Cómo escribir mejores guiones TTS: puntuación, números, siglas y habla natural

La calidad TTS no depende únicamente del modelo de voz. El guion también indica dónde empieza y termina una idea, cómo deberían leerse los números, qué abreviaturas son ambiguas y dónde haría una pausa una persona.

Un buen guion TTS no es un artículo pegado directamente en un generador. Es una edición del contenido escrita específicamente para ser escuchada.

Escribe para entenderlo en una sola escucha

Un lector puede volver atrás, escanear un párrafo y apoyarse en títulos y diseño. Un oyente normalmente recibe la frase una sola vez y quizá está mirando un vídeo o haciendo otra cosa al mismo tiempo.

Por eso conviene mostrar la estructura pronto.

Prefiere frases directas, transiciones claras y una idea principal por oración. Si una frase contiene varias cláusulas anidadas, condiciones y excepciones, divídela antes de generar.

El objetivo no es simplificar el contenido hasta hacerlo pobre, sino hacerlo comprensible sin apoyo visual.

Lee el guion en voz alta antes de generar

Es la comprobación de calidad más rápida y barata.

Si al leer:

• tropiezas;
• te quedas sin aire;
• cambias palabras de forma espontánea;
• dudas sobre cómo decir una abreviatura;
• haces una pausa donde el texto no la marca;

el guion probablemente todavía necesita edición.

Leer en voz alta revela ritmo incómodo, repeticiones, ambigüedades ocultas y puntuación que parecía correcta en pantalla pero no funciona al hablar.

Usa la puntuación como estructura de entrega

La puntuación no es un lenguaje preciso de prosodia, pero sí aporta estructura útil.

Los puntos crean límites fuertes entre ideas completas. Las comas agrupan frases cortas. Los dos puntos pueden introducir una explicación o una lista. Los signos de interrogación ayudan a distinguir una pregunta de una afirmación.

No añadas comas, puntos suspensivos o guiones al azar para forzar una actuación dramática. El texto debe seguir siendo claro para un editor humano.

Si necesitas una pausa más fuerte, pregunta primero si la frase debería convertirse en dos oraciones.

Reescribe los números como quieres que suenen

Los números son compactos visualmente, pero pueden tener varias lecturas en audio.

Una fecha como 2026/08/23 puede ser ambigua según el país. 3.5 puede necesitar una lectura concreta según el contexto. $14.99 además exige decidir qué moneda y qué forma oral se pretende.

Cuando la precisión importe, escribe el spoken form explícito en el idioma objetivo.

La pantalla puede conservar una notación compacta mientras el guion hablado usa una forma más clara. Son dos canales distintos.

Define cómo deben pronunciarse las abreviaturas

Algunas siglas se leen letra por letra, otras como una palabra y otras conviene expandirlas.

El modelo no siempre puede inferir la convención de tu proyecto.

Pon los términos críticos dentro de una frase natural, prueba una representación adecuada para habla y, cuando funcione, aplícala de forma consistente en todo el proyecto.

Esto es especialmente importante para nombres de empresa, productos técnicos, terminología médica, siglas internas y nombres de modelos o versiones.

Trata URLs y correos de forma deliberada

Que una URL aparezca en pantalla no significa que deba leerse completa.

Pregúntate qué necesita realmente el oyente: ¿debe escribir la dirección exacta o basta con “visita nuestro sitio web”?

En muchos vídeos, la mejor división es que el canal visual muestre la cadena exacta y el audio explique la acción o el significado.

Los correos también pueden resultar torpes cuando se leen carácter por carácter. A menudo es mejor mostrarlos y narrar una instrucción sencilla.

No conviertas automáticamente todo el texto visible en narración.

Convierte listas visuales en estructura oral

Una lista con viñetas se escanea de un vistazo. Un oyente recibe los elementos uno tras otro.

Leer una lista larga literalmente suele sonar monótono y dificulta recordar la estructura.

Agrupa elementos relacionados y usa transiciones como “primero”, “después” y “por último” cuando sean útiles.

Si el público necesita recordar una lista exacta, el audio puede explicar la lógica mientras la pantalla muestra todos los elementos.

Prueba nombres y marcas desde el principio

No esperes al lote final para descubrir que un nombre propio se pronuncia mal.

Prueba el nombre dentro de una frase normal, no solo aislado. En contenido internacional, decide si quieres la pronunciación del idioma de origen o una forma localizada habitual en el mercado objetivo.

Una vez aprobada la forma hablada, reutilízala en todo el proyecto para evitar que cada generación tome una decisión distinta.

Reduce la escritura entre paréntesis

Los paréntesis, notas y referencias funcionan bien en documentos visuales porque el lector entiende su jerarquía. En audio pueden convertirse en interrupciones incómodas.

Convierte la información importante en una frase normal. Si no es necesaria para el oyente, elimínala de la narración.

Haz la misma pregunta con notas al pie, citas y referencias: ¿pertenecen a la experiencia de escucha o deberían quedarse solo en la página?

Genera en secciones pequeñas pero coherentes

Que el contenido final sea largo no significa que la generación individual deba ser enorme.

Una sección de tamaño parecido a un párrafo conserva suficiente contexto para un ritmo natural y mantiene las correcciones manejables.

Divide por significado, no por un número arbitrario de caracteres. Conserva las frases completas.

Escribe transiciones habladas

Los documentos visuales usan títulos, espacio y tamaño de fuente para anunciar un cambio de tema. El audio no tiene esas señales silenciosas.

Un título como Security quizá necesite una frase como:

Los cambios de capítulo y los resúmenes pueden necesitar orientaciones similares.

No asumas que un encabezado que no se pronuncia llegará al oyente por sí solo.

Mantén un tono consistente

Un guion puede combinar marketing, documentación técnica y contenido de soporte. Esas fuentes suelen tener formalidad, longitud de frase y vocabulario diferentes.

Antes de generar, edítalas en un solo speaking style:

• nivel de formalidad;
• longitud habitual de frase;
• terminología preferida;
• tratamiento del oyente;
• forma de las transiciones.

Muchas inconsistencias atribuidas a la voz ya existen en el texto. Unificar el estilo puede mejorar la sensación de continuidad sin tocar el modelo.

Integra las pruebas de pronunciación en la escritura

Si una palabra falla repetidamente, no esperes al final para corregir cada WAV.

Crea una frase corta de prueba, cambia solo la representación del término y guarda la solución en una guía de pronunciación.

Así, la pronunciación deja de ser un problema posterior a la generación y se convierte en una convención del guion.

Revisa el audio contra el guion aprobado

Después de generar, no escuches solo si la voz “suena bien”. Comprueba que el audio refleja el texto aprobado.

Busca:

• omisiones;
• repeticiones;
• pausas inesperadas;
• números o siglas interpretados mal;
• lecturas que cambien el significado.

Si el mismo fallo aparece en varias secciones, corrige la convención del guion en vez de arreglar cada archivo de forma aislada.

Checklist de edición speech-first

Antes de generar, confirma que:

1. las frases son cómodas de leer en voz alta;
2. la puntuación refleja estructura natural;
3. los números importantes no son ambiguos;
4. las siglas tienen una forma hablada definida;
5. nombres y marcas se han probado;
6. URLs, correos y texto solo visual se han tratado deliberadamente;
7. los cambios de sección tienen transición hablada cuando hace falta;
8. los párrafos largos se dividen por significado;
9. tono y terminología son consistentes;
10. las reglas de pronunciación conocidas están documentadas y se reutilizan.

Un buen modelo TTS solo puede trabajar con la estructura que recibe. Escribir para el oído reduce regeneraciones, facilita la revisión de pronunciación y produce audio que parece diseñado para el oyente, no simplemente convertido desde un documento.