El video ya está casi editado, los subtítulos también están ajustados, pero justo se atasca en la locución.

Cambias a una voz y suena demasiado a anuncio; cambias otra y las palabras se pronuncian claramente, pero parece que está leyendo un comunicado. Quieres buscar algo más relajado, pero resulta demasiado relajado. Después de revisar la lista de audiciones durante mucho tiempo, al final sigues sin saber cuál elegir.

Muchas veces, no es que el texto no funcione, sino que la voz y la imagen no encajan.

Por eso este artículo no va a acumular parámetros primero. Hemos encontrado algunos timbres distintivos en la comunidad de Fish Audio, hemos escrito respectivamente frases cortas originales que encajan con su dirección expresiva y luego hemos realizado llamadas para generar audiciones. Puedes escuchar primero y luego pensar: ¿qué tipo de persona necesita tu video para narrarlo?

Un creador indeciso al elegir un timbre de voz, con cintas de casete, manuscritos y auriculares delante

Al elegir una voz, no mires solo el nombre

Etiquetas como «voz femenina suave» o «voz masculina magnética» suenan bien, pero no necesariamente son adecuadas cuando se incorporan realmente al video.

Al hablar de la vida cotidiana, sonar demasiado formal puede generar distancia; al hacer una narración histórica, ser excesivamente animado también puede hacer que se pierda la inmersión. Que una voz suene bien es una cosa; querer escucharla terminar de contar este contenido es otra.

Podrías preguntarte primero una cosa: ¿quién le está diciendo estas palabras a quién?

¿Son amigos conversando, alguien contando una historia o un personaje sobre el escenario? Cuando tengas esto claro, no necesitarás revisar la lista de timbres de principio a fin.

¿Qué puede hacer Fish? Hablemos primero de lo relacionado con la locución

Fish Audio puede generar voz a partir de texto y también puede utilizar timbres existentes. Su sitio web oficial en chino presenta capacidades como múltiples idiomas, clonación de voz y expresión emocional; el efecto concreto todavía debe probarse con tu propio guion. Sitio web oficial de Fish Audio en chino

Para la creación cotidiana, hay dos aspectos que vale la pena tener en cuenta: uno es que hay muchas opciones de timbres, sin necesidad de limitarse a unos pocos estilos de locución; el otro es que se puede utilizar repetidamente el mismo ID de timbre, lo que resulta más práctico al modificar el guion o añadir frases después.

Si tienes material de voz que ya cuenta con autorización, también puedes hacer síntesis de audio de referencia de una sola vez, sin necesidad de crear primero un timbre permanente. Aquí hay que distinguir claramente: el modelo de timbre determina «quién parece estar hablando», y el modelo de voz determina «qué conjunto de capacidades de síntesis se usa para generar», no son lo mismo.

Al acceder mediante Ace Data Cloud, reference_id especifica el timbre, y model en el encabezado de la solicitud HTTP especifica el modelo de voz. La documentación actual de la interfaz enumera s1, s2-pro y s2.1-pro, y admite opciones como MP3, WAV y ajuste de velocidad. Descripción de parámetros

Si quieres integrarlo en tu propia herramienta, el código puede ser muy corto

Lo que se muestra a continuación es la interfaz Fish TTS de Ace Data Cloud, no la interfaz de conexión directa oficial de Fish. Usa el API Token de Ace Data Cloud; el ejemplo lee variables de entorno y no escribe la clave en el código.

import os
import requests

# 换成你已确认使用权限的音色 ID
voice_id = os.environ["FISH_VOICE_ID"]

response = requests.post(
    "https://api.acedata.cloud/fish/tts",
    headers={
        "Authorization": f"Bearer {os.environ['ACEDATACLOUD_API_TOKEN']}",
        "Content-Type": "application/json",
        "model": "s2-pro",
    },
    json={
        "text": "别急着挑最好听的，先挑一个适合这段故事的。",
        "reference_id": voice_id,
        "format": "mp3",
        "prosody": {"speed": 1.0, "volume": 0},
    },
    timeout=180,
)
response.raise_for_status()
result = response.json()
if "audio_url" not in result:
    raise RuntimeError(f"未取得音频地址：{result}")
print(result["audio_url"])

Primero instala requests y luego configura ACEDATACLOUD_API_TOKEN y FISH_VOICE_ID; así podrás probar una vez con frases cortas. El audio_url obtenido es una dirección de audio, no el archivo de audio en sí.

