Cómo convertir texto en audio (gratis, audiolibros e iPhone)

La respuesta corta

Si solo necesitas que un texto se lea en voz alta ahora mismo —para revisarte un escrito de oído, seguir una receta o escuchar un artículo en el transporte—, tu sistema operativo ya incluye un motor de voz y nada de lo que instales le gana en comodidad. En todas las plataformas principales la lectura en voz alta está a un gesto de distancia y no cuesta nada.

Si necesitas un archivo de audio que puedas guardar, incrustar o repartir, esta página localizada no es la herramienta: lee en voz alta con las voces que ya tienes instaladas y no guarda ningún audio. La versión de esta herramienta que renderiza un archivo descargable es la página en inglés; aquí la salida es solo escucha, sin descarga y sin modelo que esperar.

Si necesitas una locución que pase por voz humana —una demo de producto, el aviso de un kiosco, un capítulo de libro que vas a repartir—, lo que decides primero es la fuente del audio: en la versión en inglés hay un modelo neuronal que genera el archivo; aquí lo que suena es la voz que tu sistema operativo ponga a disposición del navegador. En ambos casos las costuras de una voz sintética son concretas y corregibles: pausas mal puestas, nombres mal pronunciados y entonación plana al final de las frases. Las secciones de oficio más abajo abordan cada una.

• Escuchar un texto: tu sistema operativo ya lo hace. Gratis, instantáneo, sin instalar nada.
• Un archivo de audio reutilizable: no lo produce esta página; se renderiza en la versión en inglés de la herramienta.
• Una voz que suene humana: las voces de tu dispositivo más hábitos de escritura y de revisión.

Tres cosas que quizá quieras de verdad

La mayoría de quien busca «convertir texto en audio» no ha dicho en voz alta cuál de los tres resultados necesita. La elección del motor, lo que se puede guardar al final y cuánto esfuerzo meter en la escritura dependen de la respuesta, así que aclararlo primero ahorra tiempo.

Escuchar un texto

Este es el caso de accesibilidad y comodidad. Quieres palabras habladas para comprobar un borrador de oído, seguir una receta con las manos con harina o escuchar un artículo largo dando un paseo. No necesitas un archivo, ni una voz concreta, ni instalar nada.

Todos los sistemas operativos importantes traen un sintetizador de voz y un atajo de lectura en voz alta. macOS tiene «Contenido hablado» dentro de Accesibilidad. Windows tiene Narrator y el botón «Escuchar en voz alta» de Edge. iOS y Android ofrecen lectura de la selección a nivel de sistema. Usan la voz integrada del sistema, son gratis de verdad y, para escuchar, son tan buenos como cualquier cosa que montes en los próximos cinco minutos.

Nada de lo que instales le gana aquí en comodidad. No tiene sentido abrir una pestaña nueva ni pegar el texto en un formulario cuando el propio sistema puede leer el párrafo que acabas de seleccionar. Y esta página, de hecho, no descarga nada: usa el mismo motor de voz que el sistema.

Un archivo de audio reutilizable

Este es el caso en el que la voz del sistema no basta. Necesitas algo que entregar a un editor de vídeo, subir a un árbol telefónico, incrustar en un módulo de aprendizaje o repartir como parte de un audiolibro. La propiedad clave es «se renderiza a un archivo que es tuyo», y ahí la diferencia entre motores importa.

El motor de voz del sistema operativo está diseñado para sonar por la ruta de audio del sistema. Algunos navegadores permiten capturar esa salida, pero es inconsistente, y las voces del sistema suelen tener licencias que no permiten repartirlas como archivo. Aunque logres grabarlo, estás trabajando contra lo que el sistema asume, no con él.

Aquí tienes la distinción honesta: la herramienta en el navegador que sintetiza hacia un archivo es la versión en inglés de esta página; ahí pegas el texto y descargas un WAV. En esta página localizada el audio solo se reproduce por el altavoz y no se guarda, así que si tu objetivo real es un archivo reutilizable, esta ruta no lo cumple.

