La respuesta corta
Una voz de síntesis suena natural cuando acierta en tres cosas: la prosodia (la melodía y el acento de la frase), el ritmo y las pausas, y la pronunciación de los casos difíciles, como nombres, números y abreviaturas. Las voces neuronales modernas resuelven las tres mucho mejor que las antiguas voces robóticas, y muchas ya funcionan por completo en el iPhone. Las voces en el dispositivo mantienen su texto en privado, funcionan sin conexión y no tienen límites por carácter; la contrapartida es una descarga única y algo de espacio de almacenamiento.
Qué hace que una voz suene natural
La mayoría de la gente juzga una voz en los diez primeros segundos. Es un error: la primera frase de casi cualquier voz moderna suena bien. Lo que importa en un libro es cómo aguanta en la página 80, y eso depende de unos pocos aspectos concretos.
Prosodia: la melodía de la frase
Un lector humano sube el tono al final de una pregunta, acentúa la palabra que lleva el sentido («Yo no dije que ella lo tomara») y deja caer la voz al final de una afirmación. Una entonación plana o mal colocada es lo primero que cansa al oído, aunque cada palabra esté bien pronunciada.
Ritmo y pausas
Las comas, los puntos, los saltos de párrafo y los diálogos piden cada uno una pausa distinta. Una voz que deja el mismo hueco breve en todas partes suena apresurada; una que se detiene demasiado en cada coma suena vacilante. Las buenas voces también aceleran un poco en las expresiones conocidas y frenan en las palabras largas o poco habituales, que es lo que hace que el habla parezca viva y no la de un metrónomo.
La pronunciación de los casos difíciles
Antes de producir un solo sonido, el texto tiene que convertirse en palabras que se puedan decir. En este paso tropiezan muchas voces que suenan de maravilla en una demostración y fallan con libros reales:
- Números y fechas: «1984» es un año en una frase y una cantidad en la siguiente. «3/4» puede ser una fracción o una fecha.
- Abreviaturas: «S.» puede ser San o Sur; «v.» puede ser véase o verso.
- Palabras que se escriben igual pero se pronuncian distinto: el español las evita casi siempre con la tilde, pero no los textos en otros idiomas; en inglés, «read» no suena igual en «I read it yesterday» que en «I read every day».
- Nombres: personajes, lugares y palabras inventadas, que no aparecen en ningún diccionario.
Ninguna voz acierta en todos estos casos siempre, y por eso disponer de una forma de corregir la pronunciación importa tanto como la propia voz (lo vemos más abajo).
Voces robóticas frente a voces neuronales
La «voz de robot» que casi todo el mundo recuerda procede de métodos de síntesis antiguos. Las voces basadas en reglas generan el sonido a partir de un modelo del tracto vocal: muy inteligibles, incluso a gran velocidad, por eso algunos usuarios de lectores de pantalla todavía las prefieren, pero inconfundiblemente sintéticas. Las voces posteriores encadenaban pequeños fragmentos grabados de un locutor real, lo que suena humano de cerca pero deja costuras audibles donde se unen las piezas.
Las voces neuronales funcionan de otra manera. Un modelo entrenado con muchas horas de habla grabada predice el sonido de una frase entera a partir de su texto, incluidas su entonación y su ritmo. El resultado es más fluido y mucho más parecido a una persona leyendo. No son perfectas: una voz neuronal puede, de vez en cuando, acentuar la palabra equivocada o dudar ante un nombre raro. Pero en una escucha larga, la diferencia de cansancio es enorme.
Su iPhone ya incluye voces del sistema, y algunas pueden descargarse en variantes más grandes, Mejorada o Premium, en Ajustes › Accesibilidad › Contenido leído › Voces. Encajan bien con textos cortos; nuestra guía para hacer que el iPhone lea texto en voz alta las explica junto con sus límites.
Síntesis de voz en el dispositivo o en la nube
Las voces neuronales pueden funcionar en un servidor remoto o directamente en su teléfono. Los dos enfoques son legítimos; sacrifican cosas distintas.
| Voces en la nube | Voces en el dispositivo | |
|---|---|---|
| Adónde va su texto | Se envía a un servidor para convertirlo | Se queda en el iPhone |
| Conexión | Necesaria mientras escucha, o para generar el audio | Solo para descargar la voz una vez |
| Límites | A menudo se cobran por caracteres o por minutos | Sin cuota por carácter |
| Datos móviles | Se consumen mientras escucha | Ninguno una vez instalada la voz |
| Almacenamiento | Poco en el teléfono | Cada voz ocupa espacio |
| Batería | Uso de la red | La voz se calcula en el teléfono |
| Expresividad | Los modelos más grandes pueden ser muy expresivos | Muy cerca para la narración, con los límites del teléfono |
La privacidad es el punto que la gente subestima. Si escucha informes de trabajo, contratos, cartas médicas o sus propios textos inéditos, la síntesis en el dispositivo significa que nada de ese texto sale del teléfono. El aspecto práctico es la segunda sorpresa: un avión, el metro, una casa de campo sin cobertura o una factura de itinerancia que preferiría evitar. Una voz en el dispositivo simplemente sigue leyendo.