No generes todo el artículo de una vez. Elige un fragmento del guion que tenga frases largas, pausas y también cambios emocionales, y continúa después de probar una velocidad adecuada. Para textos largos o tareas por lotes, puedes usar callback_url y la consulta de tareas según la documentación, para evitar que la página tenga que esperar continuamente.

¿Cuántas de las siguientes voces reconoces?

Aclaremos primero: los siguientes 20 fragmentos de audio son audiciones sintéticas de IA generadas esta vez mediante la llamada a timbres de la comunidad de Fish TTS a través de Ace Data Cloud, no son grabaciones de las personas en sí, ni diálogos originales ni doblajes originales. Los textos son originales de esta ocasión; los títulos mantienen o explican los nombres de los timbres de la comunidad, y no representan la participación, autorización o respaldo de la persona, actor de doblaje o institución relacionada.

Hemos seleccionado una mezcla de timbres para conversaciones en chino, narración y personajes distintivos, no es una lista de popularidad en tiempo real. Cada fragmento utiliza frases cortas de escenas diferentes, principalmente para ayudar a percibir la dirección expresiva, y no constituye una evaluación comparativa bajo un guion uniforme. Tomori Takamatsu usa japonés y los demás chino; los resultados en distintos idiomas no pueden compararse directamente.

Se ha comprobado que los enlaces de audio son accesibles, pero aún no se ha completado una revisión auditiva uno por uno. Las descripciones a continuación explican la intención del diseño del texto y no equivalen a una garantía de la percepción auditiva de los resultados generados.

Generar correctamente no significa obtener autorización de uso. Los modelos públicos de la comunidad no implican que puedan utilizarse para publicidad comercial, suplantar a la persona o realizar respaldos falsos; antes de una publicación, exhibición o reutilización formal, todavía es necesario confirmar el timbre, los derechos sobre la voz de la persona y los derechos relacionados con el personaje. Este borrador se mantiene sin publicar.

Personajes originales con distintas voces se turnan frente al micrófono, formando un animado pequeño teatro de voces

Shin-chan｜La familiar energía traviesa

Empecemos por el canal de la infancia. Para este timbre escribimos una traviesa justificación que gira alrededor de unas galletitas, buscando mostrar el contraste de un niño que busca excusas muy en serio. Además del tono, también puedes escuchar las pausas y el final de las frases.

Mamá, ¡hoy no he sido perezoso! Estaba investigando seriamente por qué las galletitas, en cuanto se abre el paquete, corren solitas a mi barriga. Jeje, ¡dame otra!

Sun Wukong｜La sensación de personaje de “este viejo Sun”

Con explorar el camino, proteger al maestro y el bastón dorado, se hilvana un pequeño fragmento de líneas originales del personaje, dejando un poco de espacio para la franqueza y la tensión dramática. Se puede comparar con una narración común y escuchar de dónde viene la sensación de personaje cuando ambos simplemente hablan.

¡Maestro, no se preocupe! Delante hay montañas altas y caminos peligrosos; deje que este viejo Sun vaya primero a investigar. Si hay demonios bloqueando el camino, este bastón dorado mío no está para usarlo como bastón.

Bob Esponja｜Hoy también quiero ir a atrapar medusas

Está diseñado como una invitación emocionada a salir, con una dirección de texto brillante, animada y llena de expectativa. Si la imagen en sí ya es muy bulliciosa, se puede probar primero si el doblaje también debe estar tan cargado y luego decidir.

Patricio, ¡levántate rápido! ¡Hoy el agua del mar brilla, y las medusas seguro que también quieren salir a jugar! ¡Hasta tengo lista la red, solo te espero a ti, mi mejor compañero!