Algo que suene a persona

Este es el objetivo más difícil, y donde el oficio de escribir y las revisiones de las secciones de abajo sí importan. Las voces sintéticas de hoy están mucho más cerca del habla natural que los viejos sintetizadores robóticos, y para fragmentos cortos una buena voz del sistema puede colar en contextos informales. Las costuras salen en materiales largos y en sitios concretos y predecibles: nombres propios mal pronunciados, preguntas sin ascenso de tono y deriva del ritmo a lo largo de muchos párrafos. Cada una tiene contramedida; y ten claro que aquí lo que suena es la voz que tu sistema operativo tenga instalada, no un modelo que se descargue.

Un límite honesto: el selector de idioma de esta página ofrece inglés (EE. UU.), inglés (RU), español, portugués e indonesio, y lo único que hace es decirle al motor del navegador en qué idioma leer; la voz concreta es la que tu sistema operativo tenga para ese idioma. Si tu equipo no tiene voces instaladas para él, no lo vas a oír, y nadie —ni esta página— puede prometerte que una voz española, portuguesa o indonesia exista en tu máquina.

Qué hace que una voz suene natural de verdad

La gente dice «la voz suena robótica» y asume que el problema es el timbre, la textura del sonido. Los motores de voz modernos han resuelto bastante bien el timbre. Lo que todavía delata a una síntesis son tres rasgos prosódicos que son más difíciles de modelar.

El contorno de tono es la forma de la melodía a lo largo de la frase. El habla natural sube al empezar una cláusula, alcanza el pico en la sílaba tónica y cae al final de una afirmación. Una pregunta sube fuerte antes de la última palabra. Una frase que se leería con sorpresa o duda se dobla de otra manera. Cuando el motor aplana ese contorno —cuando todas las frases terminan en la misma nota descendente da igual la puntuación—, el resultado suena genérico aunque cada fonema sea correcto.

La agrupación de frases organiza las palabras en unidades de respiración como haría un hablante. «El gato se sentó en / la alfombra» es una unidad. Una síntesis mal agrupada corta por «El gato / se sentó en la / alfombra», en sitios donde ningún humano cortaría. El oyente lo registra como «lectura en voz alta» en lugar de «me está contando algo». Los motores construidos con grandes corpus de habla aprenden los cortes de agrupación más comunes, pero se pierden cuando una frase tiene una estructura rara, subordinadas largas o puntuación que vieron poco en su entrenamiento.

La colocación de pausas es el tercer eje. Coma = pausa corta. Punto = pausa media. Salto de párrafo = pausa larga. Un buen motor respeta las tres, pero en la práctica muchas tratan el salto de párrafo como «el mismo silencio que un punto» si no se configura aparte, y eso hace que la narración suene sin aire, como un lector que no puede respirar.

La narración larga es donde los tres problemas se acumulan. En una frase suelta, incluso un motor mediocre suena aceptable. A lo largo de 200 frases, tres cosas concretas rompen el hechizo:

• Deriva: el tempo o la cadencia cambian sutilmente a lo largo de un pasaje largo: los primeros párrafos suenan medidos, los últimos suenan acelerados o ralentizados sin motivo.
• Pronunciación: nombres propios, abreviaturas y vocabulario raro dependen de las reglas de lectura del motor; cuando una palabra es inusual, la síntesis falla, y falla igual todas las veces, así que cada reintento comete el mismo error.
• Entonación plana en preguntas: un signo de interrogación al final de un párrafo o de una sección suele perder el ascenso porque el motor está intentando a la vez señalar el cierre estructural.

Cómo escribir para una voz

El error más común con la síntesis de voz es darle textos escritos para el ojo. La copy web, la escritura académica y hasta el correo electrónico se estructuran para escanear: subordinadas encadenadas, paréntesis en medio, abreviaturas, números densos. Nada de eso se traduce bien al audio, y el motor no tiene forma de saber que tú lo pensabas visualmente.

El arreglo es escribir o reescribir pensando en el oído. No es difícil, y cuando adquieres los hábitos, la primera lectura suena muchísimo mejor sin ninguna posproducción.

Una idea por frase

Mantén frases cortas. Apunta a 15 o 20 palabras. Un motor que lee una frase de 45 palabras con dos subordinadas tiene que adivinar dónde cae el verbo principal, y suele aplanar el arco de tono en la parte subordinada, con lo que todo suena inseguro. Las frases cortas y afirmativas le dan un contorno limpio que seguir.

Si tu texto original tiene frases largas, pártelas en dos o tres antes de introducirlo. En audio no pierdes nada; ganas claridad.

