Pide a un modelo de lenguaje un diálogo a tu nivel, sobre la situación que de verdad vas a vivir, y haz que un modelo de texto a voz lo lea en dos voces. Repítelo, ralentízalo, compáralo con una transcripción y pide una versión más difícil cuando esta ya te resulte fácil.
La mayoría de la práctica de escucha llega como una grabación que hizo otra persona, a una velocidad y un nivel que eligió otra persona, sobre un tema que tú nunca escogerías. Con IA escribes tú la escena. Un modelo de lenguaje redacta un diálogo al nivel que le pidas, un modelo de texto a voz lo lee en dos o más voces y tú le das al play. No sustituye a los hablantes nativos, pero llena el largo hueco entre una clase y la siguiente.
El audio de los cursos tiene un techo. Los diálogos son fijos, los temas son genéricos y a la tercera repetición ya te sabes las respuestas de memoria en lugar de entrenar el oído. Lo que la mayoría de los estudiantes necesita es un suministro constante de material de escucha corto y fresco que encaje con el punto en el que están hoy: una conversación sobre alquilar un piso si vas a ver uno, una llamada con un farmacéutico si viajas el mes que viene, una reunión de trabajo si es ahí donde usas tu segundo idioma.
La IA hace que producir ese material sea barato. Un modelo de lenguaje escribe el guion con el nivel, el registro y el tema que describas, y puedes pedirlo otra vez cambiando el vocabulario o el ritmo de la conversación. Después un modelo de texto a voz convierte el guion en audio, y aquí viene lo que importa para escuchar: oyes una conversación entre voces distintas, no a un solo narrador leyendo frases. Picasso IA reúne los dos tipos de modelo en un mismo lugar, así que el guion y el audio salen del mismo espacio de trabajo, y el catálogo completo te enseña qué más hay disponible cuando quieras probar otra voz.
El flujo tiene tres partes y cada una es un tipo de modelo distinto.
La primera es el escritor. Cualquier modelo de chat potente puede redactar un diálogo; claude-sonnet-5 y gpt-5 están los dos en el catálogo y los dos siguen bien las instrucciones sobre nivel, longitud y registro. Describes la situación, los dos hablantes, el nivel y la longitud, y pides texto plano con los nombres de los hablantes marcados, para que el guion quede listo para pegarlo en el siguiente paso.
La segunda es la voz. play-dialog está hecho justo para este trabajo: lee un guion como una conversación, admite dos voces en una sola ejecución y tiene un ajuste de idioma. gemini-3.1-flash-tts acepta una instrucción de estilo en lenguaje normal, como habla despacio y con claridad, y cubre más de setenta códigos de idioma, así que sirve para idiomas que no son los más comunes. elevenlabs v3 ofrece muchos perfiles de voz y un código de idioma, algo útil cuando quieres oír la misma frase en boca de varios hablantes distintos.
La tercera es opcional pero merece la pena: un modelo de transcripción como gpt-4o-transcribe. Pásale el audio terminado y compara lo que oye con el guion. Si no coinciden, o bien la voz pronunció algo mal, o bien tu oído y la máquina se perdieron una palabra, y cualquiera de las dos respuestas es útil saberla.
El nivel es lo más importante que debes poner en el prompt de escritura, y palabras vagas como fácil o difícil no funcionan bien. Describe el nivel en términos que el modelo pueda aplicar: longitud de las frases, tiempos verbales, tipo de vocabulario y velocidad a la que hablan las personas. Esta tabla es un punto de partida que puedes adaptar, con las etiquetas habituales de A1 a C1.
| Nivel | Pide al modelo de lenguaje | Pide a la voz |
|---|---|---|
| Principiante (A1) | De 6 a 8 líneas cortas, solo presente, las palabras más comunes, una situación sencilla como pedir un café | Ritmo lento, pausas claras entre turnos, una voz masculina y otra femenina para distinguir bien a los hablantes |
| Elemental (A2) | De 8 a 10 líneas, pasado y futuro en formas simples, temas cotidianos como comprar o pedir indicaciones | Algo más lento de lo normal, acento neutro |
| Intermedio (B1) | Una conversación de 12 a 16 líneas con opiniones, razones y un pequeño malentendido que resolver | Ritmo normal, un estilo informal, dos voces claramente distintas |
| Intermedio alto (B2) | Un intercambio más largo con modismos, interrupciones y un tema como un desacuerdo en el trabajo o un problema de viaje | Ritmo natural, entrega expresiva, un acento distinto para cada hablante si el modelo lo permite |
| Avanzado (C1) | Un debate o una escena a tres con sobreentendidos, humor y turnos rápidos | Entrega rápida e informal con pausas mínimas |
Conviene conocer dos ajustes. Primero, si el diálogo te parece demasiado fácil, no pidas palabras más difíciles; pide turnos más rápidos, más contracciones y más cosas sin decir, porque la dificultad real de escuchar viene de la velocidad y de lo implícito más que del vocabulario raro. Segundo, si te parece demasiado difícil, mantén el tema y recorta la longitud. Un diálogo corto que entiendes enseña más que uno largo que solo sobrevives.
Este recorrido supone que tienes un idioma objetivo y un nivel aproximado. No requiere edición de audio ni grabar nada.
Generar el audio es la parte fácil. Lo que hagas con él decide si tu oído mejora, y unos pocos hábitos hacen casi todo el trabajo.
