Dale a cada personaje de tu juego una voz que le pegue: un herrero áspero, un explorador nervioso, un héroe de calma tensa. Elige un preset, describe una voz con palabras o clona una que sea tuya, y dirige la interpretación línea a línea para que se mantenga igual de la primera frase al último cinemático.
Un juego con cuarenta personajes con nombre y una sola voz de narrador suena a función escolar. Los jugadores perdonan un arte sencillo mucho antes que a un herrero que suena exactamente igual que la reina. Los modelos de texto a voz ya pueden darle a cada PNJ y a cada héroe una voz propia, en una tarde de prototipo y no en un mes de casting, y esta página explica cómo elegirlas, dirigirlas y mantenerlas consistentes.
La voz es la forma más rápida de distinguir a los personajes. Un jugador que no ve a quien habla, porque la cámara se movió o el cuadro de texto queda a un lado, sabe igualmente quién es cuando la voz transmite edad, carácter y actitud. La mayoría de los equipos pequeños no dobla nada, no por falta de ganas, sino porque contratar y grabar cuarenta papeles es un proyecto en sí mismo, y una sola línea olvidada obliga a volver a llamar al actor.
El texto a voz cubre ese hueco de forma práctica. Puedes meter diálogo hablado de verdad en un prototipo, comprobar si el ritmo de una escena funciona cuando las líneas se oyen en lugar de leerse, llenar una versión de game jam con saludos y gritos de combate, o poner voz a un narrador mientras esperas al reparto definitivo. Picasso IA incluye 24 modelos de texto a voz entre sus 502, entre ellos elevenlabs/v3 y qwen/qwen3-tts, y todos funcionan en el toolkit, así que probar tres motores con un mismo personaje lleva unos minutos. Las cuentas nuevas reciben créditos gratis para probarlo.
No todos los personajes necesitan el mismo tratamiento. Un tendero con seis líneas puede conformarse con un preset, mientras que el héroe que habla durante diez horas merece una voz hecha a su medida. Estas son las cuatro palancas que tienes, y la tabla muestra cuándo encaja cada una.
| Enfoque | Cómo funciona en Picasso IA | Mejor para | Ojo con |
|---|---|---|---|
| Voz predefinida | Elige un locutor de catálogo: elevenlabs/v3 ofrece más de 25 voces, qwen/qwen3-tts ofrece nueve | Prototipos, tenderos, guardias, voces de multitud | Dos personajes sin relación pueden acabar con el mismo preset |
| Diseño de voz | Describe la voz con palabras normales en el modo de diseño de voz de qwen/qwen3-tts | Monstruos, espíritus y héroes que ninguna voz de catálogo encaja | Una descripción es un brief, no una receta: guarda las tomas que te gusten |
| Clonación de voz | Dale a qwen/qwen3-tts o a minimax/voice-cloning una grabación de referencia corta | Tu propia voz, o un actor que aceptó por escrito | Solo voces que son tuyas o con permiso para usarlas |
| Dirección de estilo | El control de estilo de elevenlabs/v3 o la instrucción de estilo de qwen/qwen3-tts | Una misma voz en distintos estados: calma, rabia, miedo | Forzar demasiado el ajuste puede hacer que la voz deje de sonar como ella misma |
El diseño de voz es la palanca que más importa en los juegos. Las voces de catálogo suelen estar pensadas para narración y vídeos explicativos, mientras que los personajes son exagerados por naturaleza: un tesorero goblin, un caballero retirado con la voz quebrada, el ordenador de una nave que intenta sonar amable. Escribir una descripción corta, como una anciana con un rasgueo seco y divertido que habla despacio, y oír una toma en segundos es una forma muy distinta de hacer casting. Los presets siguen teniendo su sitio en los muchos papeles menores que solo necesitan sonar humanos y distintos entre sí.
Este es el ciclo que funciona para un reparto de tres personajes o de cincuenta. Da por hecho que ya tienes el diálogo escrito, aunque sea en borrador.
Un modelo de texto a voz lee lo que escribes, así que el propio texto es tu herramienta de dirección principal. La puntuación marca el ritmo: una coma es un respiro corto, unos puntos suspensivos son una duda, un salto de línea es una pausa. Las frases cortas se sienten tensas y urgentes, las largas suenan relajadas. Si un nombre inventado sale mal, escríbelo como suena, de modo que Zephyros podría pasar a ser Zefiros, y guarda esa ortografía fonética en tu ficha de voz.
Más allá del texto, los modelos te dan controles de verdad. En elevenlabs/v3 puedes ajustar estabilidad, exageración de estilo y velocidad, y puedes pasarle la línea anterior y la siguiente como contexto para que la entonación encaje en el límite de cada frase. En qwen/qwen3-tts una instrucción de estilo acepta indicaciones sencillas como habla despacio o tono emocionado. Cambia un solo control cada vez y toma notas, o nunca sabrás qué arregló la toma.
Dirige para el momento, no para el personaje. Un héroe que susurra porque hay enemigos cerca y un héroe que susurra porque está de duelo necesitan dos indicaciones distintas, y ambos usan la misma voz. Escribe la situación en la indicación de estilo, no solo la palabra de la emoción.
La longitud también cuenta. Las frases cortas, como un guardia que dice alto o un mercader que dice bienvenido, son las más fáciles de generar bien y las más baratas de repetir. Los monólogos largos de cinemática tienen más margen para titubear a mitad, así que pártelos en respiros naturales, genera cada parte con sus vecinas como contexto y une el audio en tu editor.
El fallo más común no es una mala voz, es una voz que cambia sin avisar. El posadero del capítulo uno y el del capítulo seis deberían ser la misma persona, y con audio generado eso solo ocurre si te encargas tú de que ocurra.