Escribe las abreviaturas con todas las letras

Escribe «Doctor» en lugar de «Dr.» si no puedes verificar que el motor lo expande bien. Escribe «Estados Unidos» en lugar de «EE. UU.» si temes que acabe deletreando las letras. Escribe «N A S A» si quieres pronunciación letra a letra, o «la agencia espacial» si quieres que se lea como palabra. El motor no sabe qué convención pretendes tú; eso solo lo sabes tú.

Con las siglas que suelen leerse como palabra («NASA», «FBI», «ONU»), haz una prueba una vez. Si el motor acierta siempre, quédate las siglas. Si no, escríbelas desarrolladas o de otra manera.

Escribe los números como deben sonar

El número «2026» admite tres lecturas: «dos mil veintiséis», «veinte veintiséis» y «dos cero dos seis». El motor elige una según su entrenamiento y el contexto. Si quieres una pronunciación concreta, escríbela así: «veinte veintiséis». Importa sobre todo con teléfonos, direcciones, años en narración histórica y cantidades ambiguas donde una lectura y otra significan cosas distintas.

Decimales: «3.14» puede sonar «tres punto uno cuatro» o «tres catorce». Escribe «tres punto uno cuatro» si el contexto no lo desambigua.

Usa la puntuación como instrucción de pausa

Un punto dice al motor «esta idea se acabó; toma aire». Una coma dice «pausa breve». Un salto de párrafo dice «esta sección se cerró; pausa más larga». Algunos motores tratan las tres igual, pero los que están construidos con datos de habla natural las distinguen.

Si el motor atropella una transición donde tú querías una pausa, prueba con un guion largo o con puntos suspensivos. «La respuesta estaba clara — no funcionó» le da un beat antes de la revelación. «La respuesta estaba clara... no funcionó» puede darle una aún más larga según el motor. Prueba las dos.

Si quieres una pausa donde el original no tiene puntuación, ponla. Escribe «Y entonces, tras un largo silencio, habló» en lugar de «Y entonces tras un largo silencio habló». Esas comas extra son permiso para bajar el ritmo.

Reescribe los nombres como suenan

Si el motor lee «Siobhan» como «See-oh-ban» y sabes que no va a aprender la pronunciación correcta por contexto, reescríbelo en la entrada: «Shih-VAWN». En la pantalla se ve mal; en el audio suena bien. También sirve la ortografía que un lector menos entrenado acertaría: «Shivawn», «Shivaun».

Los nombres propios de ficción son donde más duele: nombres inventados de fantasía, términos de ciencia ficción, personajes de culturas no anglófonas. El motor nunca los vio; cae a reglas de grafía a sonido que producen algo cercano pero erróneo. Escríbelos como quieres que se digan.

Ve por secciones, no de una pieza

El instinto con un documento largo es pegar el entero en el cuadro de texto y dar a Generar. En una página que habla en directo como esta, casi siempre es el enfoque equivocado, y las razones son prácticas.

Con la lectura en vivo, un texto de 3,000 palabras de una sola tacada no tiene rebobinado real: si la voz se pierde en un párrafo, no puedes corregir solo ese tramo porque no hay ningún audio guardado que remendar; toca editar el texto y volver a escuchar desde otro punto.

Si trabajas por secciones, aíslas los problemas. Un pasaje malo significa reescribir ese pasaje y volver a generar solo ese. Un nombre que sale mal una y otra vez se corrige en una o dos entradas, no en todo el documento. Y los tramos cortos se juzgan mejor con el oído todavía fresco.

Corta en fronteras naturales: finales de capítulo, encabezados de sección, línea en blanco entre temas. No partas una frase por mitad salvo que no haya otro modo: el motor necesita ver el arco completo de la frase para cerrar bien la entonación, y un fragmento que empieza a mitad suena raro.

Mantén idioma, ajuste de voz y velocidad iguales en todas las secciones. Si cambias el tono o el idioma entre tramos, al escuchar el conjunto notarás saltos de timbre en cada frontera.

Si tu objetivo final es coser las piezas en un archivo, ese trabajo es de la versión que renderiza archivos: la página en inglés de esta herramienta. Aquí las secciones son para escuchar: no hay WAV que pegar ni cola por lotes; un pasaje cada vez que pulsas Generar, con el botón Detener para cortar donde quieras.