Patricio Estrella｜Primero comamos una hamburguesa de cangrejo y luego pensemos

Se conecta con el fragmento anterior como un pequeño diálogo: uno tiene prisa por salir, el otro primero piensa en comer. Aquí se quiere usar una lógica que va medio paso más lenta y da un pequeño rodeo, para mostrar una dirección de comedia ligera y tontita.

Bob Esponja, se me ocurrió una manera especialmente inteligente. Primero comemos una hamburguesa de cangrejo y luego pensamos adónde jugar. Así, si no se nos ocurre nada, tampoco tendremos hambre.

Perezoso｜Primero tumbémonos un rato y luego hablamos

La montaña de pastel en el sueño y la siesta de la que no puede despertar fijan para este texto una dirección de glotonería y somnolencia. Si quieres crear contenido más relajado, no hace falta que cada frase tenga prisa por avanzar.

No me llamen para levantarme, acabo de soñar con una pequeña montaña hecha de pastel. Cuando termine de comer la fresa de la cima, me levantaré a ayudar. De verdad, solo dormiré un ratito más.

El emperador de La leyenda de Zhen Huan｜Una sola línea ya crea una escena

Este es un monólogo palaciego original, sin tomar líneas de la serie. Con la escena de dejar la taza de té y querer hablar pero detenerse, se deja espacio para la sensación de estatus del personaje y los silencios.

No hace falta servir más té, deseo tranquilidad por un momento. Todo lo que acabas de decir, lo he anotado. Pero los asuntos de este palacio: lo que se oye no necesariamente es verdad, y lo que se ve tampoco necesariamente es el cuadro completo.

Uma Musume｜Busca en la dirección de la energía

Elige la escena de correr una vuelta más antes de terminar el entrenamiento, usando petición, perseverancia y expectativa para impulsar las líneas. Si quieres encontrar una expresión de personaje más enérgica, puedes empezar por esta dirección de texto, en lugar de solo buscar “voz femenina dulce”.

¡Entrenador, el viento de hoy está perfecto! Para la última vuelta, quiero intentarlo una vez más. Aunque todavía me falte un poco ahora, iré alcanzándolo paso a paso. ¡Por favor, mírame cruzar la meta corriendo!

Anon Chihaya｜Cambiemos de idioma, escuchemos la sensación de un ensayo

Para este timbre de voz se escribieron frases cortas de ensayo de una banda en japonés, buscando expresar la sensación de estar un poco nerviosa y, a la vez, querer llevar a los compañeros a intentarlo una vez más. Esto no es una prueba de pronunciación en chino ni una grabación de la obra original.

Oye, ¿no ensayamos juntos solo una vez más hoy? Creo que sonará mucho mejor que hace un momento. Estoy un poco nerviosa, pero con todos ustedes estará bien.

Significado general en chino: ¿Quieren ensayar juntos una vez más hoy? Creo que sin duda podremos hacerlo mejor que hace un momento. Aunque estoy un poco nerviosa, con todos no habrá problema.

No hace falta reconocer el nombre para encontrar una voz que te guste

Las voces de personajes son fáciles de recordar, pero al elegir una voz en off para tu propio vídeo, a menudo hay que volver a “si suena natural” y “si cansa al escucharla durante mucho tiempo”. Las siguientes opciones pueden escucharse desde otro ángulo.

AD senpai｜Una línea corta, primero escucha el tono

El texto está planteado como un recordatorio de liderazgo dentro de un juego; se busca un poco de agilidad y picardía, pero sin apoyarse en atacar a otros para imponer presencia. Las frases cortas facilitan percibir el tono; para vídeos largos, aún es necesario probar por separado la narración continua.

No te quedes diciendo que no puedes, primero termina esta partida. No pasa nada si te mueves un poco más despacio, pero que tu cerebro no se desconecte también. Vamos, sígueme de cerca, esta ronda la jugamos en serio.

Jialan 3.0｜Como si le contaras algo a un amigo

El pequeño conflicto de “tener miedo, pero querer jugar” es muy adecuado para escribirlo como una charla entre amigos. Las repeticiones, las dudas y añadir una condición de última hora pueden formar parte del texto para locución; no hace falta escribir cada frase como un manual.