Escucha por capas. La primera pasada es solo para la situación: quién, dónde, qué está pasando. La segunda es para los detalles que se te escaparon. Solo la tercera pasada debería tener el guion abierto. Quienes leen desde el principio practican lectura con banda sonora, que es otra habilidad.
Cambia una sola variable cada vez. Mantén el mismo guion y cambia la voz, o mantén la voz y cambia el tema. Cuando las mismas palabras vuelven con otro acento o a otra velocidad, tu cerebro separa el vocabulario del sonido, que es el objetivo de toda práctica de escucha.
La prueba de un buen ejercicio de escucha no es que lo entendieras a la primera. Es que la segunda reproducción te sorprenda menos que la primera. Si no es así, el diálogo está demasiado por encima de tu nivel, y conviene pedir una versión más corta o más lenta en lugar de aguantar a la fuerza.
Esto es una ayuda de entrenamiento, y los hablantes nativos siguen siendo la referencia de cómo suena de verdad un idioma. Cinco límites que conviene tener presentes:
Nada de esto vuelve inútil la práctica. Significa que el diálogo generado es tu gimnasio y la conversación con una persona es el partido.
No, y funciona mejor cuando no intentas usarla así. Un diálogo generado te da material ilimitado y ajustado a tu nivel para entrenar entre clases, pero no puede reproducir el habla solapada, el ruido de fondo, la variedad regional ni la imprevisibilidad de una persona real. Trata a los hablantes nativos, los podcasts reales y las conversaciones reales como la referencia, y usa el audio de IA para prepararte para ellos y para rellenar los huecos intermedios.
Para escribir sirve cualquier modelo de chat potente del toolkit; claude-sonnet-5 y gpt-5 son buenas primeras opciones porque siguen de cerca las instrucciones de nivel y longitud. Para el audio, play-dialog lee un guion como una conversación a dos voces, gemini-3.1-flash-tts añade una instrucción de estilo y muchos códigos de idioma, y elevenlabs v3 ofrece una amplia gama de voces. Prueba el mismo guion en dos de ellos y quédate con el que tu oído siga con más facilidad.
Sí. play-dialog admite dos voces en una sola ejecución, así que etiquetas las líneas como Voice 1 y Voice 2 y las lee como un intercambio de ida y vuelta. Para un tercer hablante, o para un modelo que maneja una voz por ejecución, genera cada hablante por separado y reproduce los clips en orden. Elegir voces que difieran en tono o género hace mucho más fácil seguir quién habla, sobre todo en nivel principiante.
Depende del modelo de voz que elijas, y las listas son distintas. gemini-3.1-flash-tts lista más de setenta códigos de idioma, play-dialog tiene un ajuste de idioma que cubre decenas de lenguas y elevenlabs v3 también acepta un código de idioma. Revisa la página del modelo antes de comprometerte con un idioma poco común, haz una prueba corta y prepárate para cambiar de modelo si la pronunciación suena rara.
Describe el nivel en términos concretos en lugar de usar la palabra fácil. Da la etiqueta del MCER si la conoces, pide un número de líneas, nombra los tiempos verbales que quieres y di si se permiten modismos. Si la primera versión es demasiado difícil, pide al modelo que la reescriba con frases más cortas y palabras más comunes; si es demasiado fácil, pide turnos más rápidos y más contracciones en lugar de vocabulario raro. Ajusta el prompt una o dos veces y quédate con la versión que funcione.
Sí. Pasa el audio terminado por un modelo de transcripción como gpt-4o-transcribe y compara el resultado con el guion. Una diferencia puede significar que la voz pronunció mal una palabra o que el audio no es claro, y las dos cosas conviene saberlas. También sirve como autoprueba: anota primero lo que oíste y compara después tu versión con el guion y la transcripción para ver exactamente qué palabras se te escaparon.
Las cuentas nuevas reciben créditos gratis, suficientes para probar unos cuantos diálogos y comprobar si el método te encaja. Después, generar cuesta créditos, y la cantidad depende del modelo y de los ajustes. Un guion de texto corto y un clip de audio breve son trabajos pequeños comparados con el video, pero las cifras exactas cambian, así que la página de precios es el sitio donde mirar antes de montar un hábito diario.
Sí, y es de las formas más útiles de usarlo. Pega tu lista en el prompt de escritura y pide un diálogo que use cada palabra al menos una vez en un contexto natural, a tu nivel. Si alguna palabra suena mal, pide otra frase que la use y vuelve a escuchar.
Lo bastante corto como para repetirlo varias veces sin perder la paciencia. Para la mayoría de los estudiantes eso significa un puñado de líneas en nivel principiante y hasta un par de minutos de audio en nivel avanzado. Un diálogo de un minuto que repites cinco veces hace más por tu oído que uno de diez minutos que reproduces una sola vez.
Para tu propio aprendizaje, una clase que das o un grupo de amigos, un diálogo generado con hablantes ficticios es una forma práctica de crear material compartido. Mantén las voces ficticias: no intentes imitar a un profesor real, a un famoso ni a ninguna persona identificable sin su permiso. Si piensas publicar el audio, revisa las condiciones vigentes de los modelos y las plataformas que uses. Para otros proyectos de audio, mira locución con IA para videos y narración de audiolibros.
Elige una situación que de verdad vayas a vivir esta semana y abre el toolkit de Picasso IA para oírla leída a tu nivel.
Elige tu idioma
