Generar una locución con música de fondo cohesiva —sin postproducción manual— es ahora posible desde una sola plataforma de inteligencia artificial. La función, denominada Speech, permite crear voces sintetizadas acompañadas de música generada simultáneamente, todo a partir de un guion o una descripción en texto. La herramienta está disponible en versión beta pública para web y móvil.
El enfoque diferenciador no es la síntesis de voz en sí —tecnología que múltiples empresas han desarrollado durante años— sino la integración nativa de voz y música como una pista unificada. Los usuarios pueden optar por desactivar la música de fondo para obtener una locución limpia, lo que amplía el rango de aplicaciones: desde narraciones con atmósfera sonora hasta discursos o contenido de audio sin acompañamiento musical.
Dos modos de generación y hasta ocho minutos de audio
La función ofrece dos flujos de trabajo. El modo Simple permite describir el resultado deseado mediante lenguaje natural. El modo Avanzado habilita la carga de un guion personalizado con control sobre el género de la voz, el estilo de habla y el nivel de variabilidad en cada generación. La duración máxima por pieza es de aproximadamente ocho minutos, un umbral relevante para casos de uso como podcasts cortos, presentaciones narradas o contenido educativo.
Para equipos de comunicación, marketing de contenidos o producción audiovisual, esta capacidad reduce la dependencia de estudios de grabación y locutores externos en fases de prototipado. La posibilidad de iterar guiones y estilos de voz en minutos —en lugar de días— representa un cambio operativo concreto en flujos de producción de audio.
Limitaciones reconocidas en fase beta
Jack Brody, director de producto de la plataforma, fue explícito sobre el estado actual de la tecnología: "Beta realmente significa beta". Entre las imprecisiones documentadas se encuentran acentos que se desvían del perfil solicitado y pausas dramáticas excesivas. La empresa ha señalado que el desarrollo continuará con base en retroalimentación de usuarios.
Esta transparencia sobre las limitaciones es relevante para quienes evalúen la herramienta en contextos de producción real. El valor inmediato está en la exploración creativa y el prototipado rápido, no necesariamente en la entrega de audio final sin revisión humana. La madurez de la función determinará si puede integrarse en flujos de producción más exigentes en los próximos ciclos de actualización.
