Cómo escribir indicaciones de voz para IA que suenen realmente humanas (y conviertan)

El primer error que comete la gente con la voz de IA es tratarla como si fuera un color de marca: una sola elección que se aplica en todas partes. La voz no funciona así. El mismo tono que genera confianza en una landing page de ventas se sentirá rígido y corporativo en un clip de redes sociales.

Así es como la voz debería cambiar según el caso de uso:

Anuncios y contenido promocional

Tienes unos tres segundos para captar la atención. La voz necesita energía, confianza y dinamismo. Un perfil de entre mediados de los 20 y principios de los 30 funciona bien para contenido dirigido al consumidor; un tono más grave y estable encaja mejor con marcas B2B o premium. Indica en el prompt: energía, ritmo animado, entrega contundente.

Videos para redes sociales

Las redes sociales recompensan la autenticidad. La voz debe sentirse como una persona real hablándole a un amigo: casual, directa, genuinamente entusiasmada con lo que está diciendo. Cualquier cosa que suene producida o demasiado pulida romperá esa sensación. Indica en el prompt: conversacional, cercana, ritmo natural.

Videos de formación y explicativos

Los alumnos necesitan poder seguir el contenido durante períodos más largos, por lo que la claridad y el ritmo importan más que la personalidad. Una voz tranquila y medida, sin llegar a ser plana, mantiene la atención sin generar fatiga. Un perfil de entre mediados de los 30 y mediados de los 40 aporta la combinación adecuada de autoridad y cercanía. Indica en el prompt: dicción clara, ritmo moderado, tono cálido pero instructivo.

Páginas de ventas y landing pages

Este es un contexto en el que se construye confianza. La voz debe sentirse como la de un asesor con conocimientos: segura, cálida y persuasiva sin presionar. Evita cualquier cosa que suene demasiado pulida o teatral. Indica en el prompt: consultiva, timbre suave, autoridad conversacional.

Correos electrónicos en video

La idea principal de un correo electrónico en video es que se sienta personal. Una voz excesivamente producida arruina esa impresión de inmediato. La voz debe sonar como una conversación uno a uno: cálida, sin prisa, genuina. Indica en el prompt: conversacional, accesible, pausas naturales.

Agentes de voz con IA (sitio web y video landing pages)

Esta voz suele ser el primer punto de contacto de marca que experimenta un visitante. Debe ser amable, útil y profesional sin sonar robótica. Piensa menos en un guion de call center y más en un colega bien informado. Indica en el prompt: clara, acogedora, profesionalidad cálida.

La edad de tu perfil conecta todos estos contextos. Una voz de 22 años narrando un módulo corporativo de cumplimiento normativo se siente fuera de lugar. Una voz de 55 años en un anuncio de TikTok se siente desconectada. Haz coincidir la edad del perfil con las expectativas de la audiencia: es una de las palancas más infrautilizadas en el diseño de voz.

Un prompt de voz no es una lista de adjetivos. Es una descripción de personaje: lo bastante específica como para que dos personas diferentes, al leerla, imaginen a la misma persona.

Todo prompt de voz sólido tiene cuatro componentes:

Lo básico: idioma, género y edad

Estos establecen los parámetros más generales. Sé específico: "mujer, principios de sus 30, inglés americano" es mucho más útil que "mujer". La edad en particular moldea la cualidad vocal, el nivel de energía y la sensación de autoridad que la IA generará; no la dejes vaga.

La interpretación: ritmo, timbre y acento

El ritmo controla la energía. Rápido para contenido social y anuncios, moderado para ventas y capacitación, lento para contenido dramático o emocional. El timbre es la textura de la voz: cálida, brillante, profunda, ronca, suave. El acento aporta tanto carácter como localización, y puede ser la diferencia entre que tu voz se sienta nativa para tu audiencia o ligeramente fuera de lugar.

La nota de personaje: el campo más importante

Aquí es donde la voz pasa de genérica a específica. Piensa en la personalidad, no en los parámetros técnicos. "Una voz que suena como si estuviera sonriendo mientras te habla" produce un mejor resultado que "patrones de entonación ascendente y proximidad frontal".

Algunas notas de personaje que producen resultados sólidos de forma constante:

• Estrella de radio — Brillante, con mucha energía, pulida. Anuncios y promociones.
• Narrador cinematográfico — Profundo, deliberado, dramático. Storytelling de marca.
• Presentador de pódcast — Informal, cálido, curioso. Explicativos y liderazgo de pensamiento.
• Coach amable — Claro, alentador, paciente. Capacitación e incorporación.
• DJ nocturno — Suave, grave, íntimo. Contenido de lujo y atmosférico.
• Presentador de noticias — Nítido, neutral, autoritario. Informes y actualizaciones.

Un ejemplo de prompt completo

Para un correo electrónico en video: "Voz femenina cálida y amable, principios de sus 30, inglés americano, ritmo moderado. Conversacional y accesible, como una colega que comparte consejos útiles mientras toma un café contigo. Ligera sonrisa en la interpretación. Profesional, pero nunca rígida."

Para un anuncio en redes sociales: "Voz masculina enérgica, mediados de sus 20, acento americano neutro, ritmo rápido. Segura y entusiasmada, como alguien que acaba de encontrar algo increíble y no puede esperar para contártelo. Timbre brillante, interpretación contundente."

La diferencia entre estos prompts y uno débil no está en la longitud, sino en la especificidad de la personalidad, no solo de los parámetros.

Escribir el prompt es el trabajo estratégico. Generar la voz debe ser un proceso sin fricción, y para eso está diseñada la herramienta Voice Design de BIGVU.