Antes de dar por buena la locución: tres comprobaciones

No hace falta escuchar cada palabra de una síntesis antes de usarla, pero sí hace falta comprobar tres cosas concretas. Son los errores que una voz sintética no puede detectar en sí misma y que un oyente caza al instante.

El primer y el último segundo de cada escucha. Atiende al arranque y al cierre de cada pasaje. Dos fallos típicos: la voz se come la primera sílaba (un «The» que sale como «he») y el final queda cortado o se apaga en un suspiro raro. Ambos son evidentes en cuanto sabes qué mirar. Si el arranque sale mordido, añade una breve pausa inicial antes del texto; si se corta el final, asegúrate de que la entrada termine en punto para que el motor sepa que la frase está cerrada.

Todos los números. Por cada secuencia de dígitos de tu entrada, escucha cómo la leyó. «2026» puede salir «dos mil veintiséis» cuando te interesaba «veinte veintiséis». Un teléfono puede salir mal agrupado. Si hay varios números, comprueba cada uno: la lectura depende del contexto y no es uniforme.

Todos los nombres propios. Nombres de personajes, de ciudades, de marcas, términos científicos, cualquier palabra que solo aparece en tu texto y en ningún corpus habitual. Escucha si el motor acertó. Si «Nwoye» o «Gilead» salen mal una y otra vez, reescríbelos fonéticamente en la entrada y vuelve a generar ese tramo.

Estas tres comprobaciones cazan casi todos los momentos sonrojosos. Lo demás —el ritmo general, si el timbre se mantiene, si la lectura parece entender lo que lee— depende de cómo escribiste la entrada, no de retocar el audio después. Y recuerda que aquí el resultado solo se escucha: si lo que vas a repasar es un archivo para publicar, ese archivo se genera en la versión en inglés de la herramienta.

Narración de audiolibros: qué saber antes de grabar

Si buscas «convertir texto en audio para audiolibro», la respuesta honesta es: depende de dónde quieras distribuirlo, y eso cambia la respuesta.

Los libros narrados que se venden en los grandes canales de distribución tienen sus propios estándares de calidad y procesos de aprobación. El listón no es «¿la voz suena razonablemente humana?»: es una lista más larga sobre consistencia en todo el libro, ruido de sala, nivel de ruido de fondo, estándares de edición y las expectativas del oyente, formadas por narradores humanos que pueden actuar. Estos canales no aceptan hoy cualquier título narrado a máquina, y sus políticas sobre voz sintética han evolucionado.

Lo que tienes que hacer antes de echar horas generando un libro entero: leer la política vigente del distribuidor sobre narración sintética. No el post de blog del año pasado: la política activa el día que vayas a entregar. Ese documento te dirá si admiten audiolibros por TTS en absoluto, si exigen estándares técnicos concretos de audio, si hay una revisión de calidad que puede rechazar una narración que cumple las especificaciones pero suena antinatural, y si la categoría importa (ficción frente a no ficción, dominio público frente a recién publicado).

No des por hecho que ningún canal acepta narración a máquina porque la tecnología haya mejorado. Y tampoco des por hecho que la rechaza: algunas categorías y algunos distribuidores la admiten en condiciones concretas. La única forma de saberlo es leer la política antes de grabar.

Y el detalle de esta página: aquí no se genera ningún archivo, así que un audiolibro publicable no sale de esta ruta; la publicación de narración pertenece a la versión en inglés, que es la que renderiza el archivo. Lo que esta página sí te da es la escucha: pasar capítulos de oído y comprobar cómo suena tu texto adaptado antes de comprometerlo a una producción. Si la política del distribuidor permite voz sintética y accedes a la ruta del archivo, el oficio de arriba se aplica igual: escribe para la voz, ve por secciones y comprueba cada nombre y cada número. La ficción larga es el caso más difícil, porque la deriva se acumula durante horas y porque el oyente espera consistencia de voz por personaje en todo el libro.

En iPhone y Android

La gente busca «convertir texto en audio en iPhone» y la respuesta es conocimiento general del sistema, no esta página del navegador. Los sistemas operativos móviles traen un sintetizador de voz de nivel sistema y funciones de accesibilidad que leen el texto seleccionado en voz alta.

