Voces y modelos de ElevenLabs en español
| Fase | F2 — Capa de telefonía y generación de voz |
|---|---|
| Módulo | M2.2 — Configuración de voz con ElevenLabs |
| Puntos de profesionalidad al superar el test | 35 |
Objetivo práctico
Al terminar esta lección sabrás elegir una voz en español dentro de ElevenLabs, entender los parámetros que afinan su comportamiento (estabilidad, similitud, expresividad, claridad, latencia) y generar un audio de prueba con NVDA.
Resultado que obtendrás
Una voz elegida y probada, con los parámetros ajustados a un criterio razonado, lista para usarse en la lección final de este módulo (hito de prueba de voz).
Dónde encaja dentro del sistema final
Esta lección configura directamente la pieza VOZ del sistema: la voz que elijas y ajustes aquí será, más adelante, la que escuchen las personas que llamen al agente telefónico.
Conocimientos previos
- Cuenta de ElevenLabs creada (lección anterior).
Herramientas necesarias
- Cuenta de ElevenLabs activa.
Posible coste
Generar audio de prueba consume créditos del plan gratuito (10.000 créditos mensuales, verificado el 30 de agosto de 2026); las pruebas de esta lección son breves y no deberían agotar ese saldo.
Modelo mental
Piensa en un estudio de grabación donde, antes de elegir la voz definitiva de un anuncio, se prueban varias voces y se ajustan matices: más pausada, más expresiva, más parecida a una grabación de referencia. ElevenLabs ofrece ese mismo tipo de ajuste fino sobre una voz sintética.
Explicación
Dentro de la biblioteca de voces de ElevenLabs puedes filtrar por idioma (español) y escuchar muestras antes de elegir una. Una vez elegida, varios parámetros permiten afinar cómo suena:
- Estabilidad: cuánto se ciñe la voz a un tono constante; valores más bajos producen más variación expresiva, valores más altos producen una entonación más uniforme y predecible.
- Similitud: cuánto se parece la generación a la voz de referencia original; valores más altos son más fieles a esa referencia, pero pueden introducir artefactos si se llevan al extremo.
- Expresividad (styling/estilo): cuánto énfasis emocional o interpretativo añade el modelo, según el modelo concreto elegido.
- Claridad: nitidez percibida de la pronunciación.
- Latencia: tiempo que tarda en generarse el audio; especialmente relevante en telefonía en tiempo real (ver lección «La voz del agente: qué es el TTS», módulo 1.2), donde una latencia alta produce silencios incómodos.
No existe una combinación «correcta» universal: para un recepcionista telefónico profesional, una estabilidad media-alta y una latencia baja suelen ser más importantes que una expresividad muy alta, porque priorizan la claridad y la rapidez de respuesta sobre la interpretación emocional.
Vocabulario nuevo
Estabilidad (voz)
Piénsalo así: Lo firme o lo cambiante que suena el tono de alguien al hablar.
Parámetro de ElevenLabs que controla cuánto varía la entonación de la voz generada entre frases.
Ejemplo: Una estabilidad alta produce una voz más uniforme, adecuada para mensajes informativos breves.
Preparación
Ten tu cuenta de ElevenLabs iniciada.
Procedimiento paso a paso
Contexto: Vas a elegir una voz en español dentro de la biblioteca de voces.
Acción de teclado: Entra en la sección de voces (Voice Library) y busca un filtro de idioma. Actívalo para español y recorre la lista de resultados con Tab.
Respuesta esperada de NVDA: NVDA anunciará el nombre de cada voz conforme la recorras.
Qué significa: Cada elemento de la lista suele incluir un botón para reproducir una muestra.
Acción siguiente: Reproduce al menos tres muestras distintas antes de elegir una.
Contexto: Has elegido una voz y quieres generar un audio de prueba ajustando sus parámetros.
