Guía para corregir la pronunciación del texto a voz

Los fallos de pronunciación al convertir texto a voz casi nunca se deben a un problema del modelo o de la voz, sino a ambigüedades en el texto escrito. Una persona que lee un guion deduce de inmediato si «05/09» representa una fecha, si «$12.50» es una cantidad de dinero o si «Dr.» corresponde a doctor o a dirección. Para un modelo de síntesis de voz, en cambio, cada símbolo representa varias lecturas posibles. La solución más fiable es preparar una versión hablada del guion y mantener el texto original a mano para cotejarlo.

Esta guía propone un método de trabajo: marcar las palabras de riesgo, convertir los símbolos en palabras habladas, probar una sola frase de muestra, guardar las soluciones en un glosario del proyecto y regenerar únicamente la parte que falló.

Empieza por las palabras que más importan

No hace falta revisar cada frase con el mismo nivel de detalle. Conviene centrar la atención en nombres propios, marcas comerciales, topónimos, siglas, unidades de medida, fechas, horas, importes, correos electrónicos y direcciones web. Esos son justo los elementos que cualquier oyente detecta al instante si suenan mal.

Antes de procesar la grabación definitiva, comprueba esas palabras complejas en el generador de deletreo fonético. En el caso de nombres extranjeros o poco habituales, separa la palabra en sílabas cotidianas y marca la sílaba tónica: por ejemplo, un nombre en inglés como «Siobhan» puede escribirse como «shiv-ÓN» o «shih-VAWN», y un término como «Cognitive» se anota según el idioma de la voz elegida.

Un primer repaso útil:

1. Lee el guion completo una vez para entenderlo.
2. Marca cualquier término o símbolo que una persona ajena al proyecto podría leer mal.
3. Escribe la versión hablada exacta junto al original.
4. Guarda ambas versiones en las notas del proyecto para que un editor pueda revertir el cambio.

Si varias personas del equipo van a generar audio a partir del mismo guion, acuerden una versión hablada definitiva. Si una persona escribe «IA» como «i-a» y otra como «inteligencia artificial», las grabaciones sonarán distintas.

Convierte los símbolos en palabras habladas

Los modelos de síntesis no interpretan una página con sentido común: leen secuencias de caracteres y eligen una lectura estadística.

En vez de dejar $12.50, escribe «doce dólares con cincuenta centavos» (o «doce euros con cincuenta», según la moneda local); en vez de 09:30, escribe «nueve y media de la mañana»; y en las direcciones web, anota exactamente las palabras que quieres que se escuchen. Si una sigla es ambigua, desarróllala o sepárala con guiones o espacios. Conserva siempre el texto original junto al texto adaptado para la locución.

Sustituciones habituales que evitan casi todos los tropiezos:

• Fechas: 14/08/2026 se escribe como «catorce de agosto de dos mil veintiséis».
• Horas: 18:00 o 6:00 PM se convierte en «seis de la tarde».
• Monedas: $1,200 pasa a ser «mil doscientos dólares».
• Unidades: 3.5kg se escribe como «tres coma cinco kilogramos» o «tres kilos y medio».
• Direcciones web: freetexttospeech.net/blog se lee mejor como «free text to speech punto net barra blog».
• Correos: hola@ejemplo.com se anota como «hola arroba ejemplo punto com».
• Siglas y abreviaturas: siglas como ONU o IVA se leen como una palabra, pero las iniciales como J.R.R. suelen necesitar espacios («Jota Erre Erre» o «J R R») para que la voz no las lea como una sola palabra rara.
• Versiones de software: v2.0 se escribe como «versión dos punto cero».

La puntuación también forma parte de la pronunciación. Las comas generan pausas cortas y naturales; los puntos crean cierres más claros y descansos en el ritmo. Las barras diagonales, los paréntesis o los guiones rara vez tienen una única lectura al hablar, por lo que es mucho más seguro sustituirlos por palabras directas.

Prueba una sola frase antes del guion entero

Genera una muestra corta de cinco o diez segundos que contenga la palabra difícil. Escúchala a velocidad normal y, a continuación, pruébala dentro de la frase completa. El énfasis y el ritmo cambian según el contexto. En cuanto des con la pronunciación adecuada, apunta esa solución en el glosario del proyecto.

