CAMBIADOR DE VOZ CON IA
Cambiador de voz con IA que funciona en tu navegador
Dos clips entran, uno sale. El primero aporta las palabras, el ritmo y la interpretación; el segundo aporta la voz. El filtro de audio de Audiofilter hace la conversión dentro de esta pestaña — ninguno de los dos clips se sube, y no hace falta cuenta.
LABORATORIO DE AUDIO LOCAL
Cambiar una voz
Dale algo que convertir y una muestra de la voz a la que convertirlo.Lo que se dice aquí es lo que sale — solo cambia la voz.
Una muestra de la voz objetivo. Lo que mejor funciona es habla limpia de una sola persona.
No uses esto para hacerte pasar por nadie ni para ningún otro fin ilícito. Consulta los Términos.
Lo que hace realmente
Esto es un conversor de timbre, que es algo más estrecho y más previsible de lo que suele sugerir «cambiador de voz». No altera lo que se dice ni cómo se dice. Tu grabación conserva sus palabras, su ritmo, sus pausas y su énfasis; lo que se sustituye es la identidad de quien habla.
El mecanismo, en el orden en que se ejecuta: un codificador de referencia escucha tu muestra de voz y la destila en 256 números — eso es toda la representación de una voz aquí. Un codificador posterior convierte tu grabación en una secuencia latente. Un flujo normalizador lleva esa secuencia hacia un espacio neutro respecto al hablante y la trae de vuelta condicionada por esos 256 números, y un vocoder reconstruye una forma de onda a partir del resultado.
El flujo es la única parte que ve el embedding del hablante, y por eso la conversión es tan limpia: el codificador y el vocoder hacen un trabajo independiente del hablante, y el cambio de identidad ocurre en un solo sitio.
Necesita audio del que partir y no hará nada con palabras escritas. Si lo que quieres es generar voz a partir de texto — con su propia clonación de voz — usa la herramienta de texto a voz .
Lo que cuesta ejecutarlo en local
Cifras honestas, medidas sobre esta versión en lugar de estimadas:
| Concepto | Cifra | Por qué |
|---|---|---|
| Descarga de la primera visita | Unos 102 MB, una vez | Los pesos del conversor, en cinco piezas porque un alojamiento estático limita los archivos a 25 MiB. Después quedan en caché. |
| Velocidad de conversión | Unos 18 s de cálculo por cada 1 s de audio | Tres etapas WaveNet se llevan el 82 por ciento, y el vocoder el resto. No hay un único punto caliente que quitar. |
| Duración del clip | Hasta 10 segundos de entrada, 30 segundos de referencia | Cinco segundos ya suponen alrededor de minuto y medio de espera, y alargarlo solo la alarga. La referencia sale barata — su codificador cuesta unos 6 ms. |
| Salida | 22 050 Hz mono, WAV de coma flotante de 32 bits | 22 050 Hz es la frecuencia interna del modelo. Coma flotante en lugar de 16 bits para que los pasajes suaves conserven su detalle. |
Cómo conseguir un resultado que merezca la pena
- Dale a la referencia entre cinco y quince segundos de habla limpia. Una sola persona, sin música, sin una segunda voz. Más largo no es mejor — de todos modos acaba reducido a 256 números.
- Graba la referencia en un sitio silencioso. El conversor reproduce la sala junto con la voz, así que un ventilador en la muestra se convierte en un ventilador en el resultado. Si tu única muestra tiene ruido, pásala antes por el reductor de ruido .
- Dale habla, no canto. Los tonos sostenidos y el vibrato quedan fuera de aquello para lo que se construyó este modelo.
- Mantén también limpio el origen. El ruido de fondo del origen sobrevive a la conversión; esto no es una herramienta de limpieza.
- Prueba más de una referencia. Unas voces se transfieren mejor que otras, y probar dos referencias es más rápido que pelearse con una.
Dónde no va a funcionar
- Cualquier cosa larga. Diez segundos por pasada, y la espera crece de forma lineal con la duración — diez segundos ya son unos tres minutos. Para una locución no encaja.
- Tiempo real. A dieciocho segundos de trabajo por segundo de audio, la conversión en directo no entra en juego en una pestaña del navegador.
- Canto y música. Solo habla.
- Cambiar lo que se dijo. Aquí no se edita, solo se vuelve a poner voz.
- Dispositivos con poca memoria. El modelo necesita unos 200 MB de memoria de trabajo mientras se carga. Un móvil modesto puede no tener ese margen.
