Un vídeo hablado es la forma más sencilla de poner a trabajar a tu influencer IA: escribes lo que debe decir el personaje y él lo dice a cámara con su propia voz y en su propio idioma, con movimientos de boca que siguen las palabras. Esta guía explica cómo se crean los vídeos hablados en AI Influencer Studio, qué cambió con el método de alta calidad, cómo escribir frases que suenen naturales y cuánto cuesta.

¿De dónde salen la voz y el idioma?

Del personaje. Cuando creas un influencer, el paso «Voz e idioma» guarda con el personaje un idioma de habla (20 idiomas) y una voz. Puedes filtrar la biblioteca de voces por género, edad y tono, y escuchar cada voz antes de elegirla; si te saltas el paso, se asigna la voz recomendada. En Basic y Pro también puedes añadir tu propia voz: graba o sube al menos 30 segundos (hasta 5 minutos) de habla clara y confirma que la voz es tuya. Solo se puede clonar tu propia voz.

Como la voz se guarda con el personaje, la pestaña Vídeo nunca vuelve a pedírtela. Para cambiarla, abre los ajustes del personaje y edita «Voz e idioma del personaje». El cambio se aplica a los vídeos siguientes; los vídeos que ya hiciste conservan su voz. Los pasos de creación se explican en la guía de creación.

¿Cómo hago un vídeo hablado?

  1. Abre la pestaña Vídeo y elige Vídeo hablado.
  2. Elige el influencer o el personaje de la biblioteca que va a hablar. Los vídeos hablados usan un solo personaje.
  3. Escribe el texto. Sam puede ayudarte: «Escribir con Sam» redacta una frase a partir de una descripción breve, «Traducir con Sam» pasa tu texto al idioma del personaje y «Acortar con Sam» lo condensa. El formulario te avisa si el texto parece estar en un idioma distinto al del personaje.
  4. Revisa la línea de plan que aparece bajo el texto. Indica cuántos clips necesita el texto, cuánto durará el vídeo y, aproximadamente, cuánto tardará.
  5. Comprueba el precio y empieza. Cuando el vídeo esté listo, se guarda en tu biblioteca.

¿Por qué mi texto se divide en varios clips?

Un clip hablado dura como máximo 8 segundos. Un texto más largo se divide al final de las oraciones en clips de 4, 6 u 8 segundos, así que ninguna oración se corta por la mitad. El primer clip parte del retrato del personaje y cada clip siguiente parte del último fotograma del anterior, lo que mantiene estables la cara, el atuendo y el escenario. Al final, los clips se unen con una transición corta y suave, y se recortan las pausas silenciosas en las uniones para que el habla fluya como una sola toma.

Cada clip pasa por tres pasos. Se filma al personaje hablando; el habla se convierte a la voz guardada del personaje sin tocar el ritmo ni el movimiento de los labios; y, por último, se transcriben las palabras pronunciadas y se comparan con tu texto. Si un clip no dice tu texto con suficiente fidelidad, se vuelve a crear una vez. Gracias a esta comprobación, un vídeo hablado suena como tu personaje y dice lo que escribiste.

¿Qué pasa si no se puede crear un clip?

A veces un filtro de contenido rechaza un clip o este no consigue ajustarse al texto. En ese caso, el vídeo se termina con un método de respaldo: primero se genera la voz de tu personaje y después se anima un retrato que habla con ella. El resultado sigue usando la misma voz y el mismo texto. Cuando se usa el respaldo, aparece una nota en tu historial («Este vídeo se hizo con el método de respaldo») y la diferencia de precio se devuelve una vez entregado el vídeo. Si el respaldo también falla, se devuelve el trabajo completo.

¿Los vídeos de escena también pueden hablar?

Sí. En los vídeos de escena y de plantilla, la sección «Voz» tiene tres opciones: ninguna, voz en off y sincronización labial. La voz en off pone la voz del personaje sobre cualquier vídeo y, en una escena con varios personajes, cada uno puede tener su propia frase. La sincronización labial hace que un personaje hable a cámara.

La sincronización labial en una escena usa el método de alta calidad cuando se cumplen tres condiciones: un solo personaje, un vídeo 9:16 o 16:9 y una frase que quepa en el clip (unos 5 segundos de habla en una escena de 5 segundos, que se filma como un clip de 6 segundos, o unos 7 segundos en una escena de 10 segundos, que se filma como un clip de 8 segundos). El estudio dibuja primero un fotograma inicial con tu personaje, su atuendo, el lugar, el producto o la captura de pantalla; después filma al personaje hablando y convierte la voz. Si el vídeo es cuadrado o la frase es más larga, se usa la sincronización labial estándar. El formulario te dice qué método se aplicará antes de empezar. Las escenas marcadas como «Ideal para hablar» dan los mejores resultados, porque la cara aparece grande y nítida.

¿Cómo escribo frases que suenen naturales?

  • Escribe como hablarías: oraciones cortas, una idea por oración. El final de cada oración es donde se pueden dividir los clips, así que una puntuación clara ayuda.
  • Mantén el texto en el idioma del personaje. Usa «Traducir con Sam» en lugar de mezclar idiomas en una misma frase.
  • Lee en voz alta los nombres de marcas y productos. Si un nombre se suele pronunciar mal, escríbelo tal como suena.
  • Evita en el habla las listas largas de números y las direcciones web. Pon la dirección en el texto de la publicación o en una tarjeta final.
  • Para cualquier cosa de más de un minuto aproximadamente, o si quieres recursos entre las partes habladas, usa la pestaña Vídeo largo.

¿Cuánto cuesta?

Los vídeos hablados se cobran por segundo de vídeo terminado. El precio base es de 45.559 tokens por segundo y se aplica el multiplicador de tu plan (Pro ×0,8, Basic ×1, Free ×1,3). Un vídeo hablado de 8 segundos cuesta 291.584 tokens en Pro. En las escenas, la sincronización labial de alta calidad añade un fotograma inicial (base de 29.167 tokens en Draft y 37.917 en Standard) al clip hablado. El importe exacto se muestra siempre antes de empezar, los trabajos fallidos se devuelven automáticamente y los precios actuales están en la página de precios.

Calcula unos dos minutos por clip. Un texto de 15 segundos que se convierte en tres clips tarda entre seis y siete minutos; el formulario muestra una estimación y puedes salir de la página mientras se crea.

Preguntas frecuentes

¿Puede mi influencer IA hablar con mi propia voz? Sí, en Basic y Pro. Añade tu voz en los ajustes de voz del personaje con al menos 30 segundos de habla clara y confirma que es tuya. Solo se puede clonar tu propia voz, y solo se usa en tu cuenta.

¿Por qué a veces el vídeo dura un poco más que mi texto? Los clips duran 4, 6 u 8 segundos y dejan una breve respiración al principio y al final. La línea de plan bajo el texto muestra la duración final antes de empezar.

¿Pueden hablar dos personajes entre sí? En un vídeo de escena, sí, con voz en off: cada uno de los hasta tres personajes puede tener su propia frase con su propia voz. La sincronización labial y los vídeos hablados usan un solo personaje.

¿Los vídeos hablados llevan marca de agua? Los resultados del plan Free llevan una pequeña marca de agua; los de Basic y Pro no.