Te digo que de verdad no me atrevo a jugar a ese juego sola. Pero si me acompañas, siento que quizá tampoco sea imposible. Pero primero deja algo claro: si se abre una puerta, ¡no puedes salir corriendo antes que yo!

Estudiante universitaria｜Biblioteca, cena y un té con leche

Este es el nombre de una voz de la comunidad, no una certificación de identidad. Se eligió un fragmento de la vida cotidiana en el campus, dejando que el plan de estudio y los pequeños pensamientos que se distraen sin querer se amontonen en el mismo párrafo, para probar la dirección de la narración cotidiana.

Hoy por fin conseguí un sitio junto a la ventana en la biblioteca. Hace un sol estupendo; no he pasado ni dos páginas del libro y ya estoy pensando qué cenar. Bueno, primero me aprendo este capítulo y luego me premio con un té con leche.

Voz femenina suave y agradable｜No hace falta apresurarse a hablar en cada frase

Este texto es una compañía tranquila, no una exhortación. Si quieres hacer cuentos para antes de dormir o una narración relajante, puedes centrarte en probar las frases largas, las pausas y los finales de frase de este tipo de dirección.

Si hoy estás un poco cansado, deja por un momento lo que tienes entre manos. El viento de fuera es muy suave y el té sigue templado. No hace falta apresurarse a ser mejor; en este momento, basta con respirar despacio.

Ding Zhen｜Hablar del paisaje, no recitar una presentación

Se eligieron frases cortas originales sobre paisajes con montañas nevadas, rocío y un pequeño sendero; la dirección expresiva es suave y coloquial. Esto es una demostración de síntesis de IA de un modelo comunitario del mismo nombre, no una declaración de la persona real, una recomendación de viaje ni un patrocinio.

Cuando salí esta mañana, todavía había un poco de nieve en la cima de la montaña, y el rocío sobre la hierba brillaba. Camina despacio por este sendero, no hace falta tener prisa; el viento traerá los sonidos de la distancia.

Cai Xukun｜Una expresión de voz masculina joven más ligera

Se escribió un monólogo ficticio de una sala de ensayo, llevando el tema hacia una atmósfera de escenario mediante pequeños movimientos y música. Esto no es una experiencia real del personaje, una entrevista ni una declaración de la persona real; se usa únicamente para una demostración de síntesis de voz de la comunidad.

Las luces de la sala de ensayo siguen encendidas; quiero repetir ese movimiento de hace un momento. A veces el progreso se esconde en estos pequeños detalles. Cuando suene la música, toda la dedicación tendrá eco.

Sun Xiaochuan 258｜Una dirección de conversación un poco más informal

Se usa trasnochar, los juegos y la comida a domicilio que se ha enfriado para escribir un pequeño fragmento de autocrítica; lo que se busca es un ritmo de charla casual, no una locución formal. El texto es ficticio, no una experiencia ni una declaración real de la persona.

Dije que hoy me dormiría temprano, pero miré la hora y otra vez ya es esta hora. No gané el juego, pero la comida a domicilio sí se enfrió bastante rápido. Vale, primero a comer; cuando esté lleno, ya averiguaré de quién fue el problema de hace un momento.

Si quieres un tono explicativo, narrativo, también hay otras opciones

Lei Jun｜Hablar llevando al público presente

Escribe un ejercicio de explicación con una pregunta hipotética sobre una silla, intentando una sensación de comunicación de “preguntar primero y explicar después”. No implica ningún lanzamiento de producto real, promesa de precio o rendimiento, ni representa las opiniones o el respaldo de la persona real.

Todos piensen un momento: en una silla, ¿qué es lo más importante? No es lo compleja que parezca, sino si, en el momento en que te sientas después de un día ajetreado, puedes relajarte de verdad. Hacer bien las pequeñas cosas también es una habilidad.

Zheng Xiangzhou｜Explicación empresarial más formal

El texto original va desde los objetivos y la división de tareas hasta los resultados, dando niveles claros a una explicación formal. Se puede comparar con párrafos de conversación para percibir la sensación de distancia que produce el cambio en el grado de formalidad. El contenido no representa las opiniones ni una grabación de clase de la persona real.