Trata a cada personaje como un pequeño recurso con sus propios ajustes. Genera todas las líneas de un personaje con el mismo modelo, la misma voz y los mismos valores de los controles, y evita cambiar de motor a mitad de proyecto, porque dos modelos nunca leen igual una misma descripción de voz. Guarda una toma aprobada por personaje como referencia y, cuando añadas líneas meses después, compara la toma nueva con ella antes de que entre en la versión. Si usas una voz clonada, la grabación de referencia es el ancla, así que guárdala con el proyecto.
La voz es también la mitad de un personaje. La misma disciplina que mantiene estable una cara entre escenas, explicada en personajes consistentes con IA, vale para una voz: una referencia fija y cambios controlados. Si preparas el arte junto con el audio, assets de juego con IA y pixel art y sprites con IA cubren la parte visual, y el flujo general de voz está en locución con IA para videos.
Las voces generadas son una herramienta potente para el tramo medio de un proyecto y más débil para la cima. Cinco sitios donde conviene planear en torno a los límites:
Nada de esto descarta la herramienta. Significa que el plan realista suele ser una mezcla: IA para el prototipo, los muchos papeles menores y la iteración rápida, y intérpretes humanos donde la historia descansa sobre una sola voz.
Sí. Los modelos de texto a voz convierten el texto de un diálogo en audio hablado, y Picasso IA tiene 24 de ellos en su catálogo de 502 modelos. Escribes la línea, eliges o diseñas una voz y descargas un archivo de audio que puedes importar a tu motor. La calidad basta para prototipos, game jams y muchos papeles menores, y algunos equipos llegarán más lejos, pero el juicio final sobre los papeles principales es tuyo.
Sí. qwen/qwen3-tts tiene un modo de diseño de voz en el que describes la voz con lenguaje normal, por ejemplo un hombre mayor, cálido y cansado, con un ligero acento, y el modelo genera una voz a partir de esa descripción sin grabación de referencia. El mismo modelo tiene además un modo de voz personalizada con nueve locutores predefinidos y un modo de clonación, así que puedes comparar los tres con la misma línea.
Empieza con el diseño de voz de qwen/qwen3-tts cuando el personaje no suena como ninguna voz de catálogo, y con elevenlabs/v3 cuando quieras sus más de 25 voces y sus controles de estabilidad, estilo y velocidad. Después haz la audición de un tercer candidato de la colección de texto a voz con las mismas tres líneas de prueba. El mejor modelo es el que sobrevive a tu línea más difícil, no el que tiene la demo más bonita.
Depende de los términos del modelo y de dónde publiques. Las reglas de uso comercial cambian de un modelo a otro, y las plataformas y tiendas de juegos pueden tener sus propios requisitos sobre contenido generado con IA. Lee los términos del modelo que usaste, comprueba las reglas vigentes de cada plataforma donde pienses lanzar y guarda un registro de qué modelo hizo cada línea. Si hay un contrato o un abogado de por medio, consúltalo allí, porque esta página es información general.
Fija todo lo que pueda cambiar. Usa el mismo modelo, el mismo nombre de voz o la misma descripción escrita, el mismo idioma y los mismos valores de los controles en cada línea de ese personaje, y apúntalos. Guarda una toma aprobada como referencia y compara las tomas nuevas con ella. El momento de riesgo llega meses después, cuando añades una línea y ya no recuerdas qué ajustes usaste.
Solo con su permiso claro y por escrito, y a ser posible con un contrato que cubra el uso sintético. Un modo de clonación como el de qwen/qwen3-tts reproduce las características de una grabación de referencia corta, lo que lo hace útil para tu propia voz o para un actor que ha aceptado. No clones nunca a una persona real que no haya aceptado, ni imites a un actor conocido o a un famoso.
En parte. Puedes dirigir la interpretación con la puntuación, con el control de estilo de elevenlabs/v3 y con las instrucciones de estilo de qwen/qwen3-tts, y las líneas gritadas, tranquilas o susurradas están a tu alcance. Las emociones extremas, como un sollozo real o una voz que se rompe en mitad de una palabra, son el punto más débil y suelen necesitar varias tomas. Para el momento más grande de una historia, planea comparar la toma generada con una interpretación humana.
qwen/qwen3-tts admite diez idiomas, entre ellos inglés, español, francés, alemán, italiano, portugués, ruso, japonés, coreano y chino, y elevenlabs/v3 te deja cambiar el código de idioma antes de ejecutarlo. Generar el audio es la parte fácil. Pide a un hablante nativo que escuche el resultado, porque los nombres, la jerga y los chistes suelen necesitar adaptación y no una traducción literal.
No a través de Picasso IA. El toolkit genera archivos de audio que creas de antemano e importas a tu motor, algo que encaja con diálogo con guion, gritos de combate y cinemáticas. Un diálogo que se invente en tiempo de ejecución necesitaría un sistema de voz integrado en el propio juego, que es otro proyecto. Si tu guion es fijo, los archivos generados de antemano son simples y predecibles.
Generar cuesta créditos, y el coste depende del modelo y de los ajustes, así que no hay una cifra única. Las líneas cortas son lo más barato de repetir, y por eso funciona bien trabajar por escenas y rehacer solo las tomas flojas. Las cuentas nuevas reciben créditos gratis para probar tu reparto, y los planes vigentes están en la página de precios, que es el único sitio fiable para las cifras.
Tu reparto ya está en tu guion. Abre el toolkit de Picasso IA, elige a tu primer personaje y escucha cómo suena antes de que acabe la tarde.
Elige tu idioma