Los costes también son reales. Las voces hay que descargarlas, idealmente por Wi-Fi, y ocupan espacio, así que instale las que vaya a usar de verdad y elimine las demás. Generar la voz usa el procesador, de modo que una sesión larga consume más batería que reproducir un archivo de audio; los iPhone incluyen el Apple Neural Engine, diseñado precisamente para este tipo de trabajo.
Cómo lo resuelve VocaRead
VocaRead ejecuta todas sus voces en el dispositivo. Descarga una voz una vez y después todo funciona sin conexión: sin cuenta, sin procesamiento en la nube, y sus libros nunca salen del iPhone. Hay más de 200 voces, entre ellas 144 voces neuronales premium, en más de 30 idiomas, y los motores neuronales están acelerados por el Apple Neural Engine. Un motor de lectura más reciente está disponible como beta opcional en Ajustes › Voces; esta guía explica cómo probarlo y cómo volver atrás. Consulte el catálogo completo de voces.
No hay contador por carácter. El único límite es comercial y se indica desde el principio: 90 minutos de escucha gratis por libro y después una compra única de Premium para escuchar sin límite. La reproducción se hace dentro de la app; no exporta archivos MP3.
Cómo elegir una voz para un libro
Primero, el idioma
Use siempre una voz nativa del idioma del libro. Una voz inglesa leyendo una novela francesa destrozará cada nombre y la mayoría de las frases. Si lee en varios idiomas, instale una buena voz por idioma en lugar de una voz para todo.
El narrador adecuado para el libro
Una voz cálida y pausada le va bien a una novela o a unas memorias. Una voz nítida y neutra le va bien a un libro técnico o a un informe, donde la claridad importa más que el carácter. La ficción con mucho diálogo necesita una voz con cambios de entonación claros, ya que un solo narrador pone voz a todos los personajes.
Pruebe en las páginas adecuadas
Sáltese el primer párrafo del capítulo uno. Reproduzca en su lugar una página con diálogo, una página con números o fechas y una página con los nombres de los personajes principales. Después escuche diez minutos antes de decidir. Los pequeños rasgos que le encantan en una muestra pueden resultar irritantes al cabo de una hora, y también ocurre lo contrario.
Ajuste la velocidad para cada libro
VocaRead permite ajustar la velocidad de 0,5x a 2,0x, y la recuerda para cada libro. Empiece en 1,0x y muévase en pasos pequeños. La no ficción densa suele funcionar mejor a velocidad normal o un poco por debajo; un género conocido o una relectura pueden ir a 1,3x o más. Si lee en un segundo idioma, bajar a unos 0,8x mantiene la voz natural y le da tiempo para seguir.
Corregir nombres y palabras con las pronunciaciones personalizadas
Incluso la mejor voz se equivocará con un nombre inventado, y cometerá el mismo error en cada página. En VocaRead, mantenga pulsada la palabra, escriba cómo debe decirse y la regla se guardará para ese idioma y se sincronizará por iCloud con su iPad. Una sola corrección arregla todo el libro. Nuestra guía para corregir nombres mal pronunciados incluye consejos para escribir reglas que funcionen.
Lo que las voces sintéticas todavía hacen peor
Aquí conviene ser sinceros. Un narrador sintético lee la poesía de forma más plana que un buen actor, no interpreta voces de personajes y puede pasar por alto una ironía que un humano transmitiría con el tono. Las tablas, las notas al pie y las largas listas de referencias resultan incómodas para cualquier voz. Para una novela que vive de la interpretación, un audiolibro narrado por una persona puede seguir siendo la mejor experiencia; para los miles de libros, artículos y documentos que nunca tendrán uno, una voz natural en el dispositivo es lo que hace posible escucharlos. Comparamos ambas opciones en texto a voz vs audiolibros.
Preguntas frecuentes
¿Son las voces en el dispositivo tan buenas como las de la nube?
Para la narración, las mejores voces neuronales en el dispositivo se acercan mucho, y ganan en privacidad, uso sin conexión y ausencia de límites de uso. Los modelos más grandes de la nube pueden ser más expresivos, a cambio de enviar su texto fuera y pagar según el uso.
¿Se envía mi texto a algún sitio cuando escucho?
No con la síntesis en el dispositivo. En VocaRead, el audio se genera en el iPhone y los libros nunca salen de él. Solo necesita conexión para descargar una voz, un libro gratuito o una página web.
¿Las voces sin conexión ocupan mucho espacio?
Cada voz es una descarga que se queda en el teléfono. Instale las voces que de verdad escucha, una o dos por idioma, y elimine las que probó y no conservó.
¿Qué velocidad debo usar?
Empiece en 1,0x y ajústela en pasos pequeños hasta que deje de fijarse en la voz. La mayoría de los oyentes acaban entre 1,0x y 1,5x, con velocidades más lentas para los textos densos o un segundo idioma.
La mejor forma de juzgar una voz es con un libro que conozca. Descargue VocaRead, importe uno de sus propios archivos y pruebe varias voces: cada libro incluye 90 minutos de escucha gratis, y Premium es una compra única, no una suscripción.