Producir la música y el audio de tus propios videos ya no requiere saber tocar un instrumento ni pagar una biblioteca de licencias. Las herramientas de IA generan pistas originales, voces en off y efectos a partir de una descripción en texto. Lo que sí requiere es criterio: saber qué pedir, cómo mezclarlo y qué revisar antes de publicar.

Esta guía está pensada para creadores de contenido, no para músicos. El objetivo no es componer: es resolver el audio de un video, un podcast o una pieza publicitaria con calidad suficiente para que nadie note que es generado.

Las cuatro capas del audio de una pieza

• Voz: narración o diálogo. Es la capa que sostiene el mensaje.

• Música: define el tono emocional y el ritmo.

• Efectos y ambiente: lo que hace que la escena se sienta real.

• Mezcla: el balance entre las tres anteriores. Es donde se gana o se pierde la percepción de calidad.

La mayoría de los creadores resuelve bien las tres primeras y arruina la cuarta. Un video con voz generada excelente y música al mismo volumen que la narración suena peor que uno con voz mediocre bien mezclada.

Generación de música: qué pedir y cómo

Los generadores de música actuales producen pistas completas —con estructura, instrumentación y a veces voz— a partir de una descripción. La calidad del resultado depende casi por completo de cómo escribís el pedido.

Anatomía de un buen prompt musical

Un prompt útil describe cinco elementos: género, instrumentación, tempo aproximado, uso previsto y qué evitar. Ejemplo: "instrumental de fondo para video corporativo, piano y cuerdas suaves, 90 bpm, sin percusión marcada, sin voz, tono optimista pero contenido".

• Especificá el uso, no solo el estilo: "música de fondo para narración" produce mejores resultados que "música épica", porque el modelo ajusta el rango dinámico.

• Pedí instrumental explícitamente: si no lo aclarás, muchos modelos agregan voz.

• Definí la duración y la estructura: "intro suave de 5 segundos, cuerpo estable, cierre sin fade" evita tener que recortar a mano.

• Generá varias versiones: el costo marginal es bajo y la variación entre generaciones es alta.

Voz en off: dónde está la diferencia

La síntesis de voz llegó al punto donde el problema ya no es el timbre sino la interpretación. Una voz generada suena artificial cuando el ritmo es uniforme y no hay pausas donde un humano respiraría.

Cuatro ajustes que resuelven el 90% del problema

• Puntuación como partitura: los puntos y las comas controlan las pausas. Dividí las oraciones largas.

• Bloques cortos: generá párrafo por párrafo en lugar de todo el texto de una vez. La coherencia de entonación se mantiene mejor.

• Estabilidad media: demasiada estabilidad suena monótona, demasiada poca suena errática. El punto medio es el que se percibe humano.

• Escribir para el oído: reescribí el texto en frases habladas. Un texto pensado para leer nunca suena natural dicho en voz alta.

La documentación técnica de ElevenLabs explica cómo funcionan estos parámetros y qué hace cada modelo, que es información útil incluso si usás otra herramienta: la lógica es similar en todas.

Mezcla: las reglas mínimas

Dos técnicas más: aplicar un descenso automático de la música cuando entra la voz, y cortar las frecuencias bajas de la pista musical para que no compitan con el rango de la narración. Con esas dos cosas, una mezcla amateur pasa a sonar profesional.

Derechos y uso comercial

Este es el punto donde más creadores se meten en problemas. Antes de usar audio generado en algo monetizado, revisá tres cosas: si el plan que usás habilita uso comercial, quién retiene los derechos de la pista generada, y si el modelo fue entrenado con catálogos licenciados. Las plataformas de distribución están endureciendo sus políticas y la industria musical presiona en ese sentido: la cobertura de The Verge sobre IA y las notas de TechCrunch sobre el sector siguen de cerca cada cambio de reglas.

Sobre clonación de voz, la regla es simple: consentimiento explícito y documentado de la persona, siempre. Sin excepciones, incluso para pruebas internas.

Cómo se integra con el resto de la producción

El audio no se decide al final. Si estás produciendo un video, conviene definir la música antes de editar, porque el ritmo de la pista determina dónde van los cortes. Trabajar en el orden inverso —cortar primero y buscar música después— casi siempre obliga a rehacer la edición. La lógica de combinar imagen, voz y música en una misma pieza está desarrollada en esta nota sobre producción generativa integrada.

Cursos recomendados de Coderhouse

• Curso de Creación de Contenido con IA: el más alineado con este flujo. Integra audio, imagen y video generativo en una producción completa.

• Curso de Contenido para Redes Sociales: nivel inicial. Útil para entender qué formato y qué duración pide cada plataforma.

• Curso de Introducción a la Inteligencia Artificial: para entender cómo funcionan los modelos generativos y por qué producen lo que producen.

• Curso de Copywriting: el guion es la mitad de una buena voz en off. Escribir para el oído es una habilidad específica.

Preguntas frecuentes

¿Se puede crear música con IA sin saber nada de música?

Sí. Los generadores actuales trabajan a partir de descripciones en texto, así que no necesitás leer partituras ni tocar un instrumento. Lo que sí necesitás es saber describir el uso previsto de la pista y tener criterio para elegir entre variantes y mezclarla correctamente con la voz.

¿La música generada con IA se puede usar comercialmente?

Depende de la herramienta y del plan. Varias habilitan uso comercial en planes pagos y lo restringen en los gratuitos. Antes de monetizar, revisá los términos, quién retiene los derechos de la pista y con qué material se entrenó el modelo. Guardá comprobante de la licencia por cada pista que uses.

¿Cómo hago que una voz generada no suene robótica?

Reescribiendo el texto para el oído, con frases cortas y puntuación que marque las pausas; generando párrafo por párrafo en lugar de todo el texto junto; y ajustando la estabilidad a un valor medio. El otro factor decisivo es la mezcla: una voz bien nivelada sobre música baja suena natural aunque el modelo no sea el mejor.

¿Es legal clonar una voz con IA?

Solo con consentimiento explícito y documentado de la persona cuya voz se clona. Varias jurisdicciones ya avanzaron en regulación específica sobre identidad vocal y las plataformas exigen autorización. Clonar una voz sin permiso, incluso para pruebas internas, es un riesgo legal y reputacional que no vale la pena.

¿Qué volumen debe tener la música respecto de la voz?

La música de fondo debería estar entre 18 y 22 decibeles por debajo de la voz cuando hay narración, y puede subir en las pausas. Sumado a eso, conviene recortar las frecuencias bajas de la pista para que no compitan con el rango de la voz. Ese ajuste solo ya hace que la mezcla se perciba profesional.