Cómo 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”.
Detalles de la guía
No existe una respuesta universal a “¿cuántos segundos son mejores?”. Una referencia limpia de diez segundos puede superar a una larga con música, varias voces o cambios de sala.
IndexTTS Online acepta referencias cortas de aproximadamente 3–30 segundos. Dentro de ese rango, prueba en condiciones controladas.
Usa una misma grabación maestra
Graba 30 segundos continuos en la misma sala y micrófono y crea versiones de 5, 10, 20 y 30 segundos con límites de frase limpios.
Mantén el texto idéntico
Usa habla normal, al menos dos frases y evita nombres o números difíciles mientras pruebas duración.
Fija modelo y controles
Mantén model, language, text, emotion, pace y product path. La comparación de modelos debe ser otro experimento.
Qué escuchar
- Identidad: ¿se mantiene el hablante?
- Claridad: ¿consonantes y palabras son limpias?
- Prosodia: ¿el ritmo es natural?
- Artefactos: ¿hay zumbidos, textura metálica o sonidos repetidos?
- Estabilidad: ¿se comporta bien en varias generaciones?
Una escala interna no es MOS
Puedes puntuar Identity, Clarity o Stability, pero una valoración interna 1–5 no es un Mean Opinion Score estandarizado. No la publiques como MOS sin un estudio de oyentes documentado.
Ventaja de una referencia corta
Es más fácil de revisar, recortar y almacenar y contiene menos oportunidades para ruido o una segunda voz.
Ventaja de una referencia larga
Si permanece limpia, puede incluir más vocales, consonantes, rango y ritmo. Duración adicional con señales contradictorias no ayuda.
Cuenta habla efectiva, no silencio
Diez segundos de archivo con cinco de silencio no equivalen a diez segundos de información útil.
Mantén el estilo estable
No mezcles una parte neutral con gritos si tu variable es duración.
No unas ambientes diferentes
Cambios de sala, micrófono o gain crean otro experimento.
Prueba de cuatro condiciones
Master de 30 s → 5/10/20/30 s → mismo párrafo → mismos ajustes → escucha preferiblemente ciega → registra criterios → repite los dos mejores → guarda el candidato más corto que siga siendo estable.
Valida con un segundo texto
Una sola frase puede favorecer un candidato por casualidad.
Principio final
No afirmes “30 segundos siempre es mejor” ni “5 segundos bastan para todos”. Usa la referencia más limpia y representativa que produzca resultados estables y demuéstralo con una prueba controlada.