Cómo clonar una voz con IA en español: la guía del acento (CosyVoice, Fish Audio y ElevenLabs)

Clonar una voz con IA en español tiene una trampa que los tutoriales en inglés no mencionan ni por accidente: el clone puede leer tu guion en español perfecto y aun así sonar a alguien que aprendió español de un manual. El timbre —la textura de la persona— viaja en la muestra de audio; la pronunciación la decide el motor. Y cuando el motor no está afinado para tu variedad del español, un locutor de Buenos Aires sale leyendo como un noticiero doblado de Miami. Esta guía responde la pregunta que sí importa: cómo conseguir que la voz clonada suene a tu acento, con los tres motores de clonación disponibles y una cuenta honesta de créditos. Cada número sale del código de cobro de Moosky (2026-10-11): 100 créditos = US$ 1, el registro regala 10 créditos, la recarga mínima es US$ 5, y el precio de cada toma aparece en pantalla antes de generar.

El timbre es tuyo; la pronunciación es del motor

Un clon de voz son dos capas separadas. La primera: el modelo aprende de tu muestra cómo suena esa persona —el grano, el brillo, los hábitos respiratorios. La segunda: cómo el modelo convierte letras en sonidos cuando le das un guion nuevo. Un motor entrenado mayormente en inglés puede capturar tu timbre y después pasar por encima las marcas que hacen que una voz sea de Rosario o de Santo Domingo: el «sh» rioplatense (calle suena «caje»), el corte al final de las eses del caribe, la aspiración de la «s» andaluza. Todo eso vive en la capa de pronunciación, y esa capa no la elige tu grabación —la elige el modelo.

Esto cambia el orden de trabajo: antes de grabar nada, decidís qué motor garantiza tu variedad, y después audicionás con una prueba de oído que la exponga.

Las tres rutas de clonación y qué prometen en español

La plataforma corre tres motores de clonación sobre un único saldo de créditos:

• ElevenLabs Voice Clone — corre sobre el modelo Multilingual v2, que lista el español nominalmente entre sus idiomas. De las tres, es la ruta con el respaldo más explícito para guiones en español, y la de tarifación más alta (~13 créditos por 1.000 caracteres).
• Fish Audio Voice Clone — lee guiones en otros idiomas conservando el timbre de la muestra, y su familia de diseño de voz lista el español entre sus diez idiomas de creación. Es la ruta barata: la clonación cobra por byte UTF-8 del texto (US$ 15 por millón de bytes, unos 2 créditos cada 1.000 caracteres simples). Si no tenés grabación de la persona y querés inventar una voz con acento desde cero, la guía de diseño de voz con Fish Audio cubre esa variante.
• CosyVoice Voice Clone — la ruta API de Alibaba, la más usada por su matrícula gratuita y su velocidad. Acá está el detalle que hay que conocer: su selector de idioma —una pista que se aplica a la muestra y a la síntesis— ofrece siete opciones (inglés, chino, francés, alemán, japonés, coreano y ruso) y el español no está en la lista. El guion en español se acepta igual (el campo es texto libre), pero corre con la pista en inglés por defecto. Para pasajes cortos y audiciones el resultado suele bancarse; para locución larga en español con prosodia asegurada, las dos rutas de arriba nombran el idioma y esta no. Y escuchá siempre antes de cerrar la producción: el oído decide, no la ficha técnica.

La comparación técnica lado a lado de los dos motores chicos vive en la comparativa CosyVoice vs Fish Audio, y el mapa general de la categoría, en Best AI voice generators 2026. El walkthrough paso a paso de la pantalla de CosyVoice (subida, matrícula, sliders de volumen, velocidad y tono) ya lo tiene la guía en inglés del CosyVoice; esta nota se ocupa de lo que esa guía no cubre: la capa del español.

