El guion es la herramienta, no el control deslizante
Las interfaces de los modelos de lectura están llenas de deslizadores: velocidad, estabilidad, parecido, estilo. Algo cuentan. Pero el resultado lo decide mucho más cómo está escrito el texto.
Hay un motivo simple: el modelo deduce la interpretación a partir del texto. Un párrafo largo, lleno de oraciones subordinadas, lo leerá monótono, porque así sonaban esas cosas en el material de entrenamiento. Y un texto de frases cortas, troceado con signos de puntuación, lo leerá con energía — exactamente por lo mismo. El énfasis no se configura, se escribe.
No existe un lenguaje de marcado común — esto es lo que hay que saber
Si una guía te dice que escribas una etiqueta <break> para la pausa, ese es un consejo que depende del modelo. La realidad es más variada, y este es el punto donde se va la mayor parte del tiempo.
- En un gran proveedor, en su modelo más reciente, funcionan las etiquetas de audio entre corchetes — para un susurro o una risa, por ejemplo —, mientras que la etiqueta de pausa que pasa por estándar del sector no.
- En ese mismo proveedor, en el modelo anterior, ocurre justo al revés: la etiqueta de pausa estándar sí va (con un tope de unos segundos) y el marcado de pronunciación también, pero las etiquetas de audio no.
- En otro gran fabricante hay una notación propia, entre corchetes, para la duración de las pausas.
- En un tercero no hay lenguaje de marcado en absoluto: describes con una frase normal cómo debe sonar.
La consecuencia práctica: elige primero el modelo y aprende después su notación. Al revés no funciona, y en la mayoría de los sitios una etiqueta equivocada no da error — el modelo la lee en voz alta.
Lo que funciona en todos los modelos
Por suerte hay cuatro recursos que mejoran el resultado en todas partes, sin marcado ninguno.
- Frases cortas. Es la herramienta más potente que existe. Donde pones un punto, sale una respiración.
- Puntuación deliberada. La coma es una pausa breve, el punto una más larga, la raya un corte. Los puntos suspensivos añaden duda — pero con ellos es fácil pasarse.
- Cifras y abreviaturas escritas con letras. «2026» se convierte en «dos mil veintiséis»; «aprox.» en «aproximadamente». Es donde más fallan los modelos, y todavía más fuera del inglés.
- Troceado en párrafos. No entregues el bloque entero de una vez. Generando párrafo a párrafo el ritmo se mantiene más parejo, y puedes repetir solo el trozo malo.
La emoción que no se puede pedir
La idea evidente es escribirlo en el prompt: «léelo con entusiasmo». Según una medición de 2026, eso no mejora prácticamente nada en los modelos de lectura. La emoción no sale de una instrucción; sale del texto y de la voz que has elegido.
Lo que sí puedes hacer: elige la voz según el tono del material y escribe el texto de forma que la emoción ya esté dentro. Una frase entusiasta es corta, concreta y activa. Si el modelo sí tiene marcado emocional, úsalo — pero ten claro que el texto es una herramienta más potente que cualquier etiqueta.
Escribir en tu idioma
Dos cosas merecen una comprobación aparte. La primera es técnica: verifica que ese modelo concreto habla tu idioma. No el proveedor — el modelo individual. Dos modelos de la misma empresa pueden tener listas de idiomas bastante distintas, y el que se anuncia como «multilingüe» no es necesariamente el más amplio. Esta es la trampa más habitual del área.
La segunda es lo que hace la lengua por su cuenta. Si esa lengua es el español, la particularidad es la tilde: distingue significados —«público», «publico» y «publicó» son tres palabras—, y los modelos de lectura tropiezan justo ahí, así que un texto sin tildes o con una tilde mal puesta se lee como otra palabra. A cambio tienes una ayuda que el inglés no tiene: los signos de apertura ¿ y ¡ le dicen al modelo desde el principio de la frase qué entonación toca, por eso nunca los quites. Y escribir las cifras y las abreviaturas con todas sus letras decide también aquí.
Una reescritura, antes y después
ANTES (va a sonar a máquina):
Conforme al art. 50 del Reglamento de IA de la UE, los proveedores deberán
garantizar aprox. antes del 02/08/2026 que el contenido generado quede
marcado en un formato legible por máquina, lo que en la práctica significa que...
DESPUÉS:
El artículo cincuenta del Reglamento europeo de IA pide una sola cosa.
El proveedor tiene que marcar el contenido generado, de forma legible por máquina.
La fecha límite es el dos de agosto de dos mil veintiséis.
En la práctica, esto es lo que significa:
La diferencia no está en el contenido, sino en la estructura: frases cortas, cifras escritas, dos puntos antes de la enumeración y ninguna abreviatura. El mismo modelo, la misma voz, un resultado audiblemente distinto.
Malentendidos habituales
- «La etiqueta de pausa es universal.» No lo es. Cambia con cada modelo, y en la mayoría de los sitios el modelo lee en voz alta la etiqueta equivocada.
- «Si lo pido con entusiasmo, sonará entusiasta.» Las mediciones dicen que la instrucción apenas ayuda. Lo que cuenta es el texto y la elección de la voz.
- «El texto largo hay que meterlo de una pieza.» Párrafo a párrafo es mejor: ritmo más parejo, y el trozo malo se puede repetir solo.
- «Mi idioma va en todas partes, solo cambia la calidad.» Hay modelos que sencillamente no lo tienen en la lista de idiomas.
Lo que conviene llevarse
Reescribe el texto para leerlo en voz alta antes de tocar un solo ajuste. Frases cortas, cifras escritas, puntuación deliberada — eso vale cuatro veces más que los deslizadores. Después elige modelo, y solo entonces aprende su notación, porque la notación cambia con cada modelo. Y comprueba la lista de idiomas en el modelo concreto. Si la locución va a un vídeo, Native audio en el vídeo generado te dice qué dejar en manos del modelo de vídeo, y sobre clonar tu propia voz está Voice cloning y consentimiento, que repasa las reglas.