La biblioteca de voces listas de VoxBooster resuelve para la mayoría de los casos. Pero hay un escenario específico donde ninguna voz preestablecida se acerca: cuando quieres tu propia voz — con tu timbre, tu acento, tu identidad — corriendo en tiempo real o usándose en narración, doblaje y contenido.
Para eso existe el entrenamiento de modelo custom. Y al contrario de lo que parece, el proceso es más sencillo que configurar OBS por primera vez.
Cuándo vale la pena entrenar un modelo de tu propia voz
Antes de ponerte a grabar, vale la pena entender los casos de uso reales:
Creador de contenido que graba vídeos: escribes el guión, generas la narración con tu clon a cualquier hora del día sin necesitar tener la voz a punto, sin un setup de micrófono elaborado para la narración.
Doblador o locutor: mantienes tu timbre pero puedes aplicar efectos de personalidad encima — más grave, más impostada, más dramática — sin perder tu identidad.
Multiidioma: hablas español. Tu clon habla inglés con tu timbre. La entonación va a ser la tuya (el modelo lleva tu prosodia), pero el resultado es mucho más natural que un TTS genérico.
Anonimato selectivo: quieres aparecer en calls sin revelar tu voz real, pero quieres consistencia — siempre la misma voz alternativa, cada vez. El clon custom lo resuelve mejor que un preset aleatorio.
Paso 1: grabación de referencia
Esta es la etapa que más gente subestima. La calidad del modelo depende directamente de la calidad del audio de referencia.
Duración: 3 a 5 minutos de habla continua. Más de eso no mejora mucho el resultado; menos de 3 minutos lo degrada.
Qué decir: habla con naturalidad. Lee un texto en voz alta — una noticia, una historia corta, la descripción de algo. El modelo necesita variación de entonación, pausas naturales, diferentes sonidos del español. No repitas la misma frase.
Entorno: lo más silencioso posible. Aire acondicionado apagado. Ventana cerrada. Micrófono a unos 10–15 cm de la boca. Si tienes dinámico, úsalo. Si solo tienes condensador, graba de noche cuando la calle está más tranquila.
Evita: tos, risas bruscas, ruido de fondo constante, hablar muy bajo o gritar. El modelo se entrena en habla conversacional normal — los extremos degradan la calidad.
Paso 2: el asistente de entrenamiento
Dentro de VoxBooster, ve a la pestaña Clon de Voz → Mi Voz → Crear nuevo modelo.
- Importa el audio grabado. El asistente acepta WAV y MP3. WAV 44.1kHz 16-bit es lo ideal; MP3 320kbps también funciona. Evita compresión pesada.
- Confirma el preview. VoxBooster hace una limpieza automática de ruido antes de entrenar — escuchas el audio procesado y confirmas si está aceptable.
- Ponle nombre al modelo. Ese nombre aparecerá en tu lista de voces después.
- Haz clic en Entrenar. El proceso empieza localmente en tu máquina.
Paso 3: entrenamiento local
El entrenamiento corre en tu GPU (NVIDIA con CUDA, AMD con ROCm) o en la CPU si no tienes tarjeta dedicada.
Con GPU NVIDIA (RTX 3060 o superior): 10 a 15 minutos para 5 minutos de audio.
Con GPU más antigua o CPU: 20 a 40 minutos. Puedes dejarlo corriendo en background — VoxBooster no necesita estar en foco, solo en memoria.
Durante el entrenamiento, evita renderizar vídeo pesado o jugar a juegos exigentes en el mismo PC. No es que se vaya a romper — pero alargará el tiempo y puede generar artefactos en el modelo si la GPU se queda sin memoria suficiente.
Cuando termine, VoxBooster te notifica y el modelo aparece automáticamente en tu lista de clones.
Paso 4: usando el modelo
Selecciona el modelo custom en la lista, activa Tiempo real, habla. Así de simple.
El clon va a cargar tu prosodia — tus pausas, tu énfasis, tu ritmo. Si hablas animado, el clon sale animado. Si hablas despacio y serio, sale despacio y serio. El contenido fonético es el tuyo; el timbre es el modelo.
Consejo: prueba el modelo en una call corta antes de usarlo en un stream en directo. La primera vez que escuchas tu propia voz clonada es extraña — suena casi bien pero con alguna diferencia. Es normal. Quien está al otro lado generalmente cree que es tu voz normal.
Refinando el modelo
Si el resultado del primer entrenamiento no te satisface:
- Vuelve a grabar con audio más limpio (más silencio, mejor posición del micrófono)
- Sube a 5 minutos si usaste 3
- Varía más el tipo de habla en la grabación — incluye preguntas, exclamaciones, habla más rápida y más lenta
Puedes entrenar múltiples modelos y compararlos. VoxBooster los guarda todos localmente — no suben a ningún servidor. Son archivos de modelo en tu disco, generalmente entre 80 y 150 MB cada uno.
Resultado final
Con un setup decente y una grabación limpia, el modelo custom es el que más convence en uso en tiempo real. Es tu voz — el modelo conoce tu timbre de verdad, no está intentando aproximarse a un preset genérico. Para creadores de contenido y cualquier persona que aparezca regularmente en vídeo o stream, vale las 2 horas de esfuerzo inicial para tener esto funcionando.