Leer texto en voz alta
O pega el texto de los subtítulos
La primera ejecución descarga el modelo de voz y el fonemizador: unos 98 MB en total, servidos por este sitio y almacenados en caché por el navegador después. El subtítulo o el texto que sueltes nunca sale de esta pestaña. Elegir MP3 o M4A descarga otros 31 MB de codificador, y por eso WAV es el valor predeterminado.
Opciones
Una voz decide el acento y el timbre y, menos obvio, con qué sistema de sonidos se lee el texto. Emparejar una voz en español con una frase en inglés no falla: lee palabras inglesas con sonidos españoles, lo que es peor que un mensaje de error. Se ofrecen siete idiomas, no doce, porque el fonemizador incluido en esta página no tiene voz para japonés ni chino. Escucha un archivo corto antes de decidirte por uno largo; todas las voces llevan el mismo modelo, así que cambiar cuesta una síntesis, no una descarga.
La rapidez con la que lee la voz, aplicada sobre el ritmo que el modelo considera natural. Lenta es 0,8× y rápida 1,2×: deliberadamente moderadas, porque a partir de aproximadamente 1,5× el modelo empieza a tragarse sílabas y el resultado suena a alguien con prisas en lugar de a alguien que habla rápido. Cuando un bloque de subtítulos es demasiado corto para su línea, esta página sube la velocidad por sí misma hasta 1,4× antes de truncar, y ese aumento se multiplica por el ajuste que elijas aquí.
WAV es PCM sin comprimir de 24 kHz mono, escrito aquí sin ningún codificador, y por eso es el valor predeterminado y por eso no se descarga nada extra para él. MP3 y M4A necesitan el motor de video de 31 MB para comprimir, pero salen aproximadamente diez veces más pequeños: diez minutos de habla son unos 28 MB en WAV y unos 2,8 MB en MP3. Elige WAV para probar una voz y MP3 para enviar el archivo a alguien.
Esta página lee un texto en voz alta. Pega un párrafo o suelta un archivo —un .txt, un .srt, un .vtt, cualquiera de los doce formatos de subtítulos—, elige una de las diez voces y obtén un único archivo de audio con todo leído de principio a fin. Nada se sincroniza, porque no hay contra qué sincronizarlo: la salida es una lectura continua, no una pista construida para quedar debajo de una imagen.
Cuando el archivo que sueltas es un archivo de subtítulos, los códigos de tiempo se analizan y se descartan. Lo que se lee es el texto de cada bloque, en orden, unido en párrafos; los saltos de línea dentro de un bloque pasan a ser espacios porque eran decisiones tipográficas en pantalla, y los límites entre bloques no dejan nada. Es lo contrario de lo que hace la página de narración de subtítulos, y las dos páginas existen una al lado de la otra para que la elección se vea y no quede escondida en una casilla: una produce sonido que sigue una línea de tiempo y la otra produce sonido que simplemente fluye.
El texto se sintetiza por piezas y no de una sola pasada. El tokenizador del modelo trunca sin avisar todo lo que pase de 510 fonemas: un artículo de dos mil palabras volvería como sus dos primeras frases y el archivo parecería perfectamente válido. Por eso el texto se parte en los saltos de párrafo, después en la puntuación que cierra frases y más a la fuerza en una sola frase que supere los 400 caracteres, y las piezas se sintetizan una tras otra con una breve pausa entre ellas. Ahí es también donde actúa la cancelación: el habla se ejecuta en un hilo propio, así que el botón de cancelar la detiene de inmediato en lugar de esperar a que termine la frase actual, y la página sigue siendo utilizable mientras se está generando el audio.
La lista de voces son diez voces en siete idiomas: inglés de Estados Unidos y de Reino Unido, español, francés, italiano, hindi y portugués de Brasil. El japonés y el chino no se ofrecen: el fonemizador que se usa para la pronunciación no tiene voz para ninguno, así que una opción etiquetada como japonés leería los kanji como letras inglesas y sonaría mal con mucha seguridad. Unos 92 MB de modelo y fonemizador se descargan una vez y quedan en caché; el texto que pegas no sale nunca del navegador, lo que importa cuando el párrafo es la carta de un cliente o una nota médica. La descarga de esos archivos se puede cancelar en cualquier momento.
Preguntas frecuentes
¿La lectura incluye los códigos de tiempo o los números de bloque si suelto aquí un archivo .srt?
Ni lo uno ni lo otro. El archivo se analiza con la misma capa de formato que usan las páginas de conversión y solo se conserva el texto de cada bloque: los números de índice, los códigos 00:00:01,000 --> y cualquier etiqueta en línea como <i> o {\pos()} desaparecen antes de la síntesis. Lo que oyes son las palabras en el orden en que aparecen. Si quieres que se respeten los tiempos en lugar de descartarlos, usa la página que narra un archivo de subtítulos a audio, que coloca cada bloque en su hora de inicio.
¿La caja de texto pegado admite un artículo entero o solo sirve para una o dos frases?
Un artículo entero entra sin problema, porque el texto se parte antes de llegar al modelo. El contenido pegado se envuelve como un archivo de texto plano y entra en la misma cola que un archivo soltado, así que recibe el mismo troceado de 400 caracteres, la misma barra de progreso y el mismo botón de cancelar. El límite práctico es la memoria más que la longitud: un artículo largo produce un WAV largo, y una hora de PCM mono a 24 kHz son unos cientos de megabytes, así que elegir MP3 vale la pena si la lectura va a durar más de unos minutos.
¿Por qué las pausas entre frases suenan más largas aquí que en la narración de subtítulos?
Porque se inserta un cuarto de segundo de silencio entre piezas para que las frases consecutivas no se peguen, mientras que la página de narración coloca cada línea en el inicio exacto de un bloque y rellena el hueco que ya tenían los subtítulos. Aquí el hueco es fijo, de 250 ms, sea cual sea el contenido, ya que no hay una línea de tiempo a la que ser fiel. Las frases dentro de una misma pieza se unen con el manejo de puntuación del propio modelo, así que solo los límites entre piezas —más o menos cada 400 caracteres— reciben esa pausa extra.
¿Qué voces hay para español y portugués, y son una voz o varias?
Una para cada uno: ef_dora para español y pf_dora para portugués de Brasil, junto a dos variantes inglesas de Estados Unidos (af_heart, af_bella), otra voz estadounidense (am_michael), dos voces británicas (bf_emma, bm_george), ff_siwis para francés, hf_alpha para hindi e if_sara para italiano. Existen varias voces inglesas porque es donde se pide más narración; los demás idiomas tienen una para que la lista siga siendo lo bastante corta como para escucharla entera. Una voz fija el acento además del timbre, así que también decide con los fonemas de qué idioma se lee el texto.
¿El MP3 o el M4A resultante se puede publicar como segmento de pódcast?
Técnicamente sí: los dos son contenedores estándar codificados por una compilación local de ffmpeg, y el audio es mono a 24 kHz, suficiente para voz y escaso para música. En lo editorial, escucha antes de publicar: el modelo a veces recorta una consonante final, acentúa mal un nombre propio o lee una abreviatura letra por letra. Nada se sube mientras ocurre eso y no se incrusta ninguna marca de agua ni seguimiento, pero una voz sintética tampoco lleva ningún aviso, así que si tu público espera una voz humana, di cuál es.