Al formar un equipo, no se apresuren a hablar de escala. Expliquen bien los objetivos, lleven a cabo la división de tareas y luego hagan que cada persona sepa qué relación tienen su trabajo y los resultados. Tener una dirección coherente es más importante que estar ocupados en apariencia.

Narración documental｜Dar un poco más de peso a los textos de paisajes

El nombre original del modelo de la comunidad es “doblaje de CCTV”. Aquí se usa “narración documental” para describir la dirección expresiva, sin indicar cooperación ni autorización con CCTV. Esta vez se utiliza un breve texto original sobre una mañana en el valle fluvial, y se puede prestar atención especialmente a la disposición de las frases largas.

Al amanecer, el primer rayo de sol cruza la cresta de la montaña y el valle fluvial despierta poco a poco. El agua rodea las rocas y también atraviesa los pueblos. Esos días que parecen ordinarios van dejando huellas lentamente, entre el sonido continuo del agua.

Video promocional grandioso｜Cuando la apertura necesita ser un poco más formal

Utiliza las luces de la ciudad y la vida de la gente común para escribir frases breves de apertura, sin añadir promesas de producto. No es necesario usar este tipo de expresión durante todo el video; puedes ponerla primero en unas frases de apertura y ver si resulta demasiado intensa.

Desde la primera luz del amanecer hasta los pasos que aún no se detienen en la noche profunda, la calidez de una ciudad se esconde en el corazón de cada persona que vive con seriedad. Que lo ordinario sea visto, que cada esfuerzo tenga un eco.

Se escribió un monólogo ficticio sobre una noche lluviosa, una carta antigua y una partida, con una dirección diseñada para ser contenida, seria y narrativa. Este tipo de texto es más adecuado para ejercicios de personajes, y no es necesario forzarlo en todo tipo de guiones de narración.

Cuando la lluvia se detuvo, él volvió a guardar esa carta en el bolsillo. La luz de la esquina seguía encendida, pero ya nadie esperaba que él se explicara. Hay caminos que, una vez que te das la vuelta, solo puedes recorrer tú mismo hasta el amanecer.

No te apresures a decidir después de escuchar: vuelve a ponerlo en tus imágenes

El guion se convierte en una cinta de papel con sonido al pasar por una radio con forma de pez; el creador lleva auriculares frente a la mesa de edición para comprobarlo

La voz que te gusta durante la escucha de prueba, al volver a ponerla en tu propio video, puede ser otra historia.

Primero puedes conservar dos o tres candidatos, generar con el mismo guion y luego escucharlos con el mismo fragmento de imagen. No compares solo la primera frase; escucha también si las frases largas van demasiado deprisa, si el final de las frases se sostiene, y si sigue siendo claro después de añadir la música de fondo.

Si aún no encaja, primero cambia el guion. Reduce un poco el lenguaje escrito, divide las frases largas y deja una pausa en las transiciones. A veces, cambiar diez timbres de voz no es tan efectivo como convertir una frase en algo que realmente dirías normalmente.

Fish ofrece más opciones de voz; al final, si es adecuado o no, todavía depende del oído. Si logra que el público olvide “este fragmento está doblado” y quiera seguir escuchando el contenido, ya está muy bien.

Si quieres seguir probando, puedes mirar desde aquí

Las ilustraciones de este artículo son ilustraciones conceptuales creadas con asistencia de IA, no capturas de pantalla de la interfaz del producto. Los 20 fragmentos de audio son demostraciones sintéticas de IA generadas en esta ocasión mediante la invocación de voces de la comunidad Fish con textos originales, y no son grabaciones de la propia persona ni de la obra original, ni representan autorización, participación o respaldo de las personas relacionadas, actores de voz o instituciones. Antes de la publicación formal, complete la revisión auditiva de cada fragmento, la comprobación de reproducción del reproductor en el frontend, y confirme el alcance de autorización de la voz, los personajes y la presentación de audio para sus usos posteriores.