Cómo clonar tu voz con IA

La clonación de voz con IA crea un modelo digital de tu voz que puede reconstruir cualquier discurso para que suene como tú. A diferencia del texto a voz (que genera audio robótico a partir de texto), la clonación de voz con RVC (Retrieval-based Voice Conversion) funciona de voz a voz: hablas con naturalidad y la IA transforma el audio de salida para que coincida con la voz de destino en tiempo real.

La tecnología funciona analizando grabaciones de tu voz, extrayendo características como el timbre, la resonancia y la textura vocal, y construyendo un modelo de red neuronal que puede reproducir esas características. Una vez entrenado, el modelo procesa el audio en directo y en tiempo real: hablas por tu micrófono y lo que sale suena como la voz clonada.

Equipo de grabación: Cualquier micrófono decente funciona. Un micro de condensador USB (30-50 $) en una habitación silenciosa produce resultados excelentes. Evita los micrófonos integrados de los portátiles, ya que introducen demasiado ruido. Necesitas de 3 a 10 minutos de grabaciones de voz claras.

Software de entrenamiento: Applio (gratis y de código abierto) es el estándar para entrenar modelos RVC. Se ejecuta localmente en tu PC y requiere una GPU con al menos 4 GB de VRAM (NVIDIA GTX 1650 o superior). El entrenamiento tarda entre 15 y 45 minutos, dependiendo del tamaño del set de datos y de la GPU.

Voice changer: Echo (voicechanger.live/download) carga tu modelo entrenado y lo ejecuta en tiempo real. Acepta archivos de modelo .onnx y procesa todo localmente: los datos de tu voz nunca salen de tu ordenador.

Graba de 3 a 10 minutos de ti mismo hablando con naturalidad. Lee en voz alta un libro, un artículo o un guion de noticias, cualquier cosa que cubra una variedad de palabras y sonidos. Intenta mantener un volumen y una distancia constantes del micrófono (15-30 cm). Evita susurrar, gritar o hacer variaciones vocales dramáticas, a menos que quieras que el modelo reproduzca esos extremos.

Guarda la grabación como un único archivo WAV o MP3. Si tienes varios archivos, únelos. El software de entrenamiento los dividirá en segmentos automáticamente. Las grabaciones de mayor calidad producen modelos drásticamente mejores: 30 segundos de audio limpio siempre superan a 5 minutos de audio con ruido.

Abre Applio y crea un nuevo experimento. Sube tu archivo de audio, establece las "epochs" de entrenamiento en 200-400 (más alto = más preciso pero más lento), y selecciona el método de extracción de pitch f0 (RMVPE es el mejor actualmente). Haz clic en entrenar y espera; un set de datos típico de 5 minutos se entrena en unos 20 minutos en una GTX 3060.

Una vez que se complete el entrenamiento, tendrás un archivo de modelo .pth. Este es tu modelo de voz. Puedes convertirlo al formato .onnx usando la herramienta de conversión de modelos de Echo (voicechanger.live/tools/model-converter) para usarlo en tiempo real.

Importa el archivo .onnx a Echo arrastrándolo a la ventana de la app. El modelo aparecerá en tu biblioteca de voces junto a los presets integrados. Selecciónalo, activa la conversión de voz y empieza a hablar: la salida de tu micrófono es ahora tu voz clonada.

Echo Live enruta el audio procesado a través de un cable de audio virtual (VB-Cable en Windows, BlackHole en macOS), por lo que cualquier aplicación (Discord, Zoom, OBS, juegos) puede usar tu voz clonada como si fuera un micrófono normal. El procesamiento se realiza por completo en tu GPU local con una latencia mínima.

La calidad del set de datos importa más que la cantidad. 3 minutos de audio de calidad de estudio producen un modelo mejor que 10 minutos de grabaciones con ruido. Graba en una habitación silenciosa, usa un filtro antipop y mantén una distancia constante del micrófono.

Epochs de entrenamiento: Empieza con 200 epochs. Escucha el resultado; si suena bien, para. Si la voz suena apagada o robótica, aumenta a 400 epochs. Superar las 600 epochs rara vez mejora la calidad y puede causar "overfitting" (el modelo memoriza tus grabaciones exactas en lugar de aprender las características generales de la voz).

Coincidencia de pitch: La clonación de voz funciona mejor cuando las voces de origen y de destino están en rangos de pitch similares. Las clonaciones de hombre a hombre y de mujer a mujer producen los resultados más naturales. La clonación de un género a otro es posible, pero puede requerir un ajuste de pitch en la cadena de DSP.

Echo procesa todo localmente en tu dispositivo. Tus grabaciones de voz y modelos entrenados nunca salen de tu ordenador: no hay subidas a la nube, ni procesamiento en servidores, ni recopilación de datos. Esto es fundamentalmente diferente de los servicios de clonación basados en la nube que almacenan tus datos de voz en sus servidores.

Clona solo las voces que tengas permiso para usar. Clonar la voz de otra persona sin su consentimiento plantea serias preocupaciones éticas y legales. La tecnología de clonación de voz con IA es poderosa: úsala de manera responsable para proyectos creativos, creación de contenido y experimentación personal.