Una palabra que suena bien aislada puede fallar dentro de la frase. Pasa a menudo con palabras que cambian de lectura según la función gramatical. Si el modelo duda entre dos formas, escribe la palabra tal como debe sonar o añade contexto en la frase para despejar la ambigüedad.

Si se trata del nombre de una persona real, no asumas que la grabación tiene la razón. Pregunta directamente a la persona cómo prefiere que se pronuncie su nombre y usa el generador para comprobar que tu guía fonética reproduce ese sonido.

Crea un glosario de pronunciación

Un glosario es una tabla corta que guardas junto al proyecto:

• Término original
• Forma hablada escrita en el guion
• Guía fonética aproximada
• Frase de ejemplo
• Fecha de validación

Reutiliza esa tabla en episodios futuros, capítulos siguientes o revisiones del contenido. No tiene sentido volver a investigar cómo se pronuncia un nombre o una marca en cada entrega.

En proyectos de equipo, guarda el glosario junto al guion definitivo. Si generas por secciones, todas deben usar las mismas formas habladas. Si en el primer capítulo se dice «la NASA» como palabra y en el segundo se deletrea «la N-A-S-A», el resultado sonará descuidado.

Regenera únicamente el fragmento que necesite corrección

Para grabaciones extensas (podcasts, audiolibros o videos explicativos largos), divide el texto en bloques lógicos antes de generar el audio. Si detectas un error en un término del minuto diez, basta con corregir esa frase y volver a unirla al conjunto, en lugar de gastar tiempo y cuota regenerando todo el archivo.

Una pauta práctica es dividir por escenas, encabezados o fragmentos de entre 30 y 90 segundos. Nombra los archivos en orden numérico. Al sustituir una toma corregida, escucha con atención la transición: si la frase empalmada tiene una velocidad o un volumen visiblemente distintos, llamará más la atención que el propio fallo que intentabas resolver.

Usa Unir audios para unir las pistas aprobadas manteniendo una pausa constante y natural entre bloques. Conserva siempre los archivos WAV sin compresión durante la edición; exporta a MP3 únicamente la mezcla final que vayas a publicar o compartir.

Lista de comprobación rápida antes de publicar

• Nombres propios, marcas y lugares se han verificado en un fragmento de prueba.
• Fechas, horas, importes y unidades están escritos como se hablan.
• Direcciones web, correos y números de versión tienen una lectura explícita.
• Las siglas dudosas están desarrolladas o deletreadas a propósito.
• Las soluciones se han anotado en el glosario de pronunciación.
• Solo se ha regenerado el bloque que contenía el error.
• Las uniones entre tomas se han escuchado a velocidad normal para comprobar la continuidad.

La regla fundamental es sencilla: haz explícito todo lo que pueda resultar ambiguo, prueba de antemano los términos difíciles y mantén cada ajuste documentado.

Preguntas frecuentes

¿Por qué el texto a voz pronuncia mal algunos nombres propios?

La mayoría de los modelos adivinan a partir de la ortografía. Los nombres poco comunes, de origen extranjero o con una grafía propia de la familia no están garantizados. Escribe una guía fonética sencilla y confirma con la persona cómo prefiere que se pronuncie su nombre.

¿Conviene usar el Alfabeto Fonético Internacional (AFI/IPA) en el guion?

Por lo general, no hace falta. El AFI es una herramienta excelente para diccionarios y documentación lingüística, pero la mayoría de los generadores de voz responden mejor a una reescritura familiar con el mismo alfabeto del guion. Deja las transcripciones en AFI para el glosario interno si necesitas documentar con precisión técnica.

¿Es necesario utilizar etiquetas SSML para corregir la pronunciación?

En la gran mayoría de locuciones web no es necesario. Escribir el guion tal como debe sonar, comprobar una frase de muestra y regenerar solo el corte afectado resulta mucho más rápido y fácil de mantener que pelear con etiquetas de marcado complejas.

¿Qué hago si solo una palabra suena mal en un archivo de audio largo?

Divide el guion en secciones antes de generar el audio. Si falla una palabra, corrige solo esa sección y vuelve a unirla con las demás pistas. Reprocesar una locución de media hora por un solo tropiezo es la forma más lenta e ineficiente de trabajar.