Generador de voces para NPC: locución con IA para NPC y narradores

La mayoría de los diálogos de un videojuego se leen, no se escuchan. El guardia tiene una línea, el personaje que entrega la misión tiene cuatro, el tutorial tiene una docena, y todos aparecen en pantalla en silencio mientras discutes el ritmo. Nadie contrata a un actor para un texto que se reescribirá dos veces antes de la versión vertical.

Esa es la brecha que cubre la locución generada. Pegas la línea, eliges una voz y, un segundo después, puedes escuchar si el bark funciona o si la indicación del tutorial tiene tres palabras de más. Esta guía explica cómo usar un generador de voces para NPC para diálogos provisionales: elegir una voz de la biblioteca, qué hacen los ajustes Voice stability y Voice closeness, cómo escribir barks, líneas de misión, tutoriales y narración, cómo llega el clip a tu motor y en qué momento deberías dejar de generar y reservar una sesión. Todos los clips de abajo se crearon con el generador de audio con IA de Sloyd. Los clips hablan en inglés, y la línea en inglés y la voz aparecen junto a cada uno, para que puedas pegar el mismo texto y obtener la misma toma.

Locución provisional mientras el guion sigue cambiando

Una línea de diálogo tiene dos problemas que un documento no puede mostrarte. El primero es la duración: en la página, un bark parece ágil, pero en voz alta supera los tres segundos que le concede la animación. El segundo es el tono: "the old mine has gone quiet" suena ominoso en tu cabeza y aburrido al interpretarlo, a menos que la escritura lo justifique.

La locución generada convierte ambos problemas en una comprobación de treinta segundos:

• Ritmo. Reproduce el clip junto con la animación o el temporizador de subtítulos y sabrás si la línea encaja antes de que un actor se acerque siquiera a una cabina.
• Barks bajo presión. Un grito de combate que escuchas doscientas veces durante una prueba de juego se revela rápidamente. Genéralo, repite la pelea y elimina los que resulten molestos.
• Ritmo del tutorial. Las instrucciones habladas compiten con aquello que están enseñando. Escucharlas es la única forma de saber si el jugador tiene espacio para actuar.
• Leer la situación. Entrega a un tester una versión con voz provisional y reaccionará a la escena. Entrégale una versión con subtítulos silenciosos y reaccionará a los subtítulos.

Trata el resultado como audio provisional, con el mismo nivel que el arte de un nivel en grey-box o un objeto provisional de texto a 3D: lo bastante bueno para tomar una decisión, pero no algo que vayas a incluir en un tráiler. Si ya usas imagen a 3D para el arte conceptual y texto a imagen para las referencias, el diálogo provisional proviene de la misma cuenta en lugar de requerir una nueva suscripción, y el caso de uso para desarrollo de videojuegos explica todo el flujo.

Usar un generador de voces para NPC: la biblioteca y dos ajustes

El apartado de voz de Sloyd Audio ofrece una biblioteca de voces, un cuadro de texto y dos controles deslizantes. Esa es toda la interfaz para los diálogos, y los dos controles son los que dan forma al personaje.

Elige primero la voz

El selector de voces muestra las voces predeterminadas que ofrece la aplicación. Cada fila tiene un botón de vista previa, para que puedas escuchar una voz antes de gastar una generación en ella, y un corazón que fija tus favoritas en la parte superior de la lista. Esto es importante cuando ya has elegido cuatro voces para un elenco y no quieres desplazarte más allá de las demás.

Hay dos cosas que debes saber sobre la biblioteca. El elenco se forma con las voces predeterminadas que aparecen en ella: Sloyd no clona voces, así que no puedes subir una grabación de una persona y recuperar su voz. Además, el modelo de voz es multilingüe, por lo que una voz leerá líneas en idiomas distintos del inglés, algo útil cuando una versión localizada también necesita audio provisional.

Un consejo de casting que resiste el contacto con un prototipo: un generador de voces para videojuegos solo es tan bueno como el elenco que armes con él, así que asigna a cada NPC recurrente su propia voz y escribe el papel en los nombres de archivo desde el primer clip. Cuatro voces aplicadas de forma coherente se perciben como un elenco. Ocho voces distribuidas al azar se perciben como un error.

Voice stability: coherencia o expresividad

El control Voice stability va de 0 a 1 y aparece inicialmente en 0.50; el control contraído lo muestra como 50 % y el deslizador abierto como 0.50. La indicación dentro de la aplicación lo describe de forma honesta: los valores bajos permiten una interpretación más expresiva y los valores altos hacen que la interpretación sea más consistente.

En la práctica:

• Menor estabilidad para líneas que necesitan interpretación. Gritos, pánico, un villano disfrutando de sí mismo. Espera más variación entre tomas, lo cual está bien cuando vas a elegir una.
• Mayor estabilidad para líneas que deben ser planas. Tutoriales, menús, mensajes del sistema y cualquier cosa que el jugador escuche repetidamente y deba dejar de notar.
• Los barks están en el punto medio. Si son demasiado planos, el combate se siente robótico; si son demasiado libres, una de cada cuatro tomas sale extraña.