Acción de teclado: Entra en la sección de generación de texto a voz (Text to Speech), escribe un texto breve de prueba, y recorre con Tab los controles deslizantes de estabilidad, similitud y claridad.
Respuesta esperada de NVDA: NVDA debería anunciar el valor actual de cada control deslizante y permitir modificarlo con las flechas del teclado.
Qué significa: Puedes ajustar cada parámetro exclusivamente con el teclado, sin necesidad de arrastrar nada con el ratón.
Acción siguiente: Genera el audio y escúchalo; ajusta los parámetros y repite hasta obtener un resultado que te convenza.
Posibles diferencias de interfaz
Los controles deslizantes de parámetros de voz son, en algunas plataformas, poco accesibles con teclado si no están correctamente etiquetados. Si un control deslizante no responde a las flechas del teclado tras situarte sobre él con Tab, es un problema de accesibilidad real de la plataforma, no un error tuyo: consulta el manual de referencia de ElevenLabs de esta plataforma para alternativas conocidas en el momento en que lo uses.
Problema de accesibilidad y alternativa
Problema de accesibilidad conocido en herramientas de este tipo: los controles deslizantes (sliders) no siempre son accesibles por completo con teclado en todas las plataformas de generación de voz. Alternativa mediante teclado: tras situar el foco sobre el control con Tab, prueba las flechas izquierda/derecha o arriba/abajo; la mayoría de implementaciones modernas los soportan. Alternativa mediante API: si el control web resulta inaccesible, los mismos parámetros (estabilidad, similitud) pueden ajustarse mediante la API de ElevenLabs, que se trata en la siguiente lección, sin depender de ningún control visual.
Errores frecuentes y diagnóstico
La voz generada suena artificial o entrecortada.
Cómo localizarlo: Puede deberse a una estabilidad demasiado baja combinada con un texto de prueba muy corto, o a una similitud llevada al extremo.
Solución: Prueba con valores medios de estabilidad y similitud como punto de partida, y ajusta gradualmente.
Comprobación final
Genera un audio de prueba con el texto «Hola. La voz del agente está configurada correctamente.» y escúchalo completo. Si el audio se genera y se reproduce con claridad, la comprobación es positiva.
Qué acabas de conseguir
Tienes una voz elegida y ajustada, lista para usarse en la lección final de este módulo, donde generarás la prueba de voz definitiva del hito.
Ejercicio práctico
Genera el mismo texto de prueba con dos combinaciones distintas de estabilidad y similitud, y compara cuál suena más adecuada para un recepcionista telefónico profesional.
Resumen de lo imprescindible
- La biblioteca de voces permite filtrar por idioma y escuchar muestras antes de elegir.
- Estabilidad, similitud, expresividad, claridad y latencia son los parámetros clave a ajustar.
- Para un recepcionista telefónico, priorizar claridad y latencia baja suele ser más importante que la expresividad máxima.
- Si un control deslizante no es accesible con teclado, existe alternativa mediante la API (siguiente lección).
No necesitas aprender todavía
Todavía no necesitas clonar una voz personalizada: no forma parte del itinerario obligatorio de este curso.
Estoy preparado para continuar si puedo…
- Elegir una voz en español dentro de la biblioteca de ElevenLabs.
- Ajustar estabilidad y similitud con el teclado.
- Explicar por qué la latencia importa especialmente en telefonía en tiempo real.
Fuentes
- Get voice settings — ElevenLabs (consultado el 2026-08-30)
- What languages do you support? — ElevenLabs (centro de ayuda oficial) (consultado el 2026-08-30)
- Models — ElevenLabs (consultado el 2026-08-30)
Última actualización de esta lección: 2026-08-30.
Test de la lección
Para realizar el test y obtener Puntos de profesionalidad necesitas iniciar sesión o crear una cuenta.
Navegación
Lección anterior: Orientación en ElevenLabs: cuenta y navegación
Continuar con la siguiente lección: API y claves de ElevenLabs