Babel Ruiz

Voz y Narrativa sonora


Cómo hacer que una IA suene humana

¿Cómo hacer que una IA suene humana?

Andaba yo “dándole al tanque” para un proyecto de estudios donde nos solicitaban crear un contenido de audio con un requisito fundamental: utilizar voces generadas por IA con el propósito de trabajarlas técnicamente hasta conseguir que suenen humanas. 

La premisa que encabeza es precisamente de la que parto para mi enfoque que consistirá en escribir una entrevista en un programa de radio o un podcast… Pero pronto sucederá algo de pura lógica, si se entiende que el mundo de los humanos también se alinea demasiadas veces en torno a un cálculo de probabilidades o, como decía Jung, el destino es todo aquello que traza tu inconsciente en su propósito interno, (o algo parecido); en cualquier caso, el momento de «darle al tanque» también llamado «brain storming», coincide con que un compañero de profesión, un conocido actor de voz que tiene, además, una agencia de voces, me envía un audio whatsapp indignado con un vídeo de ElevenLabs (Proveedor estrella de voces generadas por IA) donde se promociona el producto diciendo: 

El compañero ha visto el vídeo y simplemente me lo envía, incendiado, por la mala praxis de insultar a la competencia. No le falta razón. Denuncia el caso en la red y el vídeo es retirado; pero la pura causalidad de la casualidad (qué arte tiene mi Jung) hace que mi guión inicial se re-oriente y termine en un podcast de radio cuya starlett absoluta es una IA. Os cuento rápidamente aportando datos que sean de utilidad a los neófitos o no neófitos en la profesión. Como está por bloques, al que se la traiga al pairo puede saltárselo.

1.- La DAW:

  • GarageBand

Al tratarse principalmente de diálogos suele ser la aplicación más usada por profesionales de la voz (en home studio), y ya la tengo configurada con todas las herramientas necesarias: desde una ventana de Notas que sirve como teleprompter, hasta un plugin de limpieza de pistas con IA (VEA de Izoetope) y una buena serie de presets de fx vocales debidamente personalizados para mi voz que, lógicamente, han de reconfigurarse manualmente para voces ajenas. 

2.- El casting, (al turrón)

  • Proveedor ElevenLabs AI voice generator (free, of course)

Dado que el contenido del contenido, valga la redundancia aunque sea estúpida, versa sobre la controversia del uso de la IA para emular voces, visto precisamente, desde el punto de vista de la IA: una starlett radiofónica a lo Broncano pero seria y con un poquito de más aplomo; es decir, que no entrará en opiniones personales, centrando el tema del debate de forma que sea útil para el oyente, sin perderse en crear adeptos y que se enfrentará a un invitado difícil por su verdadera agilidad intelectual, al que no le han pasado las preguntas con anterioridad ni exige ser visto como adalid de nada, ni lleva un equipo de asesores noche y día que le dicen qué decir y cómo haciéndole parecer la caña de España, o sea, un tipo que va por la vida con su cerebro y sus complementos a juego como algo natural, vamos que, simplemente «es». Necesito encontrar una voz MUY humana y mi prejuicio me dice que va a ser difícil en un banco de voces clonadas; pero digo yo, que si en un ejercicio de estudio no te lo pones difícil… Lo que sí sé, es que debe poseer un ingrediente irresistible: el campechanismo, la valiosa receta que parece albergar los dones de la bondad y el buen hacer bajo la que tantos desmanes se han llevado a cabo porque, ¿a quién se le va a ocurrir que tras un tipo cordial y campechano puede haber un tirano que sólo busca satisfacer sus propios deseos, no por jorobar, sino simplemente porque está en su naturaleza dominar e imponer una visión del mundo a su imagen y semejanza?. No estoy diciendo yo que mi personaje pretenda nada, sólo elucubraba. Ah! y también necesito otra voz para la entradilla del programa. Resumiendo: Necesito 2 voces de IA.

Si el paisano campechano 
gustoso en estrechar manos
pone demasiado empeño
en convencer de sus sueños
tanto a niños como ancianos …
ándate con ojo hermano!
pues tras tanta humanidad 
hay un enfermo mental
que se cree sobre humano, 
lo que no es bueno ni malo,
pero sí un buen ingrediente 
para ser un gran tirano

(Babel Ruiz)

3.- Las voces de IA

  1. La primera, simplemente como voz de cuña radiofónica, muy breve e introductoria.
  2. Para la segunda voz, la difícil, tras probar con muchas pero todas más o menos estándares que sonaban en ese punto del llamado umbral inquietante, me he inclinado por un tipo de voz que puede llegar a ser muy expresiva. 