Voice closeness: similitud frente a naturalidad

El control Voice closeness también va de 0 a 1 y aparece inicialmente en 0.75; el control contraído lo muestra como 75 %. Su indicación explica el intercambio: controla hasta qué punto la interpretación se mantiene fiel a la voz elegida; los valores altos aumentan la similitud, pero pueden reducir la naturalidad.

Déjalo cerca del valor predeterminado mientras haces el casting, porque ahí la voz todavía suena como ella misma. Súbelo cuando las líneas de un personaje se hayan generado en varias sesiones y necesites que coincidan. Bájalo cuando una línea suene rígida y te importe más que suene como una persona que coincidir exactamente con la vista previa.

Cambia un solo control a la vez y genera dos veces la misma línea. Dos tomas de una línea te dicen más sobre un ajuste que una toma de dos líneas.

Escribir barks, líneas de misión, tutoriales y narración

Cada generación admite hasta 5.000 caracteres de texto, aproximadamente 800 palabras o varios minutos de habla. Esa cantidad influye más en cómo divides un guion que en lo que puedes escribir.

La división útil es un clip por cada elemento que active el motor:

• Una línea, un clip, para cualquier cosa que tenga un activador: barks, saludos y confirmaciones. El motor necesita activarlos de forma independiente.
• Una escena, un clip, para la narración que se reproduce de principio a fin durante una cinemática o una pantalla de carga.
• Nunca un clip por personaje. Pegar una cadena de misión completa en una sola generación te da un único MP3 que después tendrás que cortar manualmente en un editor.

La puntuación es tu única dirección. Un punto final es una pausa, una coma es una pausa más corta y los puntos suspensivos son una pausa. Escribe con todas sus letras lo que deba escucharse correctamente: escribe "fifty gold" en lugar de "50g", y escribe un nombre tal como suena si la ortografía puede inducir a error. Las indicaciones escénicas no funcionan, porque el modelo lee lo que le das: [angrily] se pronuncia como una palabra. Si necesitas enojo, escribe una frase enojada y reduce la estabilidad.

Barks: breves, repetidos y numerosos

Línea (inglés): "You picked the wrong road, stranger. Drop the coin and walk away.", voz George, estabilidad 0.50, proximidad 0.75.

Mantén los barks por debajo de unos tres segundos y escribe cuatro o cinco para cada situación. La variedad evita que una pelea suene como un bucle y, como cada línea es un clip independiente, el motor puede elegir una al azar.

Comerciantes y saludos: las líneas que establecen un lugar

Línea (inglés): "Fresh steel, fair prices. Everything must go before the frost sets in.", voz River, estabilidad 0.50, proximidad 0.75.

El diálogo ambiental transmite contexto a bajo costo. Una línea sobre el clima o la cosecha le cuenta al jugador más sobre un pueblo que un párrafo de historia en un menú. Combínalo con una base de sonidos de multitud de la misma página de Audio, como explica la guía para crear efectos de sonido para videojuegos con IA.

Tutoriales e indicaciones: claridad antes que personalidad

Línea (inglés): "Raise your shield to block, then strike while their guard is open.", voz River, estabilidad 0.50, proximidad 0.75.

Una instrucción por clip, empieza con el verbo y no hagas bromas. Aumenta la estabilidad para que las indicaciones repetidas sean idénticas y mantén cada una lo bastante corta para que el jugador pueda actuar mientras todavía se reproduce.

Narración: las líneas más largas que generarás

Línea (inglés): "Long before the towers fell, this valley answered to no king.", voz George, estabilidad 0.50, proximidad 0.75.

Un generador de voces para narradores resulta especialmente útil en introducciones, tarjetas de capítulo, entradas del códice y pantallas de carga, donde el texto cambia constantemente y todavía no hay nada animado al ritmo de la voz. Escribe la narración en frases cortas, con las pausas marcadas mediante puntuación; genera un párrafo a la vez en lugar de un prólogo completo, y conserva cada párrafo como su propio clip para que una reescritura cueste una generación.

El mismo trabajo existe fuera de los videojuegos. Los tutoriales de tiendas y las explicaciones de productos necesitan la misma narración provisional mientras se define el guion; esa es la versión para comercio electrónico de este flujo de trabajo.

El flujo de trabajo: escribir, generar e importar

Son cuatro pasos, y el primero es el único que requiere criterio.

1. Guion. Mantén los diálogos en una sola hoja con una columna para la línea, el personaje, el activador y el nombre de archivo; por ejemplo, vo_guard_bark_01. La hoja es de donde volverás a generar después de una reescritura.
2. Generar. Pega la línea, elige la voz del personaje, ajusta los controles según la función de la línea y genera. Cada clip aparece en My Activity, así que la toma que te gustó ayer seguirá ahí.
3. Descargar. Cada clip se descarga como un único MP3. Ese es el único formato que entrega Sloyd Audio y es el archivo que se incorpora al motor.
4. Importar. Introduce el archivo, vincúlalo al activador y reproduce la escena.

