IA de voz: clona con ElevenLabs sin meterte en líos
Clonar una voz con IA ya no es la parte difícil. Lo complicado empieza después: demostrar que había permiso, controlar dónde acaba el archivo y retirar la voz si cambia la relación con quien la prestó.
Hemos planteado esta guía desde ese ángulo menos vistoso y bastante más útil: cómo probar ElevenLabs y sus alternativas con un sistema de consentimiento, trazabilidad y salida. Porque una voz sintética sin control se parece demasiado a dejar una copia de las llaves debajo del felpudo.
La prueba técnica dura minutos; el permiso debe durar más
ElevenLabs permite crear voces sintéticas capaces de conservar timbre, ritmo y parte de la expresividad del hablante. El proceso habitual consiste en aportar una grabación limpia, generar varias frases y ajustar parámetros como estabilidad o similitud. En nuestra experiencia, la primera muestra suele impresionar, pero no siempre resiste un texto largo: aparecen pausas raras, énfasis teatrales o pronunciaciones que convierten una factura en el monólogo de un villano.
Por eso no evaluaríamos una clonación con una sola frase. Usaríamos un pequeño guion de prueba con números, nombres propios, preguntas, exclamaciones y palabras en inglés. También escucharíamos el resultado con auriculares y con el altavoz del móvil. Una voz que funciona en estudio puede sonar metálica en WhatsApp.
Antes de subir nada, dejaríamos por escrito cinco elementos: identidad de la persona, finalidad, canales autorizados, duración del permiso y procedimiento de retirada. Un “sí, prueba mi voz” enviado deprisa no equivale a permitir anuncios, audiolibros, atención al cliente y publicaciones eternas.
Qué significa realmente que clonar una voz sea legal
No existe una respuesta universal de sí o no. En España, la voz puede quedar protegida por derechos de la personalidad y por la normativa de protección de datos cuando permite identificar a alguien. La Ley Orgánica 1/1982 protege frente a determinadas intromisiones ilegítimas en la intimidad y la propia imagen, mientras que el RGPD exige una base jurídica para tratar datos personales.
Además, si la voz se procesa para identificar de forma unívoca a una persona, puede entrar en el terreno de los datos biométricos, sujetos a una protección reforzada. No toda grabación vocal se convierte automáticamente en dato biométrico: importa para qué se procesa y cómo se utiliza.
El Reglamento europeo de IA entró en vigor el 1 de agosto de 2024. Entre sus obligaciones figura la transparencia para determinados contenidos sintéticos o manipulados, incluidos los llamados deepfakes. Dicho de forma práctica: si una pieza puede hacer creer que alguien dijo algo que nunca pronunció, ocultar su origen sintético es una idea pésima, aunque el botón de publicar esté tentadoramente cerca.
Nosotros aplicaríamos una regla sencilla: consentimiento específico antes de clonar, aviso claro cuando se publique y revisión jurídica si existe explotación comercial, uso político, suplantación o impacto reputacional. Para un proyecto profesional, una consulta legal cuesta bastante menos que una crisis con capturas de pantalla.
Nuestro protocolo para no perder el control de la voz
La precaución útil no consiste en redactar veinte páginas que nadie entiende. Consiste en montar un recorrido que pueda auditarse. Este sería nuestro protocolo mínimo:
- Grabar el consentimiento: guardar un documento fechado y una confirmación vocal de la persona titular.
- Limitar el uso: definir proyectos, territorios, idiomas, canales y plazo autorizado.
- Separar los archivos: conservar las muestras originales fuera de las carpetas compartidas de producción.
- Registrar las generaciones: anotar quién produjo cada audio, cuándo y con qué guion aprobado.
- Preparar la retirada: fijar cómo se borrará o desactivará la voz al terminar el acuerdo.
Añadiríamos una frase de verificación que no se publique y que sirva para acreditar una sesión autorizada. No es una defensa infalible, pero aporta contexto si surge una disputa. También limitaríamos el número de personas con acceso al modelo: “todo el equipo” suele acabar significando becarios, proveedores y aquel colaborador que todavía conserva la contraseña de Navidad.
La revocación merece especial atención. Hay que concretar si afecta solo a nuevos audios o también obliga a retirar piezas anteriores. Y conviene distinguir entre borrar las grabaciones fuente, eliminar una voz guardada y retirar copias ya exportadas. Son acciones diferentes.
ElevenLabs frente a alternativas: elegimos por control, no por espectáculo
ElevenLabs nos parece una referencia lógica cuando buscamos naturalidad, variedad de idiomas y una interfaz accesible. Aun así, no escogeríamos una plataforma únicamente porque la demostración suene perfecta. Revisaríamos sus mecanismos de verificación, permisos de equipo, borrado, historial y condiciones para usos comerciales.
PlayHT puede encajar en proyectos que necesiten integrar voz mediante API y manejar un catálogo amplio. Resemble AI resulta interesante cuando pesan más el control empresarial y los flujos personalizados. Descript tiene sentido si la clonación forma parte de un proceso de edición de audio o vídeo, porque reduce los saltos entre herramientas. Para equipos con requisitos estrictos de confidencialidad, también valoraríamos soluciones locales o proveedores capaces de ofrecer contratos y controles adaptados.
La comparación debe hacerse con el mismo guion y los mismos archivos de origen. Mediríamos inteligibilidad, parecido, emoción, latencia y coste por el volumen real del proyecto. Incluiríamos además una columna menos glamurosa: facilidad para eliminar datos y revocar accesos. Es como comprar una maleta; las ruedas importan tanto como lo bonita que queda cerrada.
La prueba que sí haríamos antes de publicar
Crearíamos primero un piloto interno de unos 60 segundos. El guion no incluiría datos sensibles ni afirmaciones polémicas. Después pediríamos a la persona clonada que puntuase parecido, comodidad y riesgo de confusión, y recogeríamos su aprobación sobre la versión definitiva.
La publicación llevaría una indicación comprensible de que la voz es sintética o ha sido generada con autorización. No la esconderíamos en una página legal a cuatro clics. También conservaríamos el guion aprobado y la exportación final para poder demostrar qué se autorizó exactamente.
Nuestra postura es clara: ElevenLabs puede ahorrar repeticiones, corregir pequeñas frases o crear versiones multilingües con una calidad sorprendente. Pero la función decisiva no es el control de similitud; es el consentimiento que puede comprobarse y retirarse. Si no podemos explicar quién autorizó la voz, para qué y hasta cuándo, preferimos seguir usando el micrófono. Tarda más, sí, pero también dormimos mejor.