4.- Cómo hacer que una voz de IA suene humana:

Nota: Las imágenes a continuación no son reproductores sino simples imágenes extraídas de la interfaz de la plataforma mencionada.

La voz intro que ni pincha ni corta:

Resultome la voz de Carmelo, el maduro y misterioso, (…) sospechosamente parecida a la voz del compañero del whatsapp, lo que habría sido un robo flagrante de propiedad, al estilo Úrsula, la de La Sirenita. Bromas aparte, se sabe que esta práctica ha sido habitual para los entrenamientos de IA y que, una vez establecido el sistema, las batallas legales antes, durante o después del proceso quedan en el saco de los daños colaterales; en cualquier caso, finalmente no era la voz del compañero.

Esta voz será utilizada sin apenas maquillaje salvo un clean con VEA.
Conclusión: Fácil, al fin y al cabo, sólo “dirá” tres palabras.

Si le has dado al play habrás escuchado el nombre del programa. «Momentos con Shera», típico nombre de IA porque, llamarla Pepa o María de las Virtudes, no me pareció funcional. (Además de chiste fácil es completamente cierto, ojo! lo pensé…). Pero vayamos al personaje invitado, al que llamaré Antón Eleilla porque… yo qué sé, porque me cuadra, tal vez en mi imaginario haya un registro de autenticidad humana o algo así asociado al nombre.

Antón Eleilla, la voz difícil:

En general, obtener cierta naturalidad con esta voz, (por cierto las descripciones de las voces en la plataforma no tienen parangón) se ha conseguido del siguiente modo:

  • Frases largas: Son necesarias hasta cinco variaciones de parámetros para obtener, mediante un frankenstein, la naturalidad necesaria; es decir, no funciona con frases largas, ni mucho menos con párrafos completos y, por otro lado, es muy importante utilizar los signos de puntuación del texto que necesitas clonar convenientemente, pero para ello debes conocer los entresijos y gallinejas del locutor profesional pues, dependiendo de los signos de puntuación gramatical, se consiguen cadencias, semicadencias, anticadencias y semi-anticadencias en las inflexiones de las voces, algo que se utiliza en locución y que también se marca con un signo específico no gramatical. Barrunto yo, si el uso de esta plataforma no se enfocó, precisamente, para profesionales de la locución pues si no lo eres, o le echas pasta y horas con ensayo prueba / error o no vas a conseguir naturalidad digan lo que digan ellos para venderse, no al menos la naturalidad necesaria para que un oído con cierta sensibilidad no lo reciba dentro de los parámetros del mencionado umbral inquietante. Después puedes ajustar otros parámetros de estilo pero, en general, los resultados no dejan de arrojar voces bastante poco naturales para párrafos largos, si bien esto es audible en el oído entrenado, al oído no entrenado le da igual, (si no… de qué iban a triunfar el reggaeton y otras musiquillas?…
  • Frases cortas: En tres variaciones de parámetros, si tienes claro lo que buscas lo puedes obtener pero, al precio de quedarte después con un verdadero caos sonoro en cuanto a timbre vocal, volúmenes, ambientes y hasta variaciones de acento… Mateo ha llegado a hablar desde el sevillano de Écija, al asturiano criado en Río de Janeiro, una locura, la verdad. 

Una vez conseguidas las entonaciones naturales desde la plataforma se procede a:  

Conclusiones: 

La realidad es que se tarda mucho en hacer que una voz de IA suene convincentemente humana, aún siendo un desarrollador serio, que por supuesto los hay y lo consiguen haciendo maravillas pero no veo que estas plataformas de clonación sean verdaderamente útiles para productos serios. En este caso, el contenido está limitado a un par de minutejos en los que espero haber conseguido que Mateo, representando el papel de Antón Eleilla, haya resultado, no atractivo, cálido y auténtico narrador andaluz como figura en su ficha, (en fin…) pero sí un tío simpático y poco convencional al que da gusto escuchar por lo que dice y no por cómo lo dice. 

5.- Cómo hacer que una voz humana suene a IA

Para la voz de Shera, me he elegido a mí misma porque no tenía gracia trabajar una voz de IA con una voz de IA y porque me hacía ilusión clonar a la clonadora … (Sip, una venganza de lo más ridícula!).

Shera suena con un filtro Boost típico radiofónico pero como si entrara por línea, sin microfonía. 