Dos notas prácticas. Conserva los nombres de archivo de la hoja, porque la locución se acumula más rápido que los efectos de sonido y cien clips llamados tts_output pueden costarte un día entero. Además, recorta el silencio de ambos extremos de un bark en un editor gratuito como Audacity antes de conectarlo, ya que un cuarto de segundo de entrada se percibe como retraso cuando la línea se activa al recibir un golpe.

¿Estás editando un tráiler para la versión? Sloyd Video Studio renderiza clips de 5 a 15 segundos, con Extend para continuar una toma, y los renders de movimientos de cámara de un modelo 3D duran de 1 a 10 segundos. Coloca tu propia narración debajo del montaje.

Cuándo reemplazarla por una locución grabada

La voz con IA es una herramienta de prototipado, no un elenco. La decisión de volver a hacer el casting depende de lo que la línea tenga que transmitir.

Contrata a un actor para:

• Los protagonistas y cualquiera que tenga un arco. Una interpretación que debe cambiar a lo largo de veinte horas es una interpretación, no un ajuste.
• Las escenas emocionales importantes. La escena de la que sale el tráiler, la muerte, la traición. Esos momentos dependen de la respiración y el ritmo.
• La comedia. El ritmo es el chiste, y el ritmo es precisamente lo que no puedes dirigir dentro de un cuadro de texto.
• Cualquier cosa de la que dependa un momento de marketing. Si la línea aparece en un tráiler o en una página de tienda, vale la pena reservar una sesión.

Conserva los clips generados para:

• Barks y líneas de multitud, donde el volumen importa más que los matices.
• La voz del sistema y del tutorial, que de todos modos debería ser neutral.
• Audio provisional localizado, para poder probar una versión que no esté en inglés antes de financiar un segundo elenco.
• Todo lo que todavía se esté reescribiendo, que representa la mayor parte del guion hasta una etapa avanzada.

Antes de publicar cualquier voz generada, resuelve dos cuestiones: comprueba las condiciones de licencia aplicables a la voz que utilizaste para un lanzamiento comercial e informa a tus testers qué audio es provisional, para que sus comentarios se centren en la escritura y no en la interpretación. Si estás comparando herramientas y no flujos de trabajo, nuestro análisis de alternativas a ElevenLabs para audio de videojuegos las compara lado a lado.

Preguntas frecuentes

¿Qué duración puede tener una línea generada?

Hasta 5.000 caracteres de texto por generación, aproximadamente 800 palabras. Es mucho más de lo que necesita cualquier bark, así que la regla práctica es un activador por clip: un bark o un saludo es su propio archivo, y la narración se divide por párrafos para que una reescritura cueste una generación en lugar de requerir un nuevo montaje.

¿Qué cambian los ajustes Voice stability y Voice closeness?

Voice stability, con un valor predeterminado de 0.50 (50 % en el control contraído), intercambia expresividad por consistencia: los valores bajos permiten una interpretación más expresiva y los altos hacen que sea más consistente. Voice closeness, con un valor predeterminado de 0.75 (75 %), controla hasta qué punto el resultado se mantiene fiel a la voz elegida; los valores altos aumentan la similitud, pero pueden reducir la naturalidad. Genera dos veces la misma línea cuando cambies uno de ellos.

¿En qué formato se descargan los clips?

MP3, un archivo por clip, guardado en My Activity y descargable desde allí. Unity, Godot y Roblox Studio importan ese archivo tal cual. Para Unreal, o para obtener un máster sin pérdida, convierte primero el MP3 a WAV de 16 bits en Audacity o en tu DAW.

¿Puede clonar la voz de un actor real?

No. La biblioteca solo contiene voces predeterminadas y Sloyd no clona voces, así que no puedes subir una grabación de una persona y generar voz con su voz. Elegir a un intérprete real implica grabar una sesión real.

¿También puede generar una banda sonora?

No. Sloyd Audio cubre voz y efectos de sonido, no música, así que la música queda en manos de un compositor o de una herramienta musical especializada.

¿Necesito un plan de pago para generar locuciones?

Sí. La generación y las descargas de audio requieren Sloyd Plus o Sloyd Pro. Compara los planes en la página de precios.

Empieza con las veinte líneas que más escuchas

Elige los diálogos que realmente aparecen durante una prueba de juego: cuatro barks de combate, dos saludos, cuatro indicaciones del tutorial, una línea de muerte, algunas líneas de comerciantes y una introducción del narrador. Asigna una voz a cada personaje recurrente, nombra los archivos a partir de tu hoja de diálogos y tendrás un prototipo con voces en una tarde, en lugar de necesitar una ronda de casting.

Genera tus primeras líneas de NPC en Sloyd Audio usando las de esta publicación y luego combina las voces con los personajes a los que pertenecen mediante texto a 3D.