ElevenLabs: locución con IA y clonación de voz en 2026

Durante mucho tiempo grabé yo mismo la voz de mis vídeos. Te sientas al micrófono, lees el guion, te trabas en la séptima frase, empiezas de nuevo, y entonces el vecino se pone a taladrar la pared y vuelta a empezar. Media hora por un minuto de audio limpio es lo normal si alguna vez has locutado una clase o un reel.

Luego subí un par de minutos de mi voz a ElevenLabs y obtuve un clon que lee cualquier texto que le doy. Hoy traduzco así mis vídeos a otros idiomas: mi timbre, mi entonación, y mientras tanto yo estoy con otra cosa.

Abajo tienes el camino completo desde cero: qué hace el servicio, cuánto cuesta, cómo escribir un guion para que la IA no destroce nombres y cifras, y dónde la voz con IA ahorra de verdad horas y dinero. Si te interesa la parte de imagen, cómo se genera el vídeo en sí, lee la guía de Kling, el generador de vídeo con IA. Este artículo va de la voz.

Sección 01Qué es ElevenLabs y qué hace

ElevenLabs es una empresa de Nueva York con fundadores polacos que desarrolla IA de voz desde 2022. Empezó con una sola función: pegas un texto y obtienes un audio. Hoy es un kit de audio completo con una docena de herramientas en un solo panel. Aquí tienes cada una en palabras sencillas, sin el texto de marketing de su web.

¿Qué hace que ElevenLabs destaque entre decenas de servicios parecidos? Tres cosas. Las voces suenan vivas, con respiración y pausas naturales, y cuesta distinguirlas de una grabación humana. El español suena nativo, tanto el de España como el latinoamericano, y hay decenas de idiomas más con soporte completo. Y un clon de voz lleva minutos, sin estudio y sin una semana de espera.

Sección 02Precios y planes de ElevenLabs en 2026

En ElevenLabs todo funciona con créditos. En los modelos principales un carácter de texto cuesta un crédito; en el modelo rápido Flash, medio crédito. En la práctica, 1.000 caracteres de texto dan aproximadamente un minuto de voz. Así que la cuenta es sencilla: 10.000 créditos son unos 10 minutos de audio terminado.

Los precios se comprobaron en la página oficial de tarifas en octubre de 2026. ElevenLabs los ajusta con regularidad y lanza promociones, así que echa un vistazo a elevenlabs.io/pricing antes de pagar.

¿Qué plan te conviene? Depende del trabajo. Para probar las voces y ver si te gusta el sonido, basta con el gratuito. En cuanto el audio vaya a un reel, un anuncio o un curso de pago, necesitas como mínimo Starter: el plan gratuito no incluye derechos comerciales, así que no puedes usar ese audio en contenido que vende. Si locutas más de media hora al mes o quieres un clon que no se distinga de ti, elige Creator. Para la mayoría de quienes llevan un blog y crean cursos es más que suficiente.

Sección 03Qué modelo elegir: v4, v3, v2, Flash

El modelo es el motor que convierte el texto en voz. La voz se elige aparte; el modelo decide lo viva que suena y cuánta emoción transmite. En el desplegable aparecen varios, y los principiantes suelen quedarse con el que viene por defecto. Así se distinguen.

Este es mi esquema de trabajo. Todo lo que va a redes sociales y anuncios lo locuto con Eleven v4: ahí importa la entonación, y quien escucha no debe tropezar con nada que suene a robot. Las clases largas y las versiones en audio de las guías, donde hace falta una voz tranquila y uniforme durante 20 minutos, suenan muy bien con Multilingual v2. Muchos clones llevan años funcionando en ese modelo, y es menos probable que meta una emoción inesperada en mitad de una frase. Flash es para borradores: escuchas cómo suena el guion en voz alta, encuentras los puntos torpes y solo entonces gastas créditos completos en la toma final.

¿Qué cambió en v4 respecto a v3? La nueva arquitectura lee el texto como un actor: tiene en cuenta quién habla y qué se dijo en la línea anterior antes de decidir cómo decir la siguiente. Ahora puedes combinar varias etiquetas de audio y el modelo las interpreta en orden. La voz se desvía menos en pasajes largos. Y vuelven los Professional Voice Clones, que v3 no tenía.

Sección 04Cómo registrarse

Esta parte es corta, porque no tiene ningún misterio.

Si la tarjeta es rechazada, comprueba que el país de facturación coincide con el país del banco emisor. Eso resuelve la mayoría de los pagos fallidos. Y si todavía estás decidiendo qué herramientas de IA merecen tu dinero, compara antes los grandes modelos en la guía Claude 5, GPT-5 o Gemini 3.