  • Aplicación de filtro de IA (VEA) con Boost y Shape radiofónico y Clean al 75%.
  • Puerta de ruido muy a saco para deshumanizar la voz. (-32 db)
  • Los volúmenes se han automatizado para imitar las irregularidades que suelen presentar las IAs de voces generativas. 
  • Aplicación de preset de Fx vocal.


Ahora, siento que necesito compartir una anécdota laboral a fin de sumar mi experiencia desde la otra cara de la moneda. No porque considere la queja, ni mucho menos, sinceramente, si yo como sonidista de “andar por casa” que soy, no utilizara plugins basados en IA, no podría entregar algunos trabajos por lo complicado de su ejecución técnica, tendría que contratar un técnico y, así hago, cuando el nivel requerido lo demanda, con lo que no veo el problema de que un técnico utilice la IA para ahorrarse contratar una voz, si el nivel o características del producto lo permiten. Los profesionales, nos guste o no, hemos de adaptarnos a los tiempos. Lo que no veo tan claro es que, en aras de esa adaptación, se hagan productos de mala calidad disfrazados de tecnología punta, pretendiendo usurpar el lugar de los buenos productos y los buenos profesionales a precio de saldo, sobre todo, porque no es sano para el mercado dar mayor ventaja económica y control del producto al intermediario que al hacedor. 

 

La realidad es que estamos permitiendo que la estructura del mercado sea una pirámide invertida cuyo vértice se sustenta sobre la chepa del hacedor que es, por otro lado, el único que no sabe si va a cobrar o no. Últimamente, hasta hay plataformas que son intermediarios que te cobran para poder trabajar. Podamos o no prescindir de ellas para comer, la realidad es que no es probable que un mercado edificado de esa guisa no caiga por su peso y absurdo modelo constructivo. Yo, personalemente intentaré que, cuando caiga, no me pille debajo…
 

Y es que, los que vivimos en una ardua gincana profesional como pago a vivir del oficio que amamos, ya sea como intermediarios o como hacedores, cada uno en su papel pues, todos somos necesarios, a veces asumimos estas cosas con tal de poder seguir haciendo aquello que amamos pero otras veces hemos de plantearnos qué tanto amamos lo que decimos amar y qué tanto simplemente deseamos amar y ser amados a toda costa, aunque el ejercicio de ese amor nos coloque en un lugar inaceptable… en fin… como el conflicto ético culebrea por doquier, considero pertinente narrar brevemente mi experiencia personal con la plataforma porque también responde a cuestiones sobre su uso.

 

6.- Mi experiencia con Elevenlabs

Hace un par de años tuve tratos con ElevenLabs al solicitar una clonación de mi propia voz para un Relato de audio dramatizado y musicalizado que en origen hice en español neutro pero, poco después, el producto viajó por todo el mundo y los clientes solicitaron que la voz del audio relato siguiera siendo la original, de ahí el contacto con ElevenLabs. Tras recibir desde la plataforma citada un pre-contrato tan leonino que me puso los pelos como a Hades, (el de Disney…) lo hablé con mis jefes desestimando prestarme a la clonación. Es algo que dudo haga nunca por ética personal e intransferible porque las prácticas abusivas “por que yo lo valgo” me sacan de quicio y antes me meto en una piscina de barracudas y porque hay un refrán que dice “No cagues donde comes”; así que me embarqué en la dirección de actrices vocales en los idiomas citados pasando tres pueblos de los ElevenLabs y de las exigencias de un cliente que no entendía que mi voz no suena igual si locuto interiorizando, sintiendo y transmitiendo la palabra guionizada que si lo hago imitándome a mí misma que es lo que, al fin y al cabo, hará una IA con mi voz clonada. He olvidado apuntar que el contrato de la plataforma, tras cobrar un precio muy alto por un servicio que garantiza los derechos de uso, por supuesto, al propio comprador, pero una vez la voz clonada ingrese en la plataforma (textualmente) “no garantizan pueda o no aparecer en otros medios, incluido el de ellos». Enga yaaaaa!!!
El audio relato se entregó en los plazos debidos, el cliente super-satisfecho sin salirme ni un ápice del presupuesto, además de que aquellas voces humanas escogidas por su calidad interpretativa, además de su cuerda o color, me hicieron ahorrar mucho tiempo en edición gracias a una excelente ejecución vocal, técnica y expresiva. Una buena voz profesional ahorra muuuucho tiempo además de ofrecer momentos deliciosos en la escucha de una emoción verdadera que arriesga mucho más allá de ser una bonita voz. 

Yo ahí lo dejo!

Gracias por la atención

Babel Ruiz