Crear un avatar con inteligencia artificial que hable por ti cuesta hoy una foto, dos minutos de tu voz y un texto bien puntuado. En este vídeo lo hice para remasterizar el primer episodio del Social Media Podcast, grabado en 2011: mi avatar y mi voz clonada cuentan la historia, una voz sintética me responde, y las voces reales de entonces suenan tal cual se grabaron. Aquí está el proceso completo, con lo que falló y lo que te ahorra si quieres hacerlo para tu negocio.
Trece de diciembre de 2011. Tres personas, un Skype y una cuña que no era la nuestra. Catorce años después he vuelto a montar aquel primer programa sin grabar ni un segundo nuevo. Lo que ves a cámara es un avatar generado a partir de una foto mía, y lo que oyes es mi voz clonada. Esto no es un homenaje al pasado: es una prueba de hasta dónde llega hoy esta tecnología cuando la usas con criterio.
Qué es un avatar con inteligencia artificial (y qué no es)
Un avatar con inteligencia artificial es un vídeo de una persona hablando que no ha sido grabado. La herramienta parte de una imagen real, le pone movimiento de boca, cabeza y manos, y sincroniza todo con un audio. Ese audio puede ser una locución tuya o una voz clonada que lee un texto. El resultado, si la foto es buena y el texto está bien escrito, pasa por una grabación normal en el primer visionado.
Lo que no es: no es un doble de nadie más. En este vídeo la única cara y la única voz clonadas son las mías, con mi consentimiento y declarado como contenido generado con IA en YouTube. Las voces de Paco Anes y Manolo Aguado son el audio original de 2011, sin sintetizar. Esa línea es la que marca la diferencia entre una herramienta útil y un problema legal.
Cómo crear un avatar con inteligencia artificial: los cinco pasos de este vídeo
- Una foto real en tu entorno. Usé una captura de mi despacho, con el micro y la estantería detrás. Las fotos de estudio sobre fondo neutro quedan «flotantes» y se notan a la primera. Cuanto más cotidiano el encuadre, más creíble el avatar.
- Clonar la voz con dos minutos de audio limpio. Grabé con el micro que uso siempre, sin música ni ruido de fondo. La calidad del clon depende más de la muestra que del modelo: una grabación mediocre da una voz mediocre por muy caro que sea el servicio.
- El guion escrito para ser leído por una máquina. Frases enlazadas con comas, no metralleta de frases cortas con punto. Un sintetizador lee cada punto como una parada seca y la voz sale a golpes. Y los nombres propios, con la grafía que suene bien aunque se escriba mal: escribí «Ádria» con tilde para que no dijera «adriá».
- Una prueba de veinte segundos antes de gastar. Rendericé un fragmento corto a baja resolución, lo escuché, y solo cuando la voz y el gesto me convencieron lancé la toma completa en alta calidad. Este paso te ahorra dinero y disgustos.
- El montaje, con el audio mandando. Transcribí la toma palabra por palabra y corté cada frase donde arranca la siguiente palabra, no donde termina la anterior. Cortar al final de la transcripción suena a guillotina. Después entran los insertos: cada cuatro segundos tiene que pasar algo en pantalla, o la gente se va.
Clonar la voz: lo que funciona y lo que todavía falla
Funciona el timbre, el ritmo y la entonación general. Quien me conoce reconoce mi voz en los primeros segundos. Falla la pronunciación de nombres que no están en ningún diccionario: «iVoox» salió como «ivox» con acento raro, y el nombre del proyecto necesitó tilde para sonar bien. La solución en todos los casos fue la misma: escuchar el resultado y cambiar la grafía, no el modelo.
La segunda voz del vídeo, AdrIA, no es un clon. Es una voz sintética elegida de catálogo, con nombre propio y acreditada en pantalla. La uso como compañera de programa porque en 2011 éramos tres y hoy somos dos, y esa diferencia forma parte de la historia que cuenta el vídeo.
Qué es de 2011 y qué es de 2026
- De 2011: las voces de Paco, Manolo y la mía en los cortes de archivo, con la compresión de la época. Cada corte lleva su minuto del programa original y su crédito en pantalla. Nadie dice en el vídeo nada que no dijera entonces.
