Un desglose práctico de cómo escribir prompts para voces en off que suenen naturales y humanas. Incluye el control del tono, el ritmo, el énfasis y la emoción, con 30 ejemplos listos para usar en estilos cálidos y conversacionales, autoritarios, de tutorial, dramáticos y meditativos, con los mejores modelos de voz de IA.
La diferencia entre una voz de IA robótica y una que de verdad pasa por humana casi siempre se reduce a la misma causa: el prompt. Los guiones pegados sin ninguna indicación de dirección en una herramienta de texto a voz salen planos, mecánicos y monótonos. La buena noticia es que escribir prompts para voces en off que suenen naturales no es una habilidad técnica, sino creativa, y este artículo te da todo lo necesario para hacerlo bien.
A continuación encontrarás un desglose estructurado de lo que hace que un prompt de voz en off funcione, seguido de 30 ejemplos listos para usar en cinco estilos de tono, un tutorial paso a paso para ElevenLabs V3, una comparación completa de modelos y cuatro plantillas reutilizables para guardar en tus marcadores para tu próximo proyecto.
Todo modelo de texto a voz lee tu texto como un flujo de datos plano, a menos que le indiques lo contrario. Sin indicaciones de ritmo, contexto emocional o énfasis, el modelo recurre a una cadencia neutra y uniforme. Por eso tantas voces en off de IA suenan como un GPS de navegación leyendo un discurso emotivo.
Tu prompt es la dirección que el modelo usa para interpretar. Un actor de voz profesional recibe un guion y un director que le da indicaciones en tiempo real dentro de la cabina. Tu prompt de TTS es esa dirección, incorporada antes de que se pronuncie la primera palabra.
El habla natural no es perfectamente uniforme. Las personas bajan el volumen en las palabras poco importantes, respiran entre ideas y acentúan las palabras que cargan con la emoción. Aminoran antes de una frase importante y aceleran al pasar por la información entre paréntesis.
Cuando la gente llama "natural" a una voz en off, normalmente se refiere a:
Saber esto da forma a cada prompt que escribes.
Antes de escribir una sola palabra del guion, establece el contexto emocional. Así le indicas al modelo el sentimiento general que debe mantener durante toda la lectura. Usa descripciones en lenguaje sencillo como "cálido e íntimo", "seguro y medido" o "un poco juguetón pero creíble".
💡 Consejo: Modelos como ElevenLabs V3 responden bien a los descriptores emocionales colocados al principio del prompt o en un campo dedicado de instrucciones de estilo. Pon el registro emocional ahí, primero.
El ritmo es uno de los elementos que más se pasan por alto. Las instrucciones vagas como "habla despacio" rara vez producen el resultado correcto. Las más específicas sí:
La puntuación es tu herramienta de ritmo más fiable. Una coma produce una micropausa. Unos puntos suspensivos (...) señalan una pausa más larga y dramática. Un punto en una ruptura inesperada a mitad de frase crea un efecto contundente. Úsalos con intención.
La negrita, las mayúsculas y las etiquetas explícitas indican dónde debe caer el acento. Cada modelo los trata de forma distinta, pero el método más extendido es la instrucción explícita:
Algunos modelos, como MiniMax Speech 2.8 HD, admiten etiquetas de marcado o sintaxis tipo SSML para mayor precisión. Consulta la documentación del modelo para ver las opciones disponibles.
Funcionan bien en videos de marca, explicativos y contenido educativo, cuando el objetivo es que suene como una persona de confianza hablándole directamente a un solo oyente.
Úsalos para narraciones documentales, contenido corporativo y temas financieros o legales.
💡 Consejo: Para audio de estilo informativo con mucha claridad, MiniMax Speech 2.8 Turbo ofrece una articulación excelente a alta velocidad. Combínalo con uno de los prompts autoritarios de arriba para obtener un resultado nítido y profesional.
Ideal para videos de instrucciones, recorridos por aplicaciones, guiones de incorporación y contenido de e-learning.
Para tráilers, promos, audiolibros y narrativa de historias.
Para apps de bienestar, contenido para dormir, ejercicios de respiración y meditación guiada.
💡 Consejo: Resemble AI Chatterbox admite etiquetas de emoción que hacen que las interpretaciones calmadas y meditativas resulten especialmente convincentes. Puedes controlar la intensidad emocional directamente dentro del prompt.
ElevenLabs V3 es uno de los modelos de texto a voz más receptivos a la emoción disponibles. Abarca toda la gama, desde susurros íntimos hasta proclamaciones dramáticas, y por eso es una buena opción para voces en off que necesitan sonar realmente humanas.
V3 te da acceso a una biblioteca de perfiles de voz, cada uno con características naturales distintas. Antes de escribir tu prompt:
V3 tiene dos ajustes que verás en la interfaz de PicassoIA:
| Ajuste | Valor bajo | Valor alto |
|---|---|---|
| Estabilidad | Más expresiva, más variable | Constante, menos sorpresas |
| Claridad | Sonido natural con más solapamiento | Nítida, con separación clara |
| Exageración de estilo | Interpretación sutil | Entrega emocional intensa |
Para voces en off naturales, una estabilidad entre 40 y 60 funciona bien. Si es demasiado alta, la interpretación se aplana. La claridad entre 70 y 80 es adecuada para un habla que deba entenderse bien en cualquier dispositivo de reproducción.
Con V3, el prompt va en dos lugares: una descripción del estilo de voz antes del guion y marcas en línea dentro del propio guion.
Descripción del estilo de voz:
"Tono cálido y conversacional. Habla como si de verdad te alegrara compartir esto con un amigo. Ritmo natural, de 120 a 130 palabras por minuto. Una leve sonrisa audible durante todo el texto. Haz pausas en las comas."
