Voz en off para vídeo con IA: añade narración en cualquier idioma a tus clips

La voz en off para vídeo con IA consiste en añadir narración o diálogo hablado a un clip generado, y en VIBE puedes hacerlo de dos formas: dejar que Veo 3.1 Fast o Kling 3 Pro digan la frase dentro del render, o añadir después una voz grabada o sintética. Esta guía muestra qué camino encaja con cada vídeo, cómo escribir frases para clips cortos y cómo convertir una idea en varios idiomas.

¿Qué es la voz en off para vídeo con IA y por qué importa?

Un clip con una frase hablada clara da al espectador un motivo para quedarse más allá del primer segundo y se entiende sin leer nada. En noviembre de 2026, la voz en off para vídeo con IA abarca dos tareas: un personaje que habla en pantalla y un narrador fuera de plano sobre las imágenes. La primera la resuelve el propio modelo de vídeo; la segunda suele ser un paso aparte. Si quieres entender el sonido en estos modelos, nuestra guía de generadores de vídeo con IA y audio explica diálogos, efectos y ambiente, y la lista de modelos de VIBE muestra qué hace cada uno.

¿Generar, grabar o sintetizar la voz?

• Generarla en el render. Escribe la frase en tu prompt y deja que Veo 3.1 Fast o Kling 3 Pro la digan. Va bien para personajes en pantalla, ganchos cortos y clips donde importa el movimiento de labios.
• Grabarla tú mismo. Tu propia voz es la más creíble para una marca personal o un tutorial, y basta un smartphone en una sala silenciosa. Coloca la grabación sobre un clip sin habla propia.
• Sintetizarla aparte. Una voz de texto a voz sirve para narraciones largas y muchas versiones de idioma, porque puedes rehacer el audio sin regenerar la imagen.

Una regla práctica: si habla una persona en pantalla, genera el habla en el render; si no habla nadie, grábala o sintetízala. Mezclar ambas en un mismo clip es donde empiezan casi todos los problemas de sincronía.

¿Qué modelos de VIBE pueden decir una frase?

Dos modelos de VIBE generan habla dentro del render. Veo 3.1 Fast, de Google DeepMind, produce diálogo, efectos de sonido y ambiente en clips de hasta 8 segundos, y Kling 3 Pro, de Kuaishou, renderiza clips de hasta 15 segundos con varios hablantes y varios idiomas. Google DeepMind describe la familia Veo en su página del modelo Veo. Solo estos dos hablan en VIBE, así que comprueba el modelo antes de montar un guion en torno a una frase hablada.

Prueba este prompt en VIBEVeo 3.1 Fast

“A young woman in a bright kitchen looks into the camera and says calmly, "Three ingredients, ten minutes, and dinner is done," soft room tone, a pan sizzling quietly in the background, handheld vertical 9:16, natural window light.”

¿Cómo escribir una frase que quepa en un clip corto?

El clip es corto, así que la frase también debe serlo. Como regla general, apunta a una oración de unas diez a quince palabras por cada clip de 8 segundos y deja un instante de silencio al principio y al final para que la voz no choque con el corte. Los mensajes largos funcionan mejor como varios clips, cada uno con su frase.

1. Escribe primero todo el guion y luego divídelo en una oración por clip.
2. Pon la frase entre comillas e indica quién habla y cómo, por ejemplo con calma, con entusiasmo o susurrando.
3. Describe el sonido bajo la voz, como el ambiente de la sala o el ruido de la calle, para que la mezcla sea natural.
4. Renderiza, escucha con auriculares y acorta la frase si suena apresurada, en lugar de rehacer la imagen.

Todo el proceso lleva unos pocos toques, y cómo funciona VIBE muestra cada paso. Para mantener escenas coherentes entre clips, consulta nuestra guía de prompts para vídeo con IA.

¿Cómo hacer un vídeo con IA multilingüe a partir de una idea?

Mantén igual el prompt de la imagen y cambia solo la frase y su idioma. Como las imágenes no cambian, obtienes un conjunto de clips a juego para distintos mercados sin rediseñar nada. Kling 3 Pro es la opción natural porque renderiza diálogos en varios idiomas; para un idioma que maneje mal, renderiza la imagen una vez y añade una voz grabada o sintética en ese idioma. Cuando no puedas usar voz, nuestra guía de subtítulos para vídeo con IA muestra cómo los subtítulos llevan el mensaje.

Prueba este prompt multilingüeKling 3 Pro

“A street-food vendor in a lantern-lit night market smiles at the camera and says in Spanish, "Prueba esto, es la mejor receta de la casa," then a customer replies in English, "It smells amazing," steam rising from the grill, warm string lights, ambient chatter, handheld documentary style.”

¿Qué app de vídeo con IA ofrece voz en alemán?

VIBE puede producir habla en alemán con Kling 3 Pro, que renderiza diálogos en varios idiomas. Escribe la frase en alemán en el prompt y prueba primero una oración corta, porque la pronunciación y el acento pueden variar entre versiones del modelo. Para narraciones largas en alemán, una voz grabada o sintética sobre un clip sin habla te da más control que un único render.

• Escribe la frase alemana exactamente como debe sonar, con los números en letra.
• Usa oraciones cortas; una cláusula por clip es lo más fácil de pronunciar con limpieza.
• Escucha el acento en nombres y préstamos, y reescríbelos fonéticamente si suenan mal.

¿Cómo mezclar la voz en off con música, efectos de sonido y subtítulos?

Una voz en off solo funciona si el público la oye con claridad, así que la mezcla importa tanto como las palabras. Cuando el habla se genera dentro del render, Veo 3.1 Fast y Kling 3 Pro ya equilibran el diálogo con el ambiente, por eso un sonido dominante por clip da los resultados más fiables. Cuando añades la voz después, grabada o creada con síntesis de voz, el equilibrio pasa a ser tuyo: mantén la voz claramente más alta que cualquier música y deja el sonido de fondo lo bastante bajo para que cada palabra se siga con facilidad. Trata la voz como protagonista y el resto como apoyo.

• Mantén la música baja bajo el habla y deja que suba solo en las pausas entre frases.
• Ajusta la energía de la voz a la imagen, para que un narrador tranquilo no vaya sobre una escena de acción rápida.
• Añade subtítulos que repitan las palabras habladas, para que el clip funcione sin sonido y para quien lee a la vez.

Por último, exporta en el formato que espera la plataforma. Un clip vertical 9:16 encaja con TikTok, Reels y Shorts, y nuestra guía de relaciones de aspecto explica cómo encuadrar a alguien que habla para que la cara y los subtítulos nunca choquen. Revisa un clip terminado en el altavoz del móvil y con auriculares antes de publicar el resto, porque una voz que suena bien en una edición tranquila puede desaparecer en un altavoz pequeño en un lugar ruidoso.

¿Qué errores arruinan una voz en off de vídeo con IA?

• Frases demasiado largas, que dejan la voz apresurada o cortada al final del clip.
• Pedir habla y un paisaje sonoro cargado a la vez, lo que entierra las palabras.
• Cambiar la redacción del prompt visual entre versiones de idioma, de modo que los clips dejan de coincidir.
• Saltarse la escucha con auriculares, donde las palabras mal pronunciadas se notan más.

Trata la voz en off como parte del plano, no como una capa añadida. Escríbela junto con la imagen, mantenla corta y prueba un clip antes de renderizar toda una serie.

Preguntas frecuentes