En iOS, el sistema incluye un motor de voz accesible desde los ajustes de Accesibilidad; el texto seleccionado puede leerse en voz alta en las apps que lo soportan, y la app Atajos puede producir audio desde texto como paso de una automatización. En Android, el motor de TTS del sistema está disponible para cualquier app que lo pida, y el componente Google Text-to-Speech puede leer texto seleccionado si lo activas en los ajustes de Accesibilidad.

Lo que puedes exportar por esas rutas móviles varía. Las funciones de lectura de accesibilidad están diseñadas para sonar por el altavoz, no para producir un archivo. Y esta página localizada, que usa el motor de voz del navegador, hace exactamente lo mismo: escucha, no archivo, también en el navegador del móvil. Si necesitas un archivo guardado, o usas una app que exporte de forma específica —con las capacidades de esa app— o usas la versión en inglés de esta herramienta, que es la que renderiza el WAV descargable.

No te fíes de una guía que afirme la ruta de menú exacta de una versión concreta de iOS o un formato de exportación como si esa interfaz no fuese a cambiar nunca. Apple y Google reorganizan sus ajustes entre versiones. Lo estable es el principio: las dos plataformas saben leer texto, ninguna fue diseñada como fábrica de archivos TTS, y esta página localizada es escucha pura y dura.

La herramienta del navegador: qué hace y qué te da

La página de texto a voz de ToolHubNest en esta URL localizada no ejecuta ningún modelo neuronal: habla con la Web Speech API integrada en tu navegador, la misma familia de motor que usan las funciones de accesibilidad del sistema. Esto es lo que significa en concreto, y lo que significa para lo que obtienes al final.

El texto que escribes se pasa al motor speechSynthesis del navegador y sale hablado por las voces que tu sistema operativo tiene instaladas. No baja ningún modelo, no se sube nada a ningún servidor, no hay cola ni llamada a una API externa. El audio se produce en vivo, por el altavoz, y se acaba cuando termina.

El selector de idiomas ofrece inglés (EE. UU.), inglés (RU), español, portugués e indonesio, y lo que hace es fijar el idioma de la locución; a partir de ahí, el sistema elige la voz que tenga para ese idioma. Qué voz oyes depende por completo de lo que tu dispositivo tenga instalado: si no hay voces para ese idioma, no lo oirás con una voz de ese idioma, y la página no puede añadir voces que tu sistema no tenga.

El control de voz no ofrece dos voces grabadas distintas: la opción femenina/masculina desplaza el tono de la voz del sistema (más agudo, 1.15, frente a más grave, 0.85). Es un cambio de pitch, no una segunda voz.

Hay un deslizador de velocidad que va de 0.5× a 2× en pasos de 0.05, y un botón Detener para cortar la lectura a mitad. Al terminar, la línea de resultado informa del número de palabras y del motor que habló.

No hay paso de exportación ni modo por lotes: el audio suena una vez y no se guarda; no se genera un WAV ni un MP3 que puedas descargar, y se genera un pasaje cada vez que pulsas Generar. Quien necesite el archivo que se puede guardar, mover o publicar, lo tiene en la versión en inglés de esta herramienta.

Qué no se promete aquí: ninguna cifra de calidad, de latencia ni de tamaño, porque no hay modelo que medir; ninguna garantía de que todo funcione sin conexión (la propia página carga fuentes y scripts desde CDN), y ningún indicio de que tus textos o resultados se almacenen. Es una herramienta de una sola escucha: generas, oyes, sigues.

• Motor: speechSynthesis del navegador (Web Speech API). Sin modelo, sin descarga.
• Voces: las que tu sistema operativo tenga instaladas para el idioma elegido; femenino/masculino es un cambio de tono (1.15 / 0.85), no dos voces.
• Salida: solo reproducción en vivo. Sin WAV, sin MP3, sin exportar archivos. Sin subir nada.
• Controles: velocidad de 0.5× a 2× en pasos de 0.05, y botón Detener.
• Sin modo por lotes: un pasaje cada vez que pulsas Generar.
• La opción Kokoro v1.0 del selector viene marcada como no disponible aquí: en esta URL localizada siempre habla Web Speech; la versión con archivo es la página en inglés.

Preguntas frecuentes