La prueba de las tres tomas (y entra en los créditos de regalo)

Antes de comprometer una locución entera, hacé la audición cruzada: la misma frase de prueba, en los tres motores, con la misma muestra. Escribí una línea de unas 400 caracteres que mezcle tus marcas de acento —verbos en «vos» si apuntás al Río de la Plata, palabras con ll/y, alguna «z/c» si te interesa el seseo, números y una pregunta para forzar la entonación— y generá una toma en cada ruta. Con una línea corta la cuenta sale así: en CosyVoice, ceil(400 × 0.0026 × 1.3) = 2 créditos; en Fish Audio, ceil(400 × 0.00195) = 1 crédito; en ElevenLabs, ceil(400 × 0.013) = 6 créditos. Las tres pruebas suman 9 créditos: entran completas en los 10 créditos de regalo del registro. Escuchá las tres de corrido y fijate cuál respeta tu acento y cuál lo aplana hacia el neutro de doblaje. Elegí el motor por oído, no por la tabla de specs.

Si la audición te deja conforme, la producción se corre en la página de CosyVoice Voice Clone (o en sus hermanas Fish Audio y ElevenLabs, dentro de la misma plataforma): la matrícula de la voz no cuesta ningún crédito —se paga solo la síntesis, por carácter, con la cotización visible antes del botón.

La muestra de referencia: grabá frases, no palabras sueltas

Casi todo clon flojo nace de una muestra sucia. Las reglas que la herramienta aplica a la subida, tomadas del código del resolvedor:

• Duración mínima: 5 segundos de habla continua en CosyVoice; por debajo de eso la matrícula la rechaza. La zona donde el modelo calibra mejor son 10 a 20 segundos.
• Recorte automático: si tu archivo pasa los 20 segundos o los 10 MB, la herramienta lo apara sola antes de matricular — podés subir el corte de un podcast sin tocar nada.
• Formato: audio o video; si subís un video con pista, la herramienta extrae la voz.
• Limpieza: una sola voz, sin música de fondo, sin dos personas cruzándose, sin eco de habitación. La música y las voces dobles son la causa número uno de clones apagados.

Grabá (o extraé) al hablante diciendo frases conectadas y naturales —una anécdota, la intro de su video—, nunca una lista de palabras aisladas: el modelo aprende la transición entre sonidos, que es exactamente donde vive el acento. Una aclaración honesta sobre las muestras regionales: la muestra le enseña al motor CÓMO suena esa persona, pero si el motor no tiene soporte oficial para español, tu acento entra en la síntesis como timbre y sale filtrado por la pronunciación del modelo. Por eso la prueba de las tres tomas no es burocracia: es el único filtro que separa un clon tuyo de un clon genérico.

La cuenta grande, sin humo

Sin suscripción: pagás por ejecución, 100 créditos = US$ 1, los créditos no vencen y las corridas fallidas se devuelven. Para locución larga la distancia entre rutas importa. Un capítulo breve de audiolibro —2.000 caracteres— sale 7 créditos en CosyVoice (US$ 0.07), unos 26 en ElevenLabs (US$ 0.26) y 4 en Fish Audio (US$ 0.04). La matemática práctica: audicioná barato en CosyVoice o Fish, y reservá ElevenLabs para las voces finales donde la calidad justifique las tres veces de costo. Si venís de armar el canal sin rostro con la guía paso a paso de video con IA, la narración clonada es la pieza que hace que el canal tenga la misma voz en todos los episodios.

De la voz clonada al video

La voz sola es la mitad del camino. El pago aparece cuando narra: generá la locución en el clon y usá esa pista en escenas con sincronía labial, y el personaje de pantalla habla en esa voz exacta —el presentador de curso, la voz de marca, el narrador del canal, idénticos en todo video publicado. La misma voz matriculada también sirve como texto a voz puro: cápsulas de audio, audiolibros, vinetas de podcast. Si además querés que la voz aparezca dentro del video hablando a cámara, el motor de referencia con diálogo es el carril del flujo MiniMax H3 Ref2V.

La voz clonada queda guardada en tu proyecto con su ID: la reutilizás en toda corrida futura sin volver a subir la muestra ni matricular de nuevo. Regla final entonces: muestra limpia de 10 a 20 segundos, prueba de acento en las tres rutas con los créditos de regalo, y locución larga en la ruta que tu oído elija. Eso es todo el flujo.