Qué ha cambiado
La salida de los modelos de vídeo anteriores era muda. Si querías sonido tenías que fabricarlo aparte — narración, efectos, música — y después encajarlo. Eso no era solo trabajo: era un techo de calidad, porque el movimiento de labios nunca cuadraba y el paso no sonaba donde el pie tocaba el suelo.
El native audio significa que el modelo produce imagen y sonido a la vez, en una sola pasada. No los encaja después: planifica la escena desde el principio para que los dos sean una sola cosa. En uno de los grandes proveedores ya ni siquiera se puede desactivar: en su documentación el sonido figura como «siempre activo».
Qué te da hoy el native audio
Cuatro cosas, y conviene saber que no todas tienen la misma calidad.
- Ruido ambiente. Viento, lluvia, tráfico, la reverberación de una sala. Es lo más sólido de los cuatro, y es lo que da credibilidad a la escena.
- Ruidos de objetos. Un paso, una taza que se posa, una puerta. Suele salir bien, y además cae en el momento justo.
- Música. Acompañamiento sencillo. Sirve, pero no es lo que te daría un compositor.
- Habla. Lo más espectacular de los cuatro y a la vez lo más limitado. El movimiento de labios encaja, el timbre resulta creíble, pero el número de idiomas es reducido.
Por qué este fue el punto de inflexión
La explicación es sencilla: el vídeo mudo no es contenido, es materia prima. Nadie publica en una red social un clip de ocho segundos sin sonido; una escena de ocho segundos con sonido, sí. El native audio no mejoró la calidad de imagen: convirtió la salida en producto terminado.
El segundo efecto es más práctico: desapareció una fase entera de trabajo. Antes, tras generar el clip corto venía la mezcla de sonido, que exigía herramienta propia y tiempo propio. Hoy, en la mayoría de formatos cortos, ese paso desaparece; a cambio, tienes menos control sobre lo que se oye.
Dónde se atasca
- Idioma. Las listas de idiomas de los grandes modelos tienen cinco y once entradas. Eso vale para el habla, no para el ruido ambiente.
- Precisión del texto. El modelo hace que el personaje diga lo que pides en el prompt , más o menos. En una frase larga se desvía y cambia palabras.
- Elegir el timbre. No puedes decir con qué voz tiene que sonar. Con adjetivos se orienta; pedirlo con precisión, no.
- Arreglarlo después. Si la imagen está bien pero el sonido no, no puedes regenerar solo el sonido: va de nuevo el clip entero.
El idioma, del que no se habla
Esta es la sección que conviene leer dos veces si no produces en inglés. Las listas de idiomas para el habla de los grandes modelos de vídeo son cortas: cinco entradas en uno, once en otro. Antes de contar con voz generada, comprueba esa lista en el modelo concreto que vas a usar, porque si tu idioma no aparece, el fabricante documenta que no lo ha evaluado: eso no significa peor calidad, significa resultado imprevisible.
La solución práctica es por tanto de dos pistas. Deja el ruido ambiente y la atmósfera al modelo de vídeo: esa parte no depende del idioma, y es justo lo que da credibilidad a la escena. El habla, en cambio, hazla con un proveedor de voz aparte en el que tu idioma esté documentado como soportado, y ponla encima después. Es más trabajo, pero el resultado es incomparablemente mejor. Sobre cómo escribir el guion — puntuación, pausas, énfasis — entra después en la locución con IA , que se ocupa de esa parte del oficio.
Cómo pedirlo
BIEN — describes el sonido como parte de la escena:
"A quiet workshop at dusk. Rain on the metal roof, a radio playing
faintly in the next room, the scrape of a chair on concrete."
MAL — el sonido como instrucción aparte:
"Add rain sound and background music."
HABLA, si no queda otra (en inglés y corta):
"She says: 'It's ready.'"
— una frase como mucho. Más larga y se desvía.
SI TU IDIOMA NO ESTÁ EN LA LISTA: no pidas habla.
Pide una escena en silencio y pon la narración en pista aparte.
Malentendidos habituales
- «El native audio es lo mismo que el lipsync.» No lo es. El native audio nace junto con la escena; el lipsync ajusta el movimiento de boca de un vídeo ya hecho a otra pista de audio. Eso último es un servicio aparte.
- «Con native audio no hace falta un técnico de sonido.» En un clip corto para redes, efectivamente no. En cualquier cosa más larga, la mezcla, los niveles y las transiciones siguen siendo trabajo.
- «La música que da se puede usar libremente.» Eso depende de las condiciones del proveedor, no de la calidad del sonido. Míralo antes de publicar.
- «Si mi idioma no está en la lista, ya lo probaré.» Puedes, pero el fabricante dice que no lo ha evaluado: lo que sale no es un error, es imprevisibilidad.
Lo que conviene llevarse
El native audio es lo que convirtió el vídeo corto con IA en producto terminado, y es el mayor cambio práctico del último año. Fuera de los idiomas de la lista, en cambio, parte el sonido en dos: el ambiente puede venir del modelo, el habla no. Para el cuadro completo de capacidades y límites, cómo funciona el vídeo con IA es el punto de partida al que volver.