Sección 05Tu primera locución en 5 minutos

Empecemos por lo más sencillo: locutar un párrafo con una voz ya hecha. Lleva menos tiempo que leer esta sección.

Ahora los controles. Hay tres o cuatro según el modelo, y deciden la mitad del resultado.

• Stability. Más bajo significa una interpretación más emotiva y variada, pero con más riesgo de entonaciones raras. Más alto, más uniforme, hasta llegar a la monotonía. Para reels déjalo en el medio; para clases, algo por encima del medio.
• Similarity. Hasta qué punto la IA se ciñe al timbre original. Para un clon de tu propia voz, ponlo alto, en torno al 75–85%.
• Style. Acentúa la forma de hablar de la voz original. Queda muy bien en anuncios, pero consume más recursos y a veces se pasa. Empieza en cero y súbelo poco a poco.
• Speed. El ritmo del habla. Para reels que deben caber en 30 segundos, puedes subirlo hasta 1,1.

Sección 06Cómo preparar el guion: pronunciación, pausas, emoción

Aquí está la verdadera diferencia entre una locución que «bueno, vale» y otra que nadie distingue de una persona. La IA lee exactamente lo que está escrito. Por eso el texto para el oído se prepara de otra manera que el texto para la vista.

Escribe con letras los números, las fechas y las abreviaturas

«El 15/10 a las 19:00, 30% de descuento en el curso, 499 $» puede salir de muchas formas, incluida «quince barra diez». Escríbelo como lo dirías: «El quince de octubre a las siete de la tarde, treinta por ciento de descuento en el curso, que cuesta cuatrocientos noventa y nueve dólares». Lo mismo con las abreviaturas: «p. ej.», «aprox.», «T3» deben convertirse en palabras completas. Las siglas son una trampa aparte: el modelo tiene que adivinar si «SaaS» se lee como palabra o letra a letra, así que escribe «sas» o «ese, a, a, ese» según cómo lo digas tú.

Pronunciación de nombres y palabras difíciles

ElevenLabs habla un español excelente, pero puede patinar con anglicismos, apellidos extranjeros, nombres de ciudades y marcas, palabras raras y jerga profesional. Y en una voz clonada a partir de otro idioma, a veces la «c» y la «z» suenan como «s» o al revés. Qué ayuda:

• Reformula para que el sentido no deje dudas. El contexto le dice al modelo cómo debe sonar la palabra.
• Cambia por un sinónimo la palabra con la que el modelo tropieza una y otra vez. Es la solución más rápida.
• Escribe el nombre o el término como suena, o pártelo con guiones: «Nguyen» se convierte en «Uin», el nombre de una marca, en sus sílabas.
• Studio tiene diccionarios de pronunciación: defines una vez cómo debe leerse una palabra y la regla se aplica en todo el proyecto. Muy útil para cursos donde los mismos términos salen cientos de veces.

Pausas y ritmo

Los modelos v3 y v4 colocan solos las pausas a partir de la puntuación. ¿Quieres una pausa más larga? Pon un punto en lugar de una coma, o puntos suspensivos. ¿Quieres destacar una idea? Dale su propio párrafo. En Multilingual v2 y Flash funciona la etiqueta de pausa <break time="1s" />: la escribes directamente en el texto y la IA se calla ese tiempo. No abuses; una docena en un mismo fragmento hace que el habla suene entrecortada.

Emoción con etiquetas de audio

En v3 y v4 puedes dirigir la interpretación desde el propio texto. Pon una etiqueta entre corchetes antes de una línea y la voz la interpreta.

[excited] ¡Amigos, tengo una noticia que llevo seis meses esperando contaros!
[whispers] Pero no se lo digáis a nadie todavía.
[laughs] Vale, es broma, contádselo a todo el mundo.
[calm] Ahora los detalles: la inscripción está abierta hasta el viernes.

Las etiquetas más útiles: [whispers], [laughs], [sighs], [excited], [calm], [sarcastic], [curious]. Se escriben en inglés aunque el texto esté en español. En v4 puedes combinarlas, como [sighs][calm], y el modelo las interpreta en orden. Las etiquetas no funcionan igual de bien con todas las voces: un clon grabado en tono monótono no sabe gritar ni reír de verdad. Cuanto más viva sea la grabación original, más amplio es el abanico emocional.

Frases cortas

Una frase de tres líneas con tres subordinadas cuesta seguirla incluso en boca de un narrador de carne y hueso. Para locución, corta el texto en frases de 8–15 palabras. Léelo tú en voz alta antes de generar: donde tropieces tú, tropezará la IA.

Sección 07Clonación de voz: instantánea y profesional

Esta es la función por la que la mayoría llega a ElevenLabs. Hay dos tipos de clon, y la diferencia entre ellos es grande.

Cómo funciona, en palabras sencillas. Un Instant Voice Clone no entrena un modelo aparte para ti. El modelo ya conoce miles de voces y usa tu grabación para averiguar cómo sonar parecido. Por eso es rápido, y también por eso el parecido baja con voces poco comunes, acentos marcados o una forma de hablar muy particular. Un Professional Voice Clone se entrena específicamente con tu voz y capta tu ritmo, tus pausas habituales, la forma en que alargas las vocales.

Un clon profesional solo puedes hacerlo de tu propia voz: el servicio te pide leer una frase de verificación y la compara con las grabaciones subidas. La verificación del clon instantáneo es más ligera, pero las reglas son las mismas: no puedes clonar la voz de otra persona sin su consentimiento. Más sobre esto en la Sección 15.

Cómo grabar tu voz para un clon

Alrededor del 80% de la calidad del clon depende de la grabación. La IA lo copia todo: tu timbre, el eco de la habitación, el zumbido de la nevera. Unas cuantas reglas que te ahorrarán decenas de regeneraciones.

• Una habitación silenciosa con superficies blandas. Cortinas, alfombra, sofá, un armario lleno de ropa. Una habitación vacía con paredes desnudas da eco, y el clon sonará como si viviera en un cuarto de baño. El truco de los técnicos de sonido: grabar dentro de un vestidor o con una manta por encima de la cabeza.
• Un micrófono decente. Sirve un micro de solapa o uno USB de $20–40. En caso de apuro, un smartphone moderno a 15–20 centímetros de la boca, con la app de notas de voz y en modo avión para que no suene ninguna notificación.
• Habla como quieres que suene el clon. La IA repite tu interpretación. Si lees en tono monótono, el clon será monótono. Graba con la misma energía que pones en tus directos y tus reels.
• Un estilo por archivo. No mezcles susurros, gritos y tono de conferencia en una misma grabación. Si necesitas interpretaciones distintas, haz clones distintos.
• Sin música y sin otras voces. Un corte de un directo con preguntas del público y música de fondo da un clon turbio. Si es la única grabación que tienes, pásala antes por Voice Isolator.
• Formato. MP3 a 192 kbps o más, o WAV. Volumen uniforme y sin saturación: los picos no deben tocar el techo.

Sección 08Clona tu voz paso a paso

Vamos a hacer un Instant Voice Clone. Necesitas el plan Starter o superior y una grabación de 1–3 minutos.

¿No suena como tú? La mayoría de las veces la culpa es de la grabación: eco, ruido o una lectura plana. Vuelve a grabar en otra habitación y con más energía, borra el clon antiguo y crea uno nuevo. El modelo también importa: si el clon suena a otra persona en v4, prueba el mismo clon en Multilingual v2. Cada modelo «lleva puesta» la misma voz de forma distinta.

Sección 09Una voz a partir de una descripción: Voice Design

A veces necesitas una voz que ni tú ni la biblioteca tenéis. Una voz masculina grave y tranquila para meditaciones, una mujer joven y alegre para el anuncio de un curso infantil, un profesor mayor para contenido de historia. Para eso está Voice Design: describes la voz con palabras y la IA la crea desde cero.

Una buena descripción tiene cuatro partes: sexo y edad, timbre, forma de hablar y calidad del audio. Ejemplo:

Voz femenina tranquila, de unos 40 años, tono grave cálido y suave,
habla despacio con pausas delicadas, como una guía de meditación.
Calidad de estudio, micrófono cercano, sin ruido de fondo.

El servicio te da tres opciones; las escuchas y guardas en tus voces la que te guste. A partir de ahí la usas para lo que quieras, como cualquier otra voz. Si te atascas con la descripción, pide ayuda a Claude o a ChatGPT: te propondrán en segundos palabras precisas para el timbre y la forma de hablar.

Dónde ayuda a quien vende servicios: la voz de un personaje en vídeos formativos, dos voces distintas para un diálogo «cliente y especialista» en el análisis de un caso, o una voz de marca propia para anuncios si prefieres no usar la tuya.

Sección 10Doblaje: tu reel en otro idioma

Mi herramienta favorita. Dubbing coge tu vídeo, transcribe lo que se dice, lo traduce al idioma que elijas y locuta la traducción con una voz parecida a la tuya. Admite más de 90 idiomas y archivos de hasta 180 minutos y 2 GB. Funciona incluso en el plan gratuito, aunque ahí añade al vídeo una marca de agua que solo se quita con un plan de pago.

Para alguien que crea contenido en español, el primer destino lógico es el inglés: el mercado más grande para cursos online y servicios. El portugués, con Brasil detrás, es el siguiente paso natural, y después el alemán y el francés si vendes formación en toda Europa.

Hay un camino más preciso, y es el que uso yo para los vídeos importantes. Coge la transcripción del vídeo, dásela a Claude y pide una traducción por sentido, en lenguaje hablado y vivo, adaptada al público de destino y con los precios convertidos a la moneda local. Después locuta el resultado con tu clon en Text to Speech. La traducción suena más natural que el doblaje automático, y la voz sigue siendo la tuya. La transcripción puedes sacarla en el propio ElevenLabs o con cualquier método de la guía sobre cómo transcribir audio con IA.

Sección 11Voice Changer, efectos, música, transcripción

Voice Changer

Grabas una línea con tu propia voz, con la entonación y las pausas que quieres, y la IA la «viste» con otra voz. La interpretación sigue siendo tuya; cambia el timbre. Útil cuando Text to Speech no consigue la emoción que necesitas: es más fácil interpretar tú la línea una vez que regenerarla 20 veces.

Sound Effects

Describe con texto el sonido que necesitas: «una notificación del móvil», «aplausos en una sala pequeña», «ambiente de cafetería de fondo». Obtienes un efecto de sonido corto. Para los reels es una salvación: nada de rebuscar en bancos de sonidos y nada de miedo a un aviso de derechos de autor por un audio ajeno.

Music

Genera música a partir de una descripción: género, estado de ánimo, tempo, duración. El modelo estrella ahora mismo es Eleven Music v2.5. Si necesitas canciones completas con voz y letra, ElevenLabs tiene un competidor más fuerte en eso; mira Suno: cómo hacer una canción con IA. Para la música de fondo de un reel o una clase, la música integrada es más que suficiente.

Voice Isolator

Quita de una grabación el ruido de la calle, el viento y el zumbido del aire acondicionado, y deja la voz. Funciona sorprendentemente bien: un directo grabado en una cafetería suena, después de procesarlo, como si viniera de una habitación tranquila. Úsalo antes de clonar una voz y antes de publicar grabaciones de llamadas.

Speech to Text

Transcripción con el modelo Scribe v2, más de 90 idiomas, con identificación de quién habla. Práctico si ya pagas ElevenLabs y no quieres otro servicio aparte para las notas de webinars y los subtítulos.

Sección 12Studio: audiolibro, curso, pódcast

Text to Speech es perfecto para piezas cortas. Cuando el texto ocupa 20 páginas, necesitas Studio, el editor para proyectos largos. Sube un documento entero (Word, PDF o el enlace a un artículo) y Studio lo divide en capítulos y párrafos. Puedes asignar una voz distinta a cada fragmento, corregir la pronunciación y regenerar una sola frase. Studio 3.0 añadió una línea de tiempo al estilo de un editor de vídeo, y puedes generar la música de fondo directamente en ella.

Un ejemplo real: tienes una guía en PDF de 25 páginas que regalas como lead magnet. La subes a Studio, eliges tu clon y media hora después tienes una versión en audio de 25–30 minutos. Ahora la guía viene en dos formatos: leerla o escucharla en el coche. Hay gente que nunca abrirá el PDF y, sin embargo, escuchará con gusto el audio de camino al trabajo.

Lo mismo con los cursos. Una clase en texto se convierte en una clase en audio, una presentación recibe su locución, y si cambias algo del programa vuelves a locutar un párrafo en lugar de grabar otra vez toda la clase. Si ahora mismo estás montando un programa, lee cómo crear un producto digital.

Sección 1310 casos de uso para quien vende servicios

Locutar por locutar no tiene sentido. Aquí es donde de verdad ahorra tiempo o trae clientes.

Unas palabras sobre los reels. La voz en off sobre recursos de apoyo es un formato que funciona muy bien para quien no quiere hablar a cámara. Los guiones de estos vídeos se escriben más fácilmente por tandas, y los prompts para redes sociales te ayudan a sacar un mes de ideas en una tarde. Generas el texto, lo locutas con tu clon y lo montas sobre las imágenes.

Sección 14Claude y ElevenLabs juntos

ElevenLabs se encarga de la voz; para el texto hay otra IA que lo hace mejor. Yo escribo mis guiones en Claude: escribe un español natural y mantiene un tono vivo y de conversación. El flujo es así: Claude prepara desde el principio el texto para el oído y tú lo locutas en ElevenLabs.

Aquí tienes un prompt que convierte un post normal en un guion para locución:

Reescribe este texto para una locución con IA en ElevenLabs.
Reglas:
– escribe con letras todos los números, fechas, porcentajes y precios,
  tal como se dicen;
– desarrolla todas las abreviaturas;
– escribe los nombres raros y las marcas tal como suenan;
– frases cortas, de 8–15 palabras, en tono de conversación, como si hablara con un amigo;
– añade en dos o tres sitios etiquetas de audio en inglés entre corchetes
  ([excited], [calm], [laughs]) donde refuercen la interpretación;
– tiempo de lectura: unos 40 segundos.
Texto: [pega tu post]

Lo que recibes se parece a esto:

[excited] ¿Quieres saber cuánto tardaba antes en un minuto de locución?
Media hora. Cada vez.
[calm] Ahora escribo el guion, pulso un botón y diez segundos después está listo.
Mi voz. Mi entonación. Y yo mientras, tomándome un café.

El segundo prompt útil revisa un guion terminado en busca de puntos donde la IA puede tropezar:

Lee este texto como lo leerá una IA de voz.
Encuentra palabras de pronunciación dudosa, nombres y términos
poco habituales, cifras y siglas, y frases demasiado largas.
Para cada punto, propón una reescritura para que la locución
suene bien a la primera.

Si todavía no usas Claude, regístrate en claude.ai; el plan gratuito basta para este flujo. Tienes fórmulas de prompts listas en prompts para Claude.

Sección 15Derechos, ética y protección de tu voz

Tu voz es parte de quien eres, y los clones vienen con unas cuantas reglas que conviene conocer desde el principio.

• Uso comercial solo con un plan de pago. El audio del plan gratuito no puede ir a anuncios, cursos de pago ni vídeos monetizados. Desde Starter tienes derechos comerciales.
• Clona solo tu propia voz, o una voz con consentimiento por escrito. No puedes clonar a un colega, a un actor de doblaje o a un famoso sin permiso. Va contra las reglas de ElevenLabs, se bloquean cuentas por ello, y usar una voz clonada para engañar a la gente es un fraude.
• Sé honesto con tu público. No hace falta decir «este es mi clon» en cada reel, pero si un cliente paga por una sesión en directo, no puedes sustituirte por una IA. Las clases en audio, las locuciones de guías y las traducciones son práctica habitual, y muchos creadores indican abiertamente que un vídeo está locutado por IA con su propia voz.
• Protege tu voz. Los estafadores también pueden clonar voces a partir de clips de redes sociales, y llaman a familiares pidiendo una transferencia urgente. Acuerda con tu familia una palabra clave que solo conozcáis vosotros y avísales de este escenario.

Si quieres el panorama completo sobre la propiedad de lo que genera la IA, en quién es dueño del contenido de IA verás qué permite la ley y qué no.

Sección 16Alternativas a ElevenLabs

ElevenLabs es la referencia en calidad de voz, pero no es la única opción, y para algunos trabajos encaja mejor otra herramienta. Esto es con lo que se suele comparar.

Mi conclusión es sencilla. Si la voz va a contenido que vende, elige ElevenLabs: la diferencia de viveza se oye desde la primera frase. Si eres desarrollador y necesitas narración barata a gran escala, merece la pena probar OpenAI TTS. Si sobre todo editas vídeos a cámara, Descript puede cubrirlo todo en una sola aplicación. Y si quieres sacar más partido a la IA para escribir los textos que luego vas a locutar, tienes una selección en las mejores IA para escribir.

Sección 17Cuando algo falla

ResumenTodo el camino en un minuto

1. Regístrate en elevenlabs.io con Google.
2. Prueba las voces en el plan gratuito: 10 minutos de audio al mes bastan para ver si es para ti.
3. Para reels, anuncios y cursos, contrata Starter por $6 y tendrás derechos comerciales y clon de voz. Para volúmenes mayores y un clon profesional, Creator por $22.
4. Graba 1–2 minutos de tu voz en una habitación silenciosa y con entonación viva, y haz un Instant Voice Clone.
5. Escribe para el oído: números con letras, escritura fonética para los nombres difíciles, frases cortas. Pide a Claude que reescriba tu post para locución.
6. Haz las tomas finales en Eleven v4 con etiquetas de audio y los borradores en Flash.
7. Traduce vídeos con Dubbing, o con una traducción de Claude locutada por tu clon.
8. Locuta guías y clases largas en Studio, corrigiendo frases sueltas sin volver a locutarlo todo.

Empieza por algo pequeño: coge el post de hoy, locútalo con tu clon y publícalo como reel sobre recursos de apoyo. Dentro de una semana te preguntarás cómo podías pasarte media hora delante del micrófono 🎙️