Cierra los ojos y piensa en las marcas en las que confías. Probablemente logras ver sus logos. Ahora intenta oírlas. Para la mayoría de las marcas no hay nada ahí. Silencio. Y sin embargo todo vídeo que publican lleva una voz dentro, elegida en los últimos diez minutos de la producción, normalmente descrita con una sola palabra: profesional.

Ese silencio es un activo perdido. En KURACONV la voz no es la etapa final de un vídeo. Es una de las primeras decisiones de la marca. Aquí está el argumento, y el flujo de trabajo que se deriva de él.

El problema de remiendo en la locución con IA

El pipeline por defecto en la mayoría de los equipos es así: escribe el guion, genera las imágenes, monta el corte, y entonces, al final, abre una herramienta de texto a voz y prueba presets hasta que uno suena aceptable. La voz se trata como un mecanismo de entrega de palabras, un subproducto del vídeo.

El resultado es una locución que pelea con la película. El ritmo de la lectura nunca encaja con el ritmo del montaje, porque el montaje se cerró antes de que la voz existiera. La energía es genérica, porque la voz se eligió de un menú en lugar de diseñarse para un fin. Y en diez vídeos, la marca suena como diez empresas distintas, porque cada montador cogió el preset más cercano.

El público lo registra aunque no logre nombrarlo. El sonido llega a la emoción más rápido que la imagen. Una película puede parecer cara y aun así sonar barata en el segundo en que empieza la locución.

Voz primero: cómo construimos de verdad

En nuestro flujo, la voz se diseña antes de que se construya el vídeo, y el vídeo se construye a su alrededor. No el guion. La voz en sí: timbre, ritmo, acento, respiración, la temperatura de la lectura.

Eso invierte todo lo que viene después, y los efectos son prácticos, no poéticos. Cuando la voz existe primero, el montaje hereda su ritmo. Una voz lenta y cálida produce planos más largos y transiciones más suaves, porque cortar rápido contra ella parece equivocado en la línea de tiempo. Una voz seca y precisa se gana un encuadre más cerrado y cortes más duros. La voz se convierte en el metrónomo de la película, que es exactamente lo que hace un director humano con la interpretación del protagonista.

Nuestro método, Sentimagem, lo pone de forma simple: la coherencia de clima va antes de que se revele nada en pantalla, y la voz es el canal más rápido hasta el sentimiento. Elegir la voz al final es elegir el sentimiento al final, lo que quiere decir no elegirlo nunca de verdad.

Diseñar una voz de IA con ElevenLabs

Los motores de voz modernos hicieron posible este flujo para estudios de cualquier tamaño. Trabajamos bastante con ElevenLabs, y el oficio vive en los parámetros que la mayoría nunca toca.

El timbre es la capa de identidad: cuán oscuro, cuán claro, cuánta textura en el tono. Eso debería mapear la personalidad de marca igual que lo hace una tipografía. El ritmo es la capa de confianza: una marca que corre suena a quien está vendiendo, una marca que respira suena a quien está afirmando. El acento es la capa de pertenencia, y merece pensamiento de verdad en una marca global. Un acento internacional neutro se lee distinto en São Paulo, Londres y Dubái, y a veces un acento arraigado es exactamente el punto.

Y está la consistencia, que es donde la locución con IA le gana en silencio a la locución tradicional. Una voz diseñada nunca se resfría, nunca envejece, nunca cierra otro trabajo. El clip de producto de cinco segundos y la película de marca de tres minutos comparten exactamente la misma identidad vocal, indefinidamente. Esa repetición es como el branding sonoro compone intereses: la voz se vuelve reconocible antes de que aparezca el logo.

Una nota de laboratorio sobre voz e imagen

Merece la pena compartir un hallazgo de nuestras pruebas de producción. Cuando generamos vídeo primero y añadimos locución después, iterar sale caro: cada cambio de guion pelea con un montaje cerrado. Cuando la pista de voz existe primero, iterar sale barato. Ajustamos una lectura, y el montaje se flexiona a su alrededor en minutos, porque el lenguaje visual se construyó para servir a la voz desde el principio.

Existe también un hallazgo de casting. Probar una voz contra un storyboard revela problemas que ninguna ficha técnica pilla. Una voz que sonaba autoritaria aislada puede quedar fría contra imágenes cálidas. Probamos voz e imagen juntas en la etapa de animática, antes de cualquier generación cara, igual que un director de cine hace pruebas de pantalla con un actor.

Qué significa esto si estás construyendo una marca

Tres conclusiones que puedes aplicar mañana.

  • Trata la elección de voz como una decisión de marca, tomada una vez, documentada como una paleta. Escribe el timbre, el ritmo, el acento, y los sentimientos a los que sirve cada elección, para que ningún montador vuelva a elegir un preset.
  • Diseña la voz antes de producir tu próximo lote de vídeos, no después. Aunque los vídeos sean simples, el orden cambia su calidad.
  • Audita lo que ya tienes. Reproduce tus últimos cinco vídeos seguidos con la pantalla apagada. Si suenan como cinco empresas distintas, has encontrado patrimonio de marca real tirado por el suelo.
El sonido llega a la emoción más rápido que la imagen. Una película puede parecer cara y aun así sonar barata en el segundo en que empieza la locución.
Diseña la voz antes que el vídeo y la película entera hereda su ritmo: la voz es un elemento de marca como una paleta o una tipografía, no un preset elegido en los últimos diez minutos del montaje.