El flujo de trabajo vive dentro del Brand Kit de BIGVU, en Branded Media. Así es como funciona:

Paso 1: Establece los parámetros

Define el idioma, el acento, el género, el ritmo, la edad y el timbre en la interfaz de Voice Design. Estas son tus entradas técnicas: el marco dentro del cual trabaja la IA.

Paso 2: Escribe la nota de personaje

Este es el campo del prompt que más importa. BIGVU lo llama "notas adicionales", pero trátalo como una guía de casting. "Energía de estrella de radio", "cinematográfico y de combustión lenta", "cálido y divertido como el presentador de un programa matutino": escribe el personaje, no las especificaciones.

Paso 3: Genera tres variaciones y elige

BIGVU genera tres interpretaciones de voz distintas a partir de tu prompt. Previsualiza cada una con un guion de muestra, compara cómo funciona cada versión y elige la que encaje. Verás una descripción en lenguaje natural de lo que se generó para que sepas exactamente qué estás conservando.

Paso 4: Nombra y guarda

Dale un nombre a tu voz — BIGVU puede sugerir uno según el idioma y el contexto cultural — revisa la descripción y guarda. La voz se añade inmediatamente a tu Content Bank, con imágenes de retrato generadas por IA (primer plano, medio cuerpo, cuerpo completo) adjuntas y listas para la producción de video.

Todo el proceso toma menos de dos minutos. Sin actuación de voz, sin casting, sin estudio. Y la voz es tuya: de marca, guardada y reutilizable en cada video que hagas.

La dimensión multilingüe merece una mención específica. El mismo flujo de trabajo basado en prompts se aplica independientemente del idioma. Una voz portuguesa cálida para tu mercado brasileño, una voz japonesa profesional para Tokio, una voz española de ritmo rápido para redes sociales en América Latina: ajusta el idioma, el acento y las notas culturales, y el resultado se adapta. La voz de tu marca escala globalmente sin tener que reconstruirse desde cero.

La mayoría de los resultados de voz con IA que no dan en el blanco se deben a un puñado de los mismos errores de prompting. Esto es lo que debes evitar:

Usar solo adjetivos genéricos

“Profesional”, “amigable”, “clara” — estas palabras son tan amplias que casi no le dan orientación a la IA. Toda voz decente es esas cosas. Cámbialas por descriptores de personalidad: “como un coach experimentado que ya lo ha visto todo, pero que todavía se entusiasma por ayudar” le da a la IA algo con lo que trabajar.

Omitir la edad

La edad moldea la calidad vocal, la autoridad y la capacidad de generar identificación más de lo que la mayoría de la gente imagina. Una voz generada sin una referencia de edad tenderá por defecto a algo intermedio, que normalmente está bien y rara vez es excelente. Especifica el rango de edad y verás cómo el resultado se vuelve más preciso.

Usar la misma voz en todas partes

Una sola voz de marca aplicada a todos los formatos es un compromiso que no le funciona bien a ninguno. Tu página de ventas, tu contenido para redes sociales y tus videos de incorporación tienen funciones distintas. Deja que tengan voces diferentes, o al menos variaciones distintas del prompt, ajustadas al contexto.

Escribir jerga técnica en lugar de una descripción humana

Términos como “variación prosódica”, “colocación hacia adelante” o “glottal fry” pueden ser precisos, pero los modelos de voz con IA responden mejor al lenguaje humano. Describe la experiencia de escuchar, no las propiedades acústicas. “Suena como si estuviera sonriendo” supera a “tono elevado con modulación ascendente”.

Olvidar probar con un guion real

Una voz puede sonar muy bien en una muestra genérica y quedarse corta en tu contenido real. Siempre prueba la voz generada usando una o dos líneas del guion real que va a narrar. La diferencia entre una voz aceptable y la voz correcta a menudo solo se nota en contexto.

La mayoría de los resultados de voz con IA que no dan en el blanco se deben a un puñado de los mismos errores de prompting. Esto es lo que debes evitar:

Usar solo adjetivos genéricos

“Profesional”, “amigable”, “clara” — estas palabras son tan amplias que casi no le dan orientación a la IA. Toda voz decente es esas cosas. Cámbialas por descriptores de personalidad: “como un mentor experimentado que ya lo ha visto todo, pero que todavía se entusiasma por ayudar” le da a la IA algo con lo que trabajar.

Omitir la edad

La edad moldea la calidad vocal, la autoridad y la cercanía más de lo que la mayoría de la gente imagina. Una voz generada sin una referencia de edad tenderá a quedarse en un punto intermedio, lo cual suele estar bien y rara vez es excelente. Especifica el rango de edad y verás cómo el resultado se vuelve más preciso.

Usar la misma voz en todas partes

Una sola voz de marca aplicada a todos los formatos es un compromiso que no sirve bien a ninguno de ellos. Tu página de ventas, tu contenido para redes sociales y tus videos de incorporación tienen funciones distintas. Deja que tengan voces diferentes, o al menos variaciones distintas del prompt, ajustadas al contexto.

Escribir jerga técnica en lugar de una descripción humana

Términos como “variación prosódica”, “colocación frontal” o “glottal fry” pueden ser precisos, pero los modelos de voz con IA responden mejor al lenguaje humano. Describe la experiencia de escuchar, no las propiedades acústicas. “Suena como si estuviera sonriendo” supera a “tono elevado con modulación ascendente”.

Olvidar probar con el guion real

Una voz puede sonar muy bien en una muestra genérica y quedarse corta en tu contenido real. Siempre prueba la voz generada usando una o dos líneas del guion real que narrará. La diferencia entre una voz aceptable y la adecuada a menudo solo se nota en contexto.