- De 2026: mi avatar, mi voz clonada, AdrIA, los planos de apoyo (el portátil con Skype, el correo, el código QR, el cajón de cassettes, que son imágenes y clips generados o de archivo) y el montaje, que hizo un sistema de agentes de IA. Otro agente independiente auditó el resultado antes de publicarlo y devolvió nueve versiones hasta dar el visto bueno.
Para qué le sirve un avatar con IA a un negocio
Este vídeo es nostalgia, pero el sistema que hay detrás es el mismo que uso para clientes en Código AdrIA. Un avatar con tu cara y tu voz permite publicar una serie diaria sin sentarte delante de la cámara cada día, explicar un producto nuevo en el momento en que entra en catálogo, o grabar la formación interna de tu equipo en una tarde. Cambias el texto y tienes el vídeo. No sustituye a grabarte de verdad cuando toca; sustituye a no publicar por falta de tiempo.
Dos condiciones para que salga bien. La primera, que el texto sea tuyo: el avatar amplifica lo que escribes, no lo mejora. La segunda, que lo declares. YouTube, Instagram y TikTok ya tienen casilla para contenido generado con IA, y marcarla te ahorra un problema y te da credibilidad. En el vídeo del podcast está marcada.
La comunidad donde cuento lo que voy montando con IA
Casos reales como este, lo que sale bien y lo que falla, y gente que está haciendo lo mismo en su negocio. Es gratis: solo pido el email para mandarte el enlace de acceso.
✈️ Entrar en la comunidad → Sin spam. Sales cuando quieras.
Los errores que cometí, para que tú no los repitas
El primero: corté los audios de 2011 al segundo exacto que decía el guion. Siete de ocho cortes partían una palabra por la mitad. Lo detectó el auditor comparando el montaje con el original, y la solución fue localizar cada palabra con el transcriptor y cortar en el último fonema con un fundido de cien milisegundos.
El segundo: dejé al avatar solo a cámara durante quince segundos seguidos. En un vídeo de tres minutos eso se nota. La regla que quedó escrita es que cada cuatro segundos tiene que cambiar algo en pantalla: un plano de apoyo, un rótulo, una tarjeta con la cita de archivo. El tercero, más sutil: usé un clip de fondo que era casi una foto fija. A ojo parecía movimiento; medido píxel a píxel, no cambiaba nada. Ahora todos los fondos llevan un paneo lento.
¿Montamos algo así en tu empresa?
Construyo sistemas de IA que producen contenido, atienden clientes y automatizan procesos, y los dejo funcionando en tu negocio con tu marca. El avatar de este vídeo es una de las piezas.
Preguntas frecuentes
¿Cuánto cuesta crear un avatar con inteligencia artificial?
Los planes de pago de las herramientas de avatar parten de unas pocas decenas de euros al mes e incluyen minutos de vídeo. La voz clonada suele ir en otro servicio con un plan similar. Para un vídeo de tres minutos como este, el coste de herramientas fue de un solo mes de suscripción; el coste real es el tiempo de escribir bien el guion.
¿Se nota que es un avatar?
En un plano medio con buena foto, la mayoría de la gente no lo nota en el primer visionado. Se nota en las manos cuando gesticula mucho y en la pronunciación de nombres raros. Por eso conviene declararlo: cuando el espectador lo sabe, lo juzga por el contenido y no por cazar el fallo.
¿Es legal clonar una voz?
La tuya, con tu consentimiento, sí. La de otra persona sin su permiso, no. En este vídeo solo hay clonada mi voz; las de mis compañeros de 2011 son grabaciones reales, cortadas y acreditadas.
¿Puedo hacerlo sin saber programar?
Sí. La foto, la voz y el guion se suben desde la web de la herramienta y el vídeo se descarga listo. Lo que en este caso hizo un sistema de agentes (los cortes, los insertos, la auditoría) puedes hacerlo a mano con cualquier editor, más despacio. Si prefieres que lo monte alguien, en Código AdrIA es lo que hago.
Créditos
Un programa de Paco Anes, Ricardo Hoyos y Manolo Aguado (2011). Remasterizado en 2026 con AdrIA. Los audios originales siguen donde estaban, en iVoox. El episodio completo, con su transcripción, está en la ficha del Podcast 0, y quiénes éramos entonces, aquí.