunos casos, pueden revelar información sensible.

Trata los nombres de archivo y tokens de código como un caso especial

Un tutorial puede contener voice_01.wav, page.tsx o /api/generations. La puntuación de estas cadenas no está diseñada para lenguaje hablado.

Primero decide si el oyente necesita oír el token exacto.

Si sí, puedes descomponerlo en partes comprensibles. Si no, suele ser mejor mostrar la sintaxis en pantalla y usar la voz para explicar el significado, por ejemplo:

En contenido formativo, el canal visual es mejor para sintaxis exacta; el canal de voz es mejor para significado.

Revisa nombres extranjeros con alguien que conozca su idioma de origen

Una voz multilingüe puede sonar fluida y aun así pronunciar mal un nombre personal, lugar o préstamo lingüístico.

Seleccionar japonés, español, árabe, chino o inglés no garantiza que todos los nombres extranjeros sean correctos.

Para nombres importantes:

1. identifica el idioma de origen;
2. determina la pronunciación que debe usarse en el mercado de destino;
3. prueba el nombre dentro de una frase corta;
4. compara la forma nativa o una transliteración cuando sea apropiado;
5. pide revisión a una persona competente cuando la visibilidad sea alta.

Es una decisión editorial, no solo un ajuste del modelo.

Una abreviatura puede expandirse de manera diferente según el contexto

Un short form puede tener varios significados. Dr. puede significar “doctor”, mientras que una abreviatura técnica quizá deba deletrearse.

El contexto ayuda, pero un guion de producción no debería depender de una inferencia ambigua cuando un error sería importante.

Si necesitas que Dr. Chen se lea de forma estable como “Doctor Chen”, escribe la forma completa en el speech text.

Para unidades como ms, GB o kHz, decide si tu audiencia espera la abreviatura técnica o las palabras desarrolladas.

Mantén una hoja de pronunciación del proyecto

Para contenido recurrente, conserva una tabla sencilla.

No necesitas software especial. Un archivo Markdown en el repositorio es suficiente.

Su valor está en la consistencia: un mismo término no debería cambiar de pronunciación porque otra persona preparó el siguiente guion.

Guarda una frase de regresión de pronunciación

Cuando varios términos difíciles estén estabilizados, colócalos en una frase corta, por ejemplo:

Al cambiar de modelo o idioma, genera primero esa frase.

No demuestra que todo el proyecto sea correcto, pero ofrece una señal temprana si un término conocido cambia de comportamiento.

Cambia una sola cosa a la vez

Si un nombre de producto suena mal, no cambies de inmediato la referencia, la emoción, el ritmo y el texto a la vez.

Crea dos variantes de texto y mantén todo lo demás fijo.

A:

B:

Escucha específicamente el nombre. Si B lo corrige, guarda esa representación hablada en la hoja de pronunciación.

Si ninguna funciona, prueba otra redacción. La iteración controlada es más rápida que ajustar parámetros al azar.

Un workaround de pronunciación nunca debe cambiar un hecho

Si el modelo pronuncia mal un valor técnico, una versión, un nombre legal o una moneda, no lo sustituyas por otro valor solo porque suene mejor.

Conserva la exactitud factual. Ajusta la representación hablada, divide la frase o apóyate en el canal visual.

En contenido legal, financiero, de seguridad o de alta sensibilidad, la revisión humana sigue siendo necesaria.

Flujo final

Antes de generar el guion definitivo:

1. marca todas las siglas, productos, versiones, URLs, tokens de código y nombres extranjeros;
2. decide la forma hablada de cada uno;
3. prueba los términos difíciles dentro de una frase natural;
4. registra las representaciones que funcionen en la hoja de pronunciación;
5. separa la ortografía oficial visible del texto optimizado para voz;
6. revisa nombres y préstamos con una persona competente;
7. vuelve a ejecutar una pequeña prueba de pronunciación al cambiar el modelo o idioma.

Las palabras inusuales no son una razón para abandonar el TTS. Son una razón para tratar la pronunciación como una parte explícita de la producción.

Una vez documentado el vocabulario difícil, los siguientes guiones son más rápidos, coherentes y fáciles de revisar.