La herramienta convertirá a la referencia que le des, y precisamente por eso la elección es tuya y tú respondes por ella. Clonar la voz de una persona real sin su consentimiento puede vulnerar derechos de imagen, y varias jurisdicciones ya tienen leyes específicas sobre la semejanza de voz — el derecho de autor no es la única cuestión en juego. Usa tu propia voz, o una para la que tengas permiso. Aquí no se sube nada, así que esto no es que te vigilemos; es una nota de que la responsabilidad está en quien pulsa el botón.
No es para usos ilícitos. Hacer pasar una voz convertida por la de otra persona, engañar a alguien o a un sistema de autenticación por voz, el acoso, la difamación — nada de eso es un uso para el que se ofrezca esta herramienta, y nada de eso deja de ser ilícito porque la conversión haya ocurrido en tu propia máquina. Lo que la ley permite cambia de un país a otro, y mantenerte dentro de la ley del lugar donde estás es responsabilidad tuya. Tu uso de este sitio se rige por los Términos.
El resto del conjunto de filtros de audio de Audiofilter
- Eliminador de voz con IA — separa una canción en una acapela aislada y un instrumental listo para karaoke.
- Reductor de ruido con IA — quita el zumbido del ventilador, el aire acondicionado y el siseo del micrófono de detrás del habla.
- Texto a voz con IA — 19 voces, más clonación a partir de una muestra corta.
- Conversor de audio y compresor de MP3 — convierte entre formatos, o reduce un MP3.
PREGUNTAS Y RESPUESTAS
Preguntas frecuentes
¿Cómo funciona este cambiador de voz con IA?
Es un conversor de timbre. Tu grabación aporta las palabras, el ritmo y la interpretación; el clip de referencia aporta la identidad de la voz. Un codificador de referencia convierte la muestra en un embedding de hablante de 256 números, y un flujo normalizador vuelve a condicionar tu audio sobre ese embedding antes de que un vocoder reconstruya la forma de onda.
¿Tengo que escribir algo, como en una herramienta de texto a voz?
No, y a partir de texto no funcionará. Esto convierte audio que ya tienes. Si lo que quieres es voz a partir de palabras escritas, usa la herramienta de texto a voz, que tiene su propia clonación de voz.
¿Mi audio se sube a algún sitio?
No. El modelo se descarga una vez a tu navegador y la conversión se ejecuta ahí. Abre el panel de red antes de convertir: cada petición es una descarga del modelo desde este sitio, y nada lleva tu audio en sentido contrario.
¿Cuánto tarda una conversión?
Unos 18 segundos de cálculo por cada segundo de audio, así que un clip de cinco segundos tarda alrededor de minuto y medio. Eso está medido, no estimado — el trabajo corre en tu propio procesador en lugar de en un servidor, y este modelo es pesado.
¿De qué duración puede ser el clip que convierto?
Hasta 10 segundos, y un clip corto es la opción cómoda. Sale directamente de la cifra de arriba: cinco segundos son alrededor de minuto y medio de espera y diez segundos unos tres minutos. El límite está donde se acaba la paciencia, no es un nivel de pago.
¿Cuánto debe durar el clip de referencia?
Entre cinco y quince segundos de habla limpia de una sola persona son de sobra. Más largo no ayuda: el codificador de referencia cuesta unos 6 milisegundos en cualquier caso, y de todos modos destila el clip entero a 256 números.
¿Por qué el resultado suena a mi habitación?
Porque una muestra de voz se lleva la sala con ella. El conversor reproduce lo que oye en la referencia, incluida la reverberación, el siseo y el carácter del micrófono. Graba la referencia en un sitio silencioso, o límpiala antes con el reductor de ruido.
¿Qué frecuencia de muestreo usa el resultado?
22 050 Hz mono, que es la frecuencia a la que trabaja el modelo internamente. Se descarga como WAV de coma flotante de 32 bits para que los pasajes suaves conserven su detalle.
¿Puedo clonar la voz de cualquiera con esto?
Técnicamente convertirá a la referencia que le des, y justo por eso la elección importa. Clonar a una persona real sin su consentimiento puede vulnerar derechos de imagen y, en varias jurisdicciones, leyes específicas sobre la semejanza de voz — el derecho de autor no es la única cuestión. Usa tu propia voz, o una para la que tengas permiso.
¿Cuánto ocupa la descarga, y se repite?
Unos 102 MB, una vez. El navegador la guarda en caché, así que las visitas posteriores empiezan a convertir de inmediato. Llega en cinco piezas porque un alojamiento estático limita los archivos individuales a 25 MiB.
¿Quieres limpiar una grabación en lugar de volver a ponerle voz?
Abrir el reductor de ruido → Abrir texto a voz →