Escribe el guion, reparte los papeles con voces de texto a voz y añade después una banda sonora y efectos para cada escena. Todo funciona en un mismo espacio de trabajo, así que puedes oír un episodio en bruto esa misma tarde y rehacer solo las líneas que suenen mal.
Un audiodrama es una película a la que le han quitado la imagen, así que todo lo que antes hacía la cámara lo hace ahora un sonido. Las voces llevan a los personajes, la música lleva el ánimo y el portazo tiene que decirle al oyente que está en un pasillo. Hoy la IA puede aportar las tres capas a partir de un guion que escribas tú: un reparto de voces, una banda sonora y efectos puntuales. Esta página explica qué usar en cada capa, cómo juntarlas y dónde seguirás necesitando un editor de audio.
La ficción sonora siempre ha tenido un problema de personal. Una escena con cuatro personajes, una tormenta y una escalera que cruje necesita, de forma tradicional, actores, un estudio, una mesa de foley y alguien que lo mezcle todo. Por eso la mayoría de la gente que escribe buenos diálogos nunca llega a oírlos interpretados. Los modelos de texto a voz quitan el primer obstáculo: pegas una línea, eliges una voz y recibes una interpretación, y puedes repetirlo tantas veces como pida el guion sin coordinar la agenda de nadie.
Picasso IA junta las piezas en un solo sitio. El catálogo tiene 502 modelos, entre ellos 24 de texto a voz y 10 de música con IA, y el toolkit es el espacio de trabajo donde eliges uno, escribes un prompt o adjuntas un archivo y generas. Las cuentas nuevas reciben créditos gratis, así que probar una escena no te cuesta nada al empezar, y la página de precios explica cómo se gastan los créditos cuando se acaban.
La ventaja real es la velocidad de iteración en la escritura. Un guion que se lee bien en papel suele romperse al decirlo en voz alta: una línea es demasiado larga, dos personajes suenan igual, un chiste necesita un silencio. Oírlo lo deja todo al descubierto en pocos minutos.
El diálogo es la capa que el oyente juzga con más dureza, así que empieza por ahí. Dos modelos del catálogo encajan bien con el drama, y se comportan lo bastante distinto como para probar ambos con la misma escena.
elevenlabs/v3 ofrece una larga lista de voces con nombre, control de velocidad, un ajuste de estilo que lleva la entrega desde la narración plana hacia algo más teatral y un ajuste de estabilidad pensado para que una voz se comporte igual a lo largo de un guion largo. También acepta el texto anterior y posterior a la línea actual, lo que ayuda a que la entonación al principio y al final de una frase tenga sentido en contexto. inworld/tts-1.5-max trabaja con marcas dentro del propio guion: etiquetas como [happy] o [sad] orientan la emoción de una línea, [laugh] y [sigh] añaden sonidos no verbales y las etiquetas de pausa colocan los silencios justo donde los quieres. Además te deja elegir voces predefinidas por nombre.
Uses el que uses, asigna una voz a cada personaje y apunta la elección. Una hoja de reparto con el personaje, el modelo, el nombre de la voz y los ajustes es el documento más útil de todo el proyecto, porque más tarde regenerarás líneas y tendrás que igualar lo que hiciste el primer día. Dale al narrador una voz claramente distinta de la de cualquier personaje.
Si quieres que un personaje use tu propia voz, la página de clonación de voz lo explica, y solo vale para una voz que sea tuya o que tengas permiso para usar. Los personajes de ficción reciben voces ficticias, nunca la imitación de una persona real e identificable.
La música y los efectos son trabajos distintos, y el catálogo los trata por separado. Para la banda sonora, modelos musicales como elevenlabs/music, stability-ai/stable-audio-2.5 y google/lyria-3 convierten una descripción escrita en una pista. elevenlabs/music tiene un interruptor de instrumental y una duración objetivo, justo lo que quieres para un fondo que va bajo el diálogo. Pide un ánimo, unos cuantos instrumentos y una duración, y deja las voces cantadas fuera para que la música nunca compita con un personaje que habla.
Los efectos de sonido son menos directos. El catálogo no tiene ningún modelo hecho solo para convertir texto en efecto de sonido, así que hay dos caminos. stability-ai/stable-audio-2.5 incluye efectos breves entre sus resultados, por lo que merece la pena describir un solo suceso, como una pesada puerta de madera al cerrarse. El otro camino parte de la imagen: mirelo/video-to-sfx-v1.5 y zsxkib/mmaudio leen un clip de video y generan un sonido que encaja con lo que se ve. Solo te sirve si la escena ya existe como video, pero viene bien si además haces una versión visual. Para saber más de ese camino, mira cómo añadir efectos de sonido a videos de IA sin audio.
| Capa | Modelos para probar | Qué le das | A qué estar atento |
|---|---|---|---|
| Diálogo | elevenlabs/v3, inworld/tts-1.5-max | Una línea, una voz, una nota de entrega | La voz puede variar entre ejecuciones |
| Narración | elevenlabs/v3, inworld/tts-1.5-max | Un pasaje corto con una voz distinta | Los pasajes largos pueden requerir dividirse |
| Banda sonora | elevenlabs/music, google/lyria-3 | Ánimo, instrumentos, duración, instrumental activado | La música no sabe dónde caen tus líneas |
| Efectos puntuales | stability-ai/stable-audio-2.5 | Un solo suceso sonoro por prompt | Los resultados varían, genera varios |
| Efectos sincronizados | mirelo/video-to-sfx-v1.5, zsxkib/mmaudio | Un clip de video de la escena | Necesita imagen y funciona con clips cortos |
Planea un primer episodio corto. Dos o tres personajes y un solo escenario bastan para aprender todo el proceso antes de ampliar.
El error más común es generar una escena entera de una vez. Un único bloque largo de texto te da una sola entrega y ningún control sobre quién suena cómo. Genera cada línea por separado, para poder rehacer una toma mala sin tocar el resto y para que las pausas entre personajes las pongas tú y no el modelo.
El segundo es escribir para el ojo. Los modelos leen la puntuación como interpretación, así que un muro de comas produce un habla sin aliento, mientras que las frases cortas dejan espacio a la voz. Lee el guion en voz alta una vez antes de generar nada y corta cada línea en la que tropieces. Un personaje tampoco puede ejecutar una acción que solo existe entre corchetes, así que conviértela en un sonido o en una línea.
El tercero es enterrar el diálogo. La música generada con toda su energía ahoga una voz tranquila, y lo hará en la mezcla, donde arreglarlo es fácil solo si las pistas están separadas. Guarda cada capa en su propio archivo y pide música instrumental con un arreglo sereno.
Consejo: una sola cosa por prompt de efecto y una sola voz por archivo. Un portazo limpio que puedes colocar donde quieras vale más que una generación larga con puerta, pasos y viento que luego no puedes separar.
Este flujo te da un montaje en bruto convincente, y a veces un episodio publicable, pero tiene límites reales que conviene conocer antes de dedicar semanas a una serie.
La IA se ocupa de la interpretación y del material en bruto; tú te ocupas de la estructura, del ritmo y del acabado final.
Puede generar las voces, la música y los efectos, pero no los ensambla por ti. Tú escribes el guion, generas cada línea, añades una banda sonora y efectos, y después colocas los archivos en pistas dentro de un editor de audio. Picasso IA es el reparto y la biblioteca de sonidos; el editor es la mesa de mezclas. Un episodio corto con dos o tres personajes es un primer objetivo realista.
Elige una voz para cada personaje y no la cambies a mitad de camino. Mantén también fijos los ajustes: con elevenlabs/v3 eso incluye los controles de estabilidad y similitud, y con inworld/tts-1.5-max significa la misma voz predefinida y la misma velocidad de habla. Genera las líneas en la misma sesión cuando puedas. Si una línea sigue sonando rara, regenera solo esa línea en lugar de rehacer la escena.
Ninguno es el mejor en todo, así que prueba ambos con tu escena más difícil. elevenlabs/v3 tiene muchas voces con nombre y un control de estilo para una entrega más teatral. inworld/tts-1.5-max te deja escribir la emoción y los sonidos no verbales directamente en el guion con etiquetas. Elige de oído para tus personajes y usa un modelo por personaje para evitar desajustes. El catálogo tiene 24 modelos de texto a voz si ninguno te encaja.
No hay en el catálogo un modelo hecho solo para eso, pero stability-ai/stable-audio-2.5 incluye efectos breves entre sus resultados, así que merece la pena describir un suceso sonoro por prompt. Los resultados varían, así que genera varias versiones y quédate con la mejor. Si tienes la escena en video, mirelo/video-to-sfx-v1.5 y zsxkib/mmaudio generan efectos que encajan con la imagen.
Sí. Modelos musicales como elevenlabs/music, stability-ai/stable-audio-2.5 y google/lyria-3 crean pistas a partir de una descripción. Para un drama, pide un instrumental con un arreglo sereno y una duración que cubra la escena, y baja su volumen bajo las voces al mezclar. Genera varias opciones por escena.
Sí, para cualquier episodio con más de una capa. Picasso IA genera las voces, la música y los efectos como archivos separados, pero no los coloca en una línea de tiempo. Un editor gratuito basta para recortar, colocar pistas, ajustar volúmenes, hacer entrar y salir la música con fundidos y exportar el archivo final. Lo que necesitas es saber escuchar, más que conocimientos técnicos.
Puedes, si la voz es tuya o tienes permiso claro de su dueño. La clonación de voz se explica en la página de clonación de voz con IA. Nunca clones ni imites a una persona real sin su consentimiento, y reserva las voces clonadas para personajes que controlas. Los personajes ficticios pueden usar sin más las voces predefinidas que ofrecen los modelos.
Lo bastante corto para terminarlo. Unos minutos con dos o tres personajes y un solo escenario te permiten probar las voces, la banda sonora y la mezcla sin que el proyecto se descontrole. Cuando suene bien, ya tienes un proceso repetible y una hoja de reparto.
A menudo sí, pero comprueba los requisitos actuales de la plataforma donde publiques, porque los alojamientos de podcast, los sitios de video y los servicios de streaming tienen sus propias normas sobre el audio generado con IA y su divulgación. Revisa también las condiciones de cada modelo que usaste. Mantén ficticios a tus personajes y acredita la producción con honestidad si la plataforma te lo pide.
Depende de los modelos y los ajustes que elijas y de cuántas tomas generes, porque cada generación consume créditos. El diálogo es lo que más cuenta, ya que se genera línea a línea. Las cuentas nuevas empiezan con créditos gratis, y la página de precios es el único sitio donde consultar los planes actuales.
¿Listo para oír tu guion en voz alta? Abre el toolkit de Picasso IA, elige una voz y genera la primera línea de tu primera escena.
Elige tu idioma