Guion con marcas en línea:
"Hay tres cosas que necesitas saber antes de empezar. [pause] Primero, no tiene por qué ser perfecto. [pause] Segundo, lo terminado es mejor que lo ideal. [pause] ¿Y tercero? [longer pause] Ya tienes todo lo que necesitas."
La combinación del registro emocional, la instrucción de ritmo y las marcas de pausa en línea produce un resultado que suena a una persona real, no a una máquina leyendo un texto.
La plataforma PicassoIA aloja una amplia gama de modelos de texto a voz, cada uno con su propio carácter. Aquí tienes una comparación rápida de las mejores opciones para trabajos de voz en off con sonido natural:
| Modelo | Ideal para | Velocidad | Idiomas |
|---|---|---|---|
| ElevenLabs V3 | Narración emocional, storytelling | Media | 30+ |
| ElevenLabs V2 Multilingual | Voces en off internacionales | Media | 30+ |
| Flash v2.5 | Entrega ultrarrápida | Muy rápida | 32 |
| MiniMax Speech 2.8 HD | Audio de calidad de estudio | Moderada | Varios |
| MiniMax Speech 2.8 Turbo | Salida rápida de estilo informativo | Rápida | Varios |
| Chatterbox Pro | Entrega con control de emoción | Media | Inglés |
| Chatterbox Turbo | Generación en tiempo real | Muy rápida | Inglés |
| Play Dialog | Diálogo conversacional | Media | Varios |
| Gemini 3.1 Flash TTS | Varias voces, más de 70 idiomas | Rápida | 70+ |
| Grok TTS | Voz expresiva y receptiva | Rápida | Inglés |
| Qwen3 TTS | Clonación de voz, voces personalizadas | Media | Varios |
Para la clonación de voz en concreto, MiniMax Voice Cloning te permite entrenar un modelo con tu propia voz, de modo que tus prompts dirigen una versión de tu voz real y no una genérica. Es lo más natural que puede sonar un audio de IA.
El error más común es un prompt que se contradice. "Habla despacio, pero con mucha energía" es difícil de ejecutar. "Habla despacio, pero con entusiasmo genuino" funciona mejor, porque el entusiasmo no exige velocidad.
Cuando las instrucciones entran en conflicto, el modelo elige una y descarta la otra. Mantén cada prompt centrado en una única cualidad principal y añade matices con instrucciones secundarias que la respalden, en lugar de contrariarla.
La puntuación es ritmo en forma de texto. Un guion que llega a un modelo de TTS sin puntuación se leerá como un único flujo largo y continuo. Añade comas donde una persona respiraría de forma natural. Usa puntos suspensivos para dar peso dramático. Usa puntos para crear pausas firmes.
Aunque la visualización final de tu guion no muestre la puntuación, inclúyela en el texto de entrada del TTS. El modelo la interpreta como datos de tiempo.
Un prompt de meditación no necesita la misma energía de interpretación que un anuncio de una marca de fitness. Aun así, muchas personas usan el mismo estilo genérico ("habla con claridad y naturalidad") sin importar el contexto. Piensa en quién escucha y en qué estado se encuentra cuando oye este audio.
Un público sentado en silencio, con los ojos cerrados, necesita un ritmo más lento y un volumen más bajo que un público que ve un resumen de momentos destacados con cortes rápidos. Tu prompt debe reflejar el entorno en el que vivirá el audio, no solo las palabras que se pronuncian.
Aquí tienes cuatro plantillas reutilizables, estructuradas para usarse directamente. Rellena el [brackets] con tus datos concretos:
Plantilla 1: narración estándar
"Habla con un tono [cálido / autoritario / calmado]. Ritmo de aproximadamente [110-130] palabras por minuto. Haz una pausa de [medio tiempo / un tiempo completo] en cada coma. Acentúa [los sustantivos importantes / los verbos / las cifras] en cada frase. Temperatura emocional: [neutra / ligeramente positiva / seria]."
Plantilla 2: contenido de diálogo
"Esta es una conversación entre [dos adultos / un padre o madre y un hijo / dos compañeros de trabajo]. Cada hablante debe sonar distinto. Ritmo natural, con frases que se solapen allí donde la interrupción ocurriría de forma natural. Tono emocional: [amistoso / tenso / juguetón]."
Plantilla 3: ventas y llamada a la acción
"Seguro, creíble y directo. Sin presionar. Di los beneficios como si de verdad creyeras en ellos. Ve más despacio en la frase de llamada a la acción. Termina con un tono cálido y acogedor."
Plantilla 4: educativo de formato largo
"Paciente, claro, metódico. Los títulos se leen con una pausa distinta antes y después. El texto del cuerpo, a 120 palabras por minuto constantes. Las definiciones, algo más despacio. Tono: con conocimiento de causa, pero cercano."
PicassoIA te da acceso directo a más de 20 modelos de texto a voz, incluidos todos los modelos mencionados en este artículo, en un solo lugar. No necesitas registrarte en seis plataformas distintas ni gestionar integraciones de API por separado. Elige una voz, pega un prompt y escucha el resultado en segundos.
Si quieres una voz en off que suene de verdad como una persona real, empieza con los 30 prompts de arriba, elige un modelo de la tabla comparativa que se ajuste a tu caso de uso e itera a partir de ahí. La diferencia entre una lectura plana y una atractiva casi siempre está en el propio prompt.
Pruébalo ahora en picassoia.com/en/all-models. Empieza con ElevenLabs V3 para narración emocional, Chatterbox Pro para un control emocional preciso o MiniMax Speech 2.8 HD para una salida de calidad de estudio. La voz que necesitas ya está ahí. Solo necesita la dirección adecuada.
